CN111780955B - 用于光栅立体显示器的光栅参数测量方法及系统 - Google Patents

Abstract

本发明实施例提供一种用于光栅立体显示器的光栅参数测量方法及系统，该方法包括：获取待测量的光栅立体显示器的三维显示图像；将所述三维显示图像输入到训练好的光栅参数测量模型中，得到所述待测量的光栅立体显示器的光栅参数值，其中，所述训练好的光栅参数测量模型是由样本三维显示图像，通过DQN算法对两个结构相同的卷积神经网络进行训练得到的。本发明通过使用DQN算法进行光栅参数的匹配，针对不同的光栅显示器，具有普适性，提高了光栅参数测量效率和精度。

Description

用于光栅立体显示器的光栅参数测量方法及系统

技术领域

本发明涉及光栅测量技术领域，尤其涉及一种用于光栅立体显示器的光栅参数测量方法及系统。

背景技术

针对3D显示技术的诸多缺点，目前有一种新型的3D显示技术，自由立体显示(autostereoscopic display)，将柱透镜光栅设置在显示内容和平板显示器之间，根据柱透镜的成像特性，可以在不同位置显示不同内容，从而可以实现空间中的三维显示效果，使得观察者不需要佩戴任何观察仪器就可以直接看见3D图像。自由立体显示器由于其制作过程简单、加工精度高等优点，在自由立体显示技术中得到了广泛应用。

现有的自由立体显示技术，需要结合显示内容和实际光栅的排布方式，将不同视点的图像按照观察方向进行像素重排，从而实现三维立体显示效果。在像素重排的过程中，按照正确的光栅参数进行计算才可以在光栅显示器中正确地显示结果。由于光栅参数在光栅显示器制作过程中就已经确定，因此光栅参数的确定需要手动进行测量。传统的光栅参数测量方法主要是依赖于研究人员的经验，首先估计光栅参数大致的范围，然后使用估计的光栅参数值计算二值蒙版，并显示在光栅显示器中，通过对二值蒙版图像进行判断，进而决定如何对光栅参数进行修改，当显示结果为全白或者全黑图像时，得到准确的光栅参数。然而，现有的光栅参数测量方法对于人力和物力的消耗比较大，导致测量效率较低。

因此，现在亟需一种用于光栅立体显示器的光栅参数测量方法及系统来解决上述问题。

发明内容

针对现有技术存在的问题，本发明实施例提供一种用于光栅立体显示器的光栅参数测量方法及系统。

第一方面，本发明实施例提供了一种用于光栅立体显示器的光栅参数测量方法，包括：

获取待测量的光栅立体显示器的三维显示图像；

将所述三维显示图像输入到训练好的光栅参数测量模型中，得到所述待测量的光栅立体显示器的光栅参数值，其中，所述训练好的光栅参数测量模型是由样本三维显示图像，通过DQN算法对两个结构相同的卷积神经网络进行训练得到的。

进一步地，所述训练好的光栅参数测量模型通过以下步骤得到：

获取样本光栅立体显示器的初始光栅参数值，并对所述样本光栅立体显示器的初始光栅参数值进行二值蒙版映射，得到样本三维显示图像；

将所述样本三维显示图像作为训练样本集，通过DQN算法分别对两个结构相同的卷积神经网络进行训练，得到训练好的光栅参数测量模型。

进一步地，所述将所述样本三维显示图像作为训练样本集，通过DQN算法分别对两个结构相同的卷积神经网络进行训练，得到训练好的光栅参数测量模型，包括：

将所述样本三维显示图像输入到第一卷积神经网络，得到第一动作价值函数，将所述样本三维显示图像输入到第二卷积神经网络中，得到第二动作价值函数；其中，所述第一卷积神经网络作为单步更新参数的预测网络进行训练；所述第二卷积神经网络作为多步更新参数的目标网络，用于监督所述第一卷积神经网络进行学习；所述第一动作价值函数用于对光栅参数值中的线数和倾斜角度进行调整；

根据所述第一动作价值函数和所述第二动作价值函数，获取所述第一卷积神经网络的损失函数，并进行反向传播，以得到训练好的光栅参数测量模型。

进一步地，在所述根据所述第一动作价值函数和所述第二动作价值函数，获取所述第一卷积神经网络的损失函数，并进行反向传播，以得到训练好的光栅参数测量模型之前，所述方法还包括：

