[发明专利]一种车牌矫正方法、装置、设备及介质

说明书

本发明公开了一种车牌矫正方法、装置、设备及介质，由于本发明实施例中，将获取的车牌图像输入到预先训练完成的检测模型中，获取该图像的车牌中各字符所在字符框的坐标信息，根据该字符框的坐标信息以及预先设定的经验函数，确定该图像中车牌的倾斜角度，若该倾斜角度大于设定的角度阈值，则将该图像输入到训练完成的车牌矫正模型中，获取矫正后的目标图像。由于本发明实施例基于车牌上的字符所在字符框的坐标信息来确定该车牌的倾斜角度，确定的车牌倾斜角度准确度更高，且在倾斜角度过大时，将该图像输入到训练完成的车牌矫正模型中，获得矫正后的目标图像，有效的提升了矫正后车牌图像的质量。

技术领域

本发明涉及智能交通技术领域，尤其涉及一种车牌矫正方法、装置、设备及介质。

背景技术

随着交通的快速发展，越来越多的人乘坐私家车、非机动车、公交等出行。为了维护交通秩序，方便对于车辆出行的管理，通过对车辆的车牌进行识别以便获得车辆的信息，在对车牌进行识别的过程中，一般图像采集设备对车牌进行抓拍，若抓拍到的车牌图像处于正位，或者与正位相比偏离角度较小，则会有良好的识别效果，但在实际应用中，由于安装方式和场景的限制，很多时候并不能获得角度合适的图像，特别是姿态多样的非机动车更是会出现不同方向的角度过大的车牌，角度偏离过大的车牌中的字符易倾斜、粘连和形变，降低车牌识别的准确率，因此需要对角度偏离过大的车牌的图像进行矫正。

在现有技术中，车牌矫正的方法大致包括：传统方法和基于深度学习的车牌矫正方法。其中，传统方法主要利用检测车牌边框线、投影特征分析、基于字符连通域等方法来计算车牌倾角，该方法实现车牌矫正的准确率不高。基于深度学习的车牌矫正方法主要是利用深度学习网络模型检测车牌的四个角点，从而计算车牌倾角，但是该方法依赖于车牌角点检测，可能会因为背景和前景干扰出现误检，导致矫正失败，且若车牌倾角过大，矫正后的图像可能会出现字符畸变、笔画缺失等情况，导致矫正后的图像质量不高。

发明内容

本发明提供了一种车牌矫正方法、装置、设备及介质，用以解决现有技术中车牌矫正准确率不高和倾角过大时矫正后图像质量不高的问题。第一方面，本发明提供了一种车牌矫正方法，所述方法包括：

将获取的车牌图像输入到预先训练完成的检测模型中，获取所述图像的车牌中各字符所在字符框的坐标信息；

根据所述字符框的坐标信息以及预先设定的经验函数，确定所述图像中的车牌的倾斜角度；

若所述倾斜角度大于设定的角度阈值，则将所述图像输入到训练完成的车牌矫正模型中，获取矫正后的目标图像。

进一步地，所述获取所述图像的车牌中每个字符所在字符框的坐标信息包括：

获取所述检测模型输出的标识有车牌中字符所在候选字符框的坐标信息以及所述图像中每个候选字符框对应的置信度；

根据每个候选字符框的坐标信息及所述置信度，候选字符框的大小以及与其他候选字符框的距离，确定所述图像的目标候选字符框；

根据所述图像中目标候选字符框所在的层数信息，确定车牌中各字符所在字符框的坐标信息。

进一步地，所述根据所述图像中目标候选字符框所在的层数信息，确定车牌中各字符所在字符框的坐标信息包括：

确定所述图像的车牌区域包含的内容所占的层数；

若所述层数为两层以上，则确定车牌标识信息对应的字符所在的目标层；

将所述目标层中包含的各目标候选字符框的坐标信息，确定为车牌中各字符所在字符框的坐标信息。

进一步地，所述确定车牌标识信息对应的字符所在的目标层包括：

将包含目标候选字符框的数量最多的层数确定为目标层。

进一步地，所述方法还包括：