本发明涉及车牌校正技术领域，尤其是涉及车牌角度校正方法、装置、设备和介质。
背景技术：
车牌是对各车辆的编号与信息登记，其主要作用是通过车牌可以知道该车辆的所属地区，也可根据车牌查到该车辆的主人以及该车辆的登记信息。
在对停车场、道路收费路口等位置的车辆进行远程管理时，需要拍摄车辆的车牌号，从而了解到车辆及车主信息。但由于受摄像机的拍摄角度、车辆行驶方向等因素的干扰，常常拍摄到的车牌号是倾斜的，而这就增加了无论是人为识别车牌号还是人工智能自动识别车牌号的难度，甚至也可能导致识别错误，因此在识别车牌号之前对车牌号的倾斜角度进行校正就显得十分重要。
技术实现要素：
基于此，有必要针对上述问题，提供解决车牌图像存在倾斜的车牌角度校正方法、装置、设备和介质。
一种车牌角度校正方法，所述方法包括：
获取车牌图像，将所述车牌图像输入深度学习模型以确定所述车牌图像的车牌类型，对所述车牌图像进行二值化处理，根据所述车牌类型确定所述车牌图像的目标二值化图像；
对所述目标二值化图像进行连通域提取，对提取的连通域进行聚类处理，得到所述目标二值化图像中的若干个目标字符连通域，根据所述目标字符连通域确定所述目标二值化图像的水平倾斜角度，根据所述水平倾斜角度对所述目标二值化图像进行旋转，得到所述车牌图像的水平校正图像；
将所述水平校正图像进行投影，生成在每个投影角度上的投影波形图，根据所述投影波形图确定所述水平校正图像的垂直倾斜角度，根据所述垂直倾斜角度对所述水平校正图像进行垂直方向校正，得到所述车牌图像的校正图像。
在其中一个实施例中，所述将所述车牌图像输入深度学习模型以确定所述车牌图像的车牌类型，包括：
调整所述车牌图像的大小至目标尺寸，将大小调整后的车牌图像输入深度学习模型，提取所述车牌图像的背景颜色、字体颜色及单双层类型；
根据所述背景颜色、所述字体颜色及所述单双层类型确定所述车牌图像的车牌类型。
在其中一个实施例中，所述对所述车牌图像进行二值化处理，根据所述车牌类型确定所述车牌图像的目标二值化图像，包括：
对所述车牌图像进行局部阈值二值化处理，得到所述车牌图像对应的第一二值化图像；
对所述车牌图像进行全局阈值二值化处理，得到所述车牌图像对应的第二二值化图像；
获取所述车牌类型对应的标准二值化图像，将所述第一二值化图像及所述第二二值化图像提取连通域后，与车牌标准模板进行位置匹配，得到所述第一二值化图像的第一匹配度及所述第二二值化图像的第二匹配度；其中，所述车牌标准模板为根据国家车牌标准构建的与所述车牌类型匹配的位置模板；
将所述第一匹配度与所述第二匹配度中匹配度较大的作为所述目标二值化图像。
在其中一个实施例中，所述对所述目标二值化图像进行连通域提取，对提取的连通域进行聚类处理，得到所述目标二值化图像中的若干个目标字符连通域，包括：
根据所述目标二值化图像中每一像素点的灰度值对所述目标二值化图像进行连通域提取，对提取的连通域进行聚类处理，得到若干个疑似字符连通域；
获取字符连通域标准，根据所述字符连通域标准对所述疑似字符连通域进行筛选，将所述疑似字符连通域中满足所述字符连通域标准的作为所述目标字符连通域；其中，所述字符连通域标准包括与所述车牌类型匹配的高度差标准、宽高比标准、中心点垂直方向差值标准。
在其中一个实施例中，所述根据所述目标字符连通域确定所述目标二值化图像的水平倾斜角度，包括：
获取每个所述目标字符连通域的中心位置，对每个所述目标字符连通域的中心位置进行线性拟合，得到所述目标字符连通域之间的中心连线；
将所述中心连线与水平线相交，得到互余的两个夹角，将所述夹角中夹角角度较小的作为所述水平倾斜角度。
在其中一个实施例中，所述将所述水平校正图像进行投影，生成在每个投影角度上的投影波形图，根据所述投影波形图确定所述水平校正图像的垂直倾斜角度，包括：
将所述水平校正图像中的每个像素点在至少一个投影角度上进行投影，生成在每个投影角度上的投影波形图；
获取在每个所述投影波形图内的波峰值及波谷值，根据所述波峰值及所述波谷值计算每个所述投影波形图的波峰波谷差值；
将所述投影波形图中波峰波谷差值最大的作为目标投影波形图，确定所述目标投影波形图对应的投影角度为垂直倾斜角度。
在其中一个实施例中，所述根据所述垂直倾斜角度对所述水平校正图像进行垂直方向校正，得到所述车牌图像的校正图像，包括：
获取单位行高，根据所述垂直倾斜角度及所述单位行高计算所述水平校正图像中每个字符在每一单位行的水平移动像素；
根据所述每一单位行的水平移动像素对所述水平校正图像中每个字符进行逐行水平移动，直至得到所述车牌图像的校正图像。
一种车牌角度校正装置，所述装置包括：
二值化图像获取模块，用于获取车牌图像，将所述车牌图像输入深度学习模型以确定所述车牌图像的车牌类型，对所述车牌图像进行二值化处理，根据所述车牌类型确定所述车牌图像的目标二值化图像；
水平校正模块，用于对所述目标二值化图像进行连通域提取，对提取的连通域进行聚类处理，得到所述目标二值化图像中的若干个目标字符连通域，根据所述目标字符连通域确定所述目标二值化图像的水平倾斜角度，根据所述水平倾斜角度对所述目标二值化图像进行旋转，得到所述车牌图像的水平校正图像；