通过ε-贪婪策略和所述第一动作价值函数，对样本三维显示图像的线数和倾斜角度进行调整，得到调整后的样本三维显示图像；

对调整后的样本三维显示图像进行判断，若判断获知调整后的样本三维显示图像满足预设训练条件，则得到训练好的光栅参数测量模型。

进一步地，所述对调整后的样本三维显示图像进行判断，若判断获知调整后的样本三维显示图像满足预设训练条件，则得到训练好的光栅参数测量模型，包括：

若调整后的样本三维显示图像为纯黑图像或者纯白图像，则得到训练好的光栅参数测量模型。

进一步地，在所述获取样本光栅立体显示器的初始光栅参数值，并对所述样本光栅立体显示器的初始光栅参数值进行二值蒙版映射，得到样本三维显示图像之后，所述方法还包括：

对所述样本三维显示图像进行单通道和缩放处理，得到样本单通道图像，以根据所述样本单通道图像构建训练样本集。

第二方面，本发明实施例提供了一种用于光栅立体显示器的光栅参数测量系统，包括：

三维显示图像获取模块，用于获取待测量的光栅立体显示器的三维显示图像；

光栅参数测量模块，用于将所述三维显示图像输入到训练好的光栅参数测量模型中，得到所述待测量的光栅立体显示器的光栅参数值，其中，所述训练好的光栅参数测量模型是由样本三维显示图像，通过DQN算法对两个结构相同的卷积神经网络进行训练得到的。

进一步地，所述系统还包括：

样本处理模块，用于获取样本光栅立体显示器的初始光栅参数值，并对所述样本光栅立体显示器的初始光栅参数值进行二值蒙版映射，得到样本三维显示图像；

模型训练模块，用于将所述样本三维显示图像作为训练样本集，通过DQN算法分别对两个结构相同的卷积神经网络进行训练，得到训练好的光栅参数测量模型。

第三方面，本发明实施例提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如第一方面所提供的方法的步骤。

第四方面，本发明实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面所提供的方法的步骤。

本发明实施例提供的一种用于光栅立体显示器的光栅参数测量方法及系统，相较于现有的手动匹配三维显示器光栅参数的方法，通过使用DQN算法进行光栅参数的匹配，针对不同的光栅显示器，具有普适性，提高了光栅参数测量效率和精度。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的用于光栅立体显示器的光栅参数测量方法的流程示意图；

图2为本发明实施例提供的基于深度强化学习算法对光栅参数进行测量的示意图；

图3为本发明实施例提供的光栅参数值对应的二值蒙版图；

图4为本发明实施例提供的用于光栅立体显示器的光栅参数测量系统的结构示意图；

图5为本发明实施例提供的电子设备结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

图1为本发明实施例提供的用于光栅立体显示器的光栅参数测量方法的流程示意图，如图1所示，本发明实施例提供了一种用于光栅立体显示器的光栅参数测量方法，包括：

步骤101，获取待测量的光栅立体显示器的三维显示图像。

在本发明实施例中，首先获取待测量的光栅立体显示器的初始光栅参数值，然后将初始光栅参数值通过计算二值蒙版映射为三维显示图像，并使用相机对三维显示图像进行采集，以作为深度强化学习算法(Deep Q-learning Network，简称DQN)中卷积神经网络的输入，即将三维显示图像输入到训练好的光栅参数测量模型中。需要说明的是，在本发明实施例中，初始光栅参数值是通过预估得到的大概范围值。

步骤102，将所述三维显示图像输入到训练好的光栅参数测量模型中，得到所述待测量的光栅立体显示器的光栅参数值，其中，所述训练好的光栅参数测量模型是由样本三维显示图像，通过DQN算法对两个结构相同的卷积神经网络进行训练得到的。

在本发明实施例中，将上述实施例得到三维显示图像输入到两个结构相同的卷积神经网络(Convolutional Neural Networks，简称CNN)，即CNN1和CNN2中，其中，CNN1用于进行训练，CNN2作为多步更新参数的目标网络，用来监督CNN1进行学习，两者的输出为每种动作的价值函数，均代表所选不同动作的概率，CNN1输出的动作值函数Q，决定如何选择动作对光栅参数进行调整，CNN2输出动作值函数Q＇。在本发明实施例中，将CNN1和CNN2输出的动作值差值作为CNN1的损失函数进行反向传播，公式为：

loss＝(Q'-Q)²；

通过对卷积神经网络进行训练，最终做出正确的动作选择调整，从而对光栅参数值进行准确的测量。图2为本发明实施例提供的基于深度强化学习算法对光栅参数进行测量的示意图，可参考图2所示，输入图像为连续四个时刻的显示画面，输入到两个结构相同的神经网络中，其中CNN1用来进行训练，CNN2作为多步更新参数的目标网络，用来监督CNN1进行学习，CNN1的损失函数由两个神经网络输出值的差计算得出。

