1.一种基于神经网络的投影融合方法，其特征在于，该方法包括以下步骤：

采集所有投影机投影的光照图像，通过阈值分割算法获得投影机的投影重合区域；

将投影图像上且在投影重合区域外的每个像素视为每个第一像素，以每个第一像素为中心，获得预设窗口内所有像素构成的子投影图像，根据每个第一像素的子投影图像的角点和目标图像的角点获得每个第一像素的单应性矩阵；

将投影图像上且在投影重合区域内的每个像素视为每个第二像素，获取与每个第二像素的欧式距离最小的预设数量的第一像素，根据所述所有预设数量的第一像素的单应性矩阵的聚类结果获得每个第二像素的单应性矩阵和准确程度；

以每个第二像素为中心获得预设窗口内所有像素构成的子投影图像，利用每个第二像素的单应性矩阵和子投影图像，并结合目标图像，获得每个第二像素的第一融合目标图像；

根据每个第二像素的子投影图像与其第一融合目标图像获得每个第二像素的第二融合目标图像；

结合所有第二像素的准确程度，根据所有第二像素的第一融合目标图像与第二融合目标图像，获得投影机的投影偏移特征向量，将投影偏移特征向量输入神经网络中，网络输出投影机的调整参数，投影机根据调整参数进行调整并重新投影图像。

2.根据权利要求1所述的一种基于神经网络的投影融合方法，其特征在于，所述的投影偏移特征向量的获取步骤包括：获取每个第二像素的第一融合目标图像中所有像素坐标的第一融合均值，以及每个第二像素的第二融合目标图像中所有像素坐标的第二融合均值，获取第一融合均值到第二融合均值构成的位移向量，将所述的位移向量和所述的第一融合均值合并为一个向量，称为每个第二像素的偏移向量；

利用均值漂移算法对所有第二像素的偏移向量进行聚类，获得所有类别，对于所述每个类别中的偏移向量进行加权求和，获得的结果称为每个类别的参考偏移向量；所述的加权求和的权重为所述的每个类别中每个偏移向量对应的第二像素的准确程度；将所有类别的参考偏移向量合并为一个高维向量，称为投影偏移特征向量。

3.根据权利要求1所述的一种基于神经网络的投影融合方法，其特征在于，所述的每个第二像素的单应性矩阵和准确程度的获取步骤包括：对于与每个第二像素的欧式距离最小的预设数量的第一像素，获取所述预设数量的第一像素的所有单应性矩阵的集合，将每个单应性矩阵展平为一维向量，对所述集合中的单应性矩阵进行聚类获得所有类别，获得所有类别中包含单应性矩阵数目最多的类别，计算所述类别中所有单应性矩阵的第一均值，所述第一均值作为每个第二像素的单应性矩阵；

获取所述类别中所有单应性矩阵对应的第一像素集合，计算所述第一像素集合中像素坐标的第二均值，将每个第二像素的坐标与所述第二均值的欧式距离称为每个第二像素的距离因子，然后计算所述类别中所有单应性矩阵与所述第一均值的L2范数，所有所述L2范数的方差称为每个第二像素的分布因子；

每个第二像素的距离因子与每个第二像素的分布因子的乘积的倒数作为每个第二像素的准确程度。

4.根据权利要求1所述的一种基于神经网络的投影融合方法，其特征在于，所述的每个第二像素的第一融合目标图像的获取步骤包括：获取每个第二像素的投影子图像上所有像素的齐次坐标，将所述的所有像素的齐次坐标与每个第二像素的单应性矩阵相乘，进而获得所有新的像素坐标；

然后获取目标图像的亮度图，获取所述新的像素坐标在目标图像亮度图上对应的灰度值，所述新的像素坐标和对应的灰度值构成每个第二像素的第一融合目标图像。

5.根据权利要求1所述的一种基于神经网络的投影融合方法，其特征在于，所述的每个第二像素的第二融合目标图像的获取步骤包括：获取每个第二像素的子投影图像的像素坐标，以及在每个第二像素的第一融合目标图像上的、与所述像素坐标对应的像素的灰度值，以所述的像素坐标和灰度值构建每个第二像素的临时图像；