本发明实施例提供的用于光栅立体显示器的光栅参数测量方法，相较于现有的手动匹配三维显示器光栅参数的方法，通过使用DQN算法进行光栅参数的匹配，针对不同的光栅显示器，具有普适性，提高了光栅参数测量效率和精度。

在上述实施例的基础上，所述训练好的光栅参数测量模型通过以下步骤得到：

获取样本光栅立体显示器的初始光栅参数值，并对所述样本光栅立体显示器的初始光栅参数值进行二值蒙版映射，得到样本三维显示图像；

将所述样本三维显示图像作为训练样本集，通过DQN算法分别对两个结构相同的卷积神经网络进行训练，得到训练好的光栅参数测量模型。

在本发明实施例中，首先获取样本三维显示图像的状态值，即观测量，可通过相机从样本光栅立体显示器中采集的二维值蒙版图像，该图像大小为160×300×3；然后，将这些图像作为训练集对模型进行训练。在本发明实施例中，基于DQN算法的动作价值函数Q的更新公式为：

Q(S_t,A_t)＝Q(S_t,A_t)+α(R_t+1+λmax_aQ(S_t+1,a)-Q(S_t,A_t))；

其中，S表示状态值，A表示动作值，R表示奖励值。在本发明实施例中，DQN算法利用两个结构相同，但初始化参数不同的卷积神经网络分别代替max_aQ(S_t+1,a)和Q(S_t,A_t)，并且将每一个时间步中得到的S、A和R都存储到内存中，并利用这些历史记录对两个神经网络进行更新。

进一步地，在本发明实施例中，对上述公式中的奖励值进行说明。为了获取对应的奖励值，首先需要知道观测量的内容，即当光栅参数值不正确时，二值蒙版图像为黑白相间的条纹图像，条纹具有任意的倾斜角度；而当光栅参数值正确时，二值蒙版图像为纯白或者纯黑的图像。图3为本发明实施例提供的光栅参数值对应的二值蒙版图，可参考图3所示，图3(a)为光栅参数值不正确时对应的二值蒙版图，图3(b)为优化后正确的光栅参数值对应的二值蒙版图，其中，水平方向的直接代表水平条纹，垂直方向的支线代表垂直条纹。从图3可以看出，测量光栅参数的过程即减少二值蒙版中条纹数量的过程，因此，奖励值可以表示为连续两个时刻条纹数量的变化情况，当条纹数量随着时间的变化而减少时，可以认为光栅参数逐渐逼近正确值，此时奖励值为正；而当条纹数量逐渐增多时，可以认为光栅参数没有得到优化，此时奖励值为负；当条纹数没有变化时，奖励值为零。在实际操作中，考虑到条纹并非垂直或者水平的，因此分别定义水平条纹数V和垂直条纹数H两种特征，在确定奖励时，同时考虑水平条纹数V和垂直条纹数H的变化情况，只有当两种条纹的数量同时减小，奖励值才定义为正；当任意一种条纹数量增大时，奖励值定义为负；若两种条纹数量不变，则奖励值定义为零。在本发明实施例中，通过归一化处理，将奖励值设置为1、-1和0三种，表1为奖励值与观测量中条纹变化情况的对应关系，奖励值的对应情况如表1所示：

表1

在上述实施例的基础上，所述将所述样本三维显示图像作为训练样本集，通过DQN算法分别对两个结构相同的卷积神经网络进行训练，得到训练好的光栅参数测量模型，包括：

将所述样本三维显示图像输入到第一卷积神经网络，得到第一动作价值函数，将所述样本三维显示图像输入到第二卷积神经网络中，得到第二动作价值函数；其中，所述第一卷积神经网络作为单步更新参数的预测网络进行训练；所述第二卷积神经网络作为多步更新参数的目标网络，用于监督所述第一卷积神经网络进行学习；所述第一动作价值函数用于对光栅参数值中的线数和倾斜角度进行调整；

根据所述第一动作价值函数和所述第二动作价值函数，获取所述第一卷积神经网络的损失函数，并进行反向传播，以得到训练好的光栅参数测量模型。

在本发明实施例中，动作价值函数用于对光栅参数值中的线数LPI和倾斜角度α进行调整，其中，线数LPI表示每个柱透镜光栅所能覆盖的平板显示屏的子像素数；倾斜角度α表示柱透镜光栅贴合方向与垂直方向所成角度大小。在本发明实施例中，通过深度强化学习后，输出四种动作值，分别代表A₁：{LPI+Δ_线，α+Δ_倾}、A₂：{LPI+Δ_线，α-Δ_倾}、A₃：{LPI-Δ_线，α+Δ_倾}和A₄：{LPI-Δ_线，α+Δ_倾}，其中，Δ_线和Δ_倾分别表示对线数和倾斜角度调整的步长。为了更有效地对光栅参数进行调整，Δ_线和Δ_倾设置为可变步长，当水平条纹数V和垂直条纹数H大于2时，Δ_线＝0.1，Δ_倾＝0.01；当水平条纹数V和垂直条纹数H小于等于2时，Δ_线＝0.0001，Δ_倾＝0.0001，通过这样的设置可以得到更为精确的测量结果。

在上述实施例的基础上，在所述根据所述第一动作价值函数和所述第二动作价值函数，获取所述第一卷积神经网络的损失函数，并进行反向传播，以得到训练好的光栅参数测量模型之前，所述方法还包括：

通过ε-贪婪策略和所述第一动作价值函数，对样本三维显示图像的线数和倾斜角度进行调整，得到调整后的样本三维显示图像；

对调整后的样本三维显示图像进行判断，若判断获知调整后的样本三维显示图像满足预设训练条件，则得到训练好的光栅参数测量模型。

在上述实施例的基础上，所述对调整后的样本三维显示图像进行判断，若判断获知调整后的样本三维显示图像满足预设训练条件，则得到训练好的光栅参数测量模型，包括：

若调整后的样本三维显示图像为纯黑图像或者纯白图像，则得到训练好的光栅参数测量模型。

在上述实施例的基础上，在所述获取样本光栅立体显示器的初始光栅参数值，并对所述样本光栅立体显示器的初始光栅参数值进行二值蒙版映射，得到样本三维显示图像之后，所述方法还包括：

对所述样本三维显示图像进行单通道和缩放处理，得到样本单通道图像，以根据所述样本单通道图像构建训练样本集。

在本发明实施例中，在模型训练的过程中，判断模型的终止状态分为两种，一种是达到了理想的优化情况，即观测量为纯白或纯黑的二值图像，这种情况意味着光栅参数值已经准确测量；另一种情况则是观测量已经偏离了理想的情况，此时需要设置相应的边界条件防止光强化学习陷入无意义的学习中。在本发明一实施例中，以水平条纹数V和垂直条纹数H的数量作为边界条件，当V≥26或者H≥13时认为达到边界条件，此时一轮训练结束，开始新一轮的训练。

进一步地，本发明实施例在对模型进行训练时，首先对图像进行预处理，相机采集的图像大小为160×300×3的三通道图像，通过对图像进行单通道和缩放处理，将图像变为大小为80×150的单通道图像。此外，在训练过程中，使用ε-贪婪策略选择动作。在训练开始阶段，强化学习算法需要对可能存在的情况进行探索，因此ε＝0.9，即随机选取动作的概率为0.9；随着训练的进行，ε逐渐减小为0.1，即随机选择动作的概率降低，通过神经网络选择动作的概率逐渐增高，当ε＝0.1时停止减小。通过执行选择的动作对二值蒙版图像进行更新，将更新后的二值蒙版显示在光栅立体显示器中，再通过相机采集更新后的内容，根据得到奖励值确定是否达到终止状态。在本发明实施例中，可采用经验回放池对过去的样本进行存储和采样，回放池大小为5000，随机采样的批数量为32，每100步对预测网络进行一次更新。