获得每个第二像素的子投影图像与每个第二像素的临时图像的差值，称为差异图像，获取差异图像中最小的灰度值，差异图像中每个像素的灰度值与所述的最小灰度值做差，然后对差异图像进行归一化处理；

利用角点检测算法获得差异图像的所有角点，利用角点匹配算法将差异图像上的所有角点和目标图像上所有角点进行匹配，获得所有匹配成对的角点，然后将所述的所有角点对作为数据样本拟合一个单应性矩阵；

获取所述差异图像上所有像素的齐次坐标，将所述的所有像素的齐次坐标与所述的单应性矩阵相乘，进而获得所有新的像素坐标；

获取所述新的像素坐标在目标图像亮度图上对应的灰度值，所述新的像素坐标和对应的灰度值构成每个第二像素的第二融合目标图像。

6.根据权利要求1所述的一种基于神经网络的投影融合方法，其特征在于，所述的每个第一像素的子投影图像和每个第二像素的子投影图像的获取步骤包括：以每个第一像素为中心，建立一个矩形预设窗口，获取窗口内的且属于投影图像上的所有像素；如果所述的所有像素中存在属于投影重合区域内的像素时，将所述属于投影重合区域内的像素的像素值设置为零向量；然后获取所述所有像素在投影图像上的像素坐标和对应的像素值，将所述所有像素坐标和像素值构建成的图像的亮度图称为每个第一像素的子投影图像；

同理，以每个第二像素为中心，以预设邻域范围为大小，建立一个矩形窗口，获取窗口内的且属于投影图像上的所有像素，如果所述的所有像素中存在属于投影重合区域外的像素时，将所述属于投影重合区域外的像素的像素值设置为零向量；然后获取所述所有像素在投影图像上的像素坐标和对应的像素值，将所述所有像素坐标和像素值构建成的图像的亮度图称为每个第二像素的子投影图像。

7.根据权利要求1所述的一种基于神经网络的投影融合方法，其特征在于，所述的每个第一像素的单应性矩阵的获取步骤包括：利用角点检测算法获得每个第一像素的子投影图像的所有角点，同理，利用检点检测算法获得目标图像的所有角点，利用角点匹配算法对每个第一像素的子投影图像上所有角点和目标图像上所有角点进行匹配，获得所有的匹配成对的角点，然后将所有的角点对作为数据样本拟合一个单应性矩阵，该单应性矩阵就是所述的每个第一像素的单应性矩阵。

8.根据权利要求1所述的一种基于神经网络的投影融合方法，其特征在于，所述的投影重合区域的获取步骤包括：所有摄影机投射白光到屏幕上，利用相近采集屏幕上的白光图像，将图像变换为灰度图，利用大津阈值分割算法对所述灰度图像进行分割，获得所有的连通域，计算每个连通域中所有像素的灰度值的均值，获得所述均值最大的连通域作为投影重合区域；

所述的所有摄影机中其中一个是调整好参数的投影机，其他是尚未调整好参数的投影机。

9.根据权利要求1所述的一种基于神经网络的投影融合方法，其特征在于，所述的神经网络为全连接神经网络，该神经网络的数据集有模拟器生成，神经网络的损失函数为均方差损失函数，根据损失函数结合数据集利用随机梯度下降算法训练神经网络，使得神经网络收敛。

10.根据权利要求1所述的一种基于神经网络的投影融合方法，其特征在于，所述的目标图像是指需要被投影机投影到屏幕上的高分辨率的图像，目标图像上具有丰富的纹理信息；所述的投影图像是指目标图像被投影仪投影到屏幕后，在通过相机采集获得的图像，所述的相机是RGB相机，安装在投影机上。