在本发明一实施例中，基于上述实施例提供的用于光栅立体显示器的光栅参数测量方法，构建实验平台进行光栅参数测量，所使用的光栅立体显示器大小为23英寸、分辨率为1920×1080。相机直接从光栅立体显示器中采集内容，并输入神经网络进行学习，最终输出动作更新光栅参数值。现有方法对光栅参数进行测量，主要是根据水平条纹数和垂直条纹数的变化情况机械式地改变当前光栅参数，线数根据垂直条纹数的变化情况进行修改，倾斜角度根据水平条纹数的变化情况进行修改，但这种方法会在某些情况下陷入局部最优，从而需要人为修改当前状态，才能使匹配继续进行下去。而本发明实施例提供的光栅测量方法，同时考虑水平条纹数和垂直条纹数对两种参数的影响，而且采用长期的价值函数作为评价学习的标准，因此避免了局部最优的现象，也节省了人力对测量过程进行监督。通过本发明实施例的光栅参数计算方法得到图像显示结果可知，图像显示结果有了很大提高，伪影和错切得到了显著的消除。

图4为本发明实施例提供的用于光栅立体显示器的光栅参数测量系统的结构示意图，如图4所示，本发明实施例提供了一种用于光栅立体显示器的光栅参数测量系统，包括三维显示图像获取模块401和光栅参数测量模块402，其中，三维显示图像获取模块401用于获取待测量的光栅立体显示器的三维显示图像；光栅参数测量模块402用于将所述三维显示图像输入到训练好的光栅参数测量模型中，得到所述待测量的光栅立体显示器的光栅参数值，其中，所述训练好的光栅参数测量模型是由样本三维显示图像，通过DQN算法对两个结构相同的卷积神经网络进行训练得到的。

本发明实施例提供的用于光栅立体显示器的光栅参数测量系统，相较于现有的手动匹配三维显示器光栅参数的方法，通过使用DQN算法进行光栅参数的匹配，针对不同的光栅显示器，具有普适性，提高了光栅参数测量效率和精度。

在上述实施例的基础上，所述系统还包括样本处理模块和模型训练模块，其中，样本处理模块用于获取样本光栅立体显示器的初始光栅参数值，并对所述样本光栅立体显示器的初始光栅参数值进行二值蒙版映射，得到样本三维显示图像；模型训练模块用于将所述样本三维显示图像作为训练样本集，通过DQN算法分别对两个结构相同的卷积神经网络进行训练，得到训练好的光栅参数测量模型。

本发明实施例提供的系统是用于执行上述各方法实施例的，具体流程和详细内容请参照上述实施例，此处不再赘述。

图5为本发明实施例提供的电子设备结构示意图，参照图5，该电子设备可以包括：处理器(processor)501、通信接口(Communications Interface)502、存储器(memory)503和通信总线504，其中，处理器501，通信接口502，存储器503通过通信总线504完成相互间的通信。处理器501可以调用存储器503中的逻辑指令，以执行如下方法：获取待测量的光栅立体显示器的三维显示图像；将所述三维显示图像输入到训练好的光栅参数测量模型中，得到所述待测量的光栅立体显示器的光栅参数值，其中，所述训练好的光栅参数测量模型是由样本三维显示图像，通过DQN算法对两个结构相同的卷积神经网络进行训练得到的。

此外，上述的存储器503中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

另一方面，本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的用于光栅立体显示器的光栅参数测量方法，例如包括：获取待测量的光栅立体显示器的三维显示图像；将所述三维显示图像输入到训练好的光栅参数测量模型中，得到所述待测量的光栅立体显示器的光栅参数值，其中，所述训练好的光栅参数测量模型是由样本三维显示图像，通过DQN算法对两个结构相同的卷积神经网络进行训练得到的。

以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (5)

1.一种用于光栅立体显示器的光栅参数测量方法，其特征在于，包括：

获取待测量的光栅立体显示器的三维显示图像；

将所述三维显示图像输入到训练好的光栅参数测量模型中，得到所述待测量的光栅立体显示器的光栅参数值，其中，所述训练好的光栅参数测量模型是由样本三维显示图像，通过DQN算法对两个结构相同的卷积神经网络进行训练得到的；

所述训练好的光栅参数测量模型通过以下步骤得到：

获取样本光栅立体显示器的初始光栅参数值，并对所述样本光栅立体显示器的初始光栅参数值进行二值蒙版映射，得到样本三维显示图像；

将所述样本三维显示图像作为训练样本集，通过DQN算法分别对两个结构相同的卷积神经网络进行训练，得到训练好的光栅参数测量模型，包括：

将所述样本三维显示图像输入到第一卷积神经网络，得到第一动作价值函数，将所述样本三维显示图像输入到第二卷积神经网络中，得到第二动作价值函数；其中，所述第一卷积神经网络作为单步更新参数的预测网络进行训练；所述第二卷积神经网络作为多步更新参数的目标网络，用于监督所述第一卷积神经网络进行学习；所述第一动作价值函数用于对光栅参数值中的线数和倾斜角度进行调整；

根据所述第一动作价值函数和所述第二动作价值函数，获取所述第一卷积神经网络的损失函数，并进行反向传播，以得到训练好的光栅参数测量模型；

在所述根据所述第一动作价值函数和所述第二动作价值函数，获取所述第一卷积神经网络的损失函数，并进行反向传播，以得到训练好的光栅参数测量模型之前，所述方法还包括：

通过ε-贪婪策略和所述第一动作价值函数，对样本三维显示图像的线数和倾斜角度进行调整，得到调整后的样本三维显示图像；

对调整后的样本三维显示图像进行判断，若判断获知调整后的样本三维显示图像满足预设训练条件，则得到训练好的光栅参数测量模型，包括：

若调整后的样本三维显示图像为纯黑图像或者纯白图像，则得到训练好的光栅参数测量模型。

2.根据权利要求1所述的用于光栅立体显示器的光栅参数测量方法，其特征在于，在所述获取样本光栅立体显示器的初始光栅参数值，并对所述样本光栅立体显示器的初始光栅参数值进行二值蒙版映射，得到样本三维显示图像之后，所述方法还包括：

对所述样本三维显示图像进行单通道和缩放处理，得到样本单通道图像，以根据所述样本单通道图像构建训练样本集。

3.一种用于光栅立体显示器的光栅参数测量系统，其特征在于，包括：

三维显示图像获取模块，用于获取待测量的光栅立体显示器的三维显示图像；

光栅参数测量模块，用于将所述三维显示图像输入到训练好的光栅参数测量模型中，得到所述待测量的光栅立体显示器的光栅参数值，其中，所述训练好的光栅参数测量模型是由样本三维显示图像，通过DQN算法对两个结构相同的卷积神经网络进行训练得到的；所述系统还包括：

样本处理模块，用于获取样本光栅立体显示器的初始光栅参数值，并对所述样本光栅立体显示器的初始光栅参数值进行二值蒙版映射，得到样本三维显示图像；

模型训练模块，用于将所述样本三维显示图像作为训练样本集，通过DQN算法分别对两个结构相同的卷积神经网络进行训练，得到训练好的光栅参数测量模型；所述模型训练模块具体用于：

将所述样本三维显示图像输入到第一卷积神经网络，得到第一动作价值函数，将所述样本三维显示图像输入到第二卷积神经网络中，得到第二动作价值函数；其中，所述第一卷积神经网络作为单步更新参数的预测网络进行训练；所述第二卷积神经网络作为多步更新参数的目标网络，用于监督所述第一卷积神经网络进行学习；所述第一动作价值函数用于对光栅参数值中的线数和倾斜角度进行调整；

根据所述第一动作价值函数和所述第二动作价值函数，获取所述第一卷积神经网络的损失函数，并进行反向传播，以得到训练好的光栅参数测量模型；

在所述根据所述第一动作价值函数和所述第二动作价值函数，获取所述第一卷积神经网络的损失函数，并进行反向传播，以得到训练好的光栅参数测量模型之前，所述方法还包括：

通过ε-贪婪策略和所述第一动作价值函数，对样本三维显示图像的线数和倾斜角度进行调整，得到调整后的样本三维显示图像；

对调整后的样本三维显示图像进行判断，若判断获知调整后的样本三维显示图像满足预设训练条件，则得到训练好的光栅参数测量模型；

所述对调整后的样本三维显示图像进行判断，若判断获知调整后的样本三维显示图像满足预设训练条件，则得到训练好的光栅参数测量模型，包括：

若调整后的样本三维显示图像为纯黑图像或者纯白图像，则得到训练好的光栅参数测量模型。

4.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至2任一项所述用于光栅立体显示器的光栅参数测量方法的步骤。

5.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至2任一项所述用于光栅立体显示器的光栅参数测量方法的步骤。

Images