垂直校正模块，用于将所述水平校正图像进行投影，生成在每个投影角度上的投影波形图，根据所述投影波形图确定所述水平校正图像的垂直倾斜角度，根据所述垂直倾斜角度对所述水平校正图像进行垂直方向校正，得到所述车牌图像的校正图像。
一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如下步骤：
获取车牌图像，将所述车牌图像输入深度学习模型以确定所述车牌图像的车牌类型，对所述车牌图像进行二值化处理，根据所述车牌类型确定所述车牌图像的目标二值化图像；
对所述目标二值化图像进行连通域提取，对提取的连通域进行聚类处理，得到所述目标二值化图像中的若干个目标字符连通域，根据所述目标字符连通域确定所述目标二值化图像的水平倾斜角度，根据所述水平倾斜角度对所述目标二值化图像进行旋转，得到所述车牌图像的水平校正图像；
将所述水平校正图像进行投影，生成在每个投影角度上的投影波形图，根据所述投影波形图确定所述水平校正图像的垂直倾斜角度，根据所述垂直倾斜角度对所述水平校正图像进行垂直方向校正，得到所述车牌图像的校正图像。
一种车牌角度校正设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如下步骤：
获取车牌图像，将所述车牌图像输入深度学习模型以确定所述车牌图像的车牌类型，对所述车牌图像进行二值化处理，根据所述车牌类型确定所述车牌图像的目标二值化图像；
对所述目标二值化图像进行连通域提取，对提取的连通域进行聚类处理，得到所述目标二值化图像中的若干个目标字符连通域，根据所述目标字符连通域确定所述目标二值化图像的水平倾斜角度，根据所述水平倾斜角度对所述目标二值化图像进行旋转，得到所述车牌图像的水平校正图像；
将所述水平校正图像进行投影，生成在每个投影角度上的投影波形图，根据所述投影波形图确定所述水平校正图像的垂直倾斜角度，根据所述垂直倾斜角度对所述水平校正图像进行垂直方向校正，得到所述车牌图像的校正图像。
本发明提供了车牌角度校正方法、装置、设备和介质，对车牌类型进行预先分类，基于车牌类型确定合适的车牌标准模板，简化了后续步骤及提高校正的准确性。然后确定目标二值化图像的水平倾斜角度，根据水平倾斜角度对目标二值化图像进行旋转，得到车牌图像的水平校正图像。再对水平校正图像进行投影，生成在每个投影角度上的投影波形图，根据投影波形图确定水平校正图像的垂直倾斜角度，根据垂直倾斜角度对水平校正图像进行垂直方向校正，得到车牌图像的校正图像。本发明能对车牌角度进行校正，可解决车牌角度较大导致的车牌识别错误问题。
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简单地介绍，显而易见地，下面描述中的附图仅仅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。
其中：
图1为一个实施例中车牌角度校正方法的流程示意图；
图2为一个实施例中两张车牌图像的示意图；
图3为一个实施例中目标字符连通域的外接矩形框的示意图；
图4为一个实施例中车牌图像的水平校正图像的示意图；
图5为一个实施例中投影波形图的示意图；
图6为一个实施例中确定bc单位行的水平移动像素的示意图；
图7为一个实施例中车牌图像的校正图像的示意图；
图8为一个实施例中车牌角度校正装置的结构示意图；
图9为一个实施例中车牌角度校正设备的结构框图。
具体实施方式
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，所描述的实施例仅仅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。
如图1所示，图1为一个实施例中车牌角度校正方法的流程示意图，本实施例中车牌角度校正方法提供的步骤包括：
步骤102，获取车牌图像，将车牌图像输入深度学习模型以确定车牌图像的车牌类型，对车牌图像进行二值化处理，根据车牌类型确定车牌图像的目标二值化图像。
根据《中华人民共和国机动车号牌》的规定，不同车牌类型的车牌在外廓尺寸、颜色等方面都有着各自统一的标准。而正确的确定拍摄的车牌图像的标准能简化后续二值化图像的选择步骤，且提高车牌字符分割及识别校正的准确性，相反则会增加后续不必要的运算步骤，对角度校正造成干扰，因此预先确定车牌类型就十分重要。二值化使图像中数据量大为减少，从而能凸显出图像中字符的轮廓，便于后续确定字符在垂直方向及水平方向的倾斜角度。
在一个具体实施例中，为获取车牌图像的车牌类型，将摄像头拍摄得到的bgr三通道彩色图像缩小至336*208大小，并输入训练好的cnn(convolutionalneuralnetworks，卷积神经网络)深度学习检测模型来提取车牌图像的主要特征，包括背景颜色、字体颜色及单双层类型等特征。因为车牌种类较多，基于《中华人民共和国机动车号牌》，我们按背景颜色、字体颜色及单双层类型(单，双层)将所有的车牌分为7大类，分别为：1、单层蓝牌，单层黑牌(白字)2、单层黄牌(黑字)3、单层白牌(黑字)4、单层绿牌(黑字)5、单层绿牌(白字)6、双层黄牌(黑字)7、双层白牌(黑字)。示例性的，参见图2，图2为两张车牌图像的示意图，其中a实际为单层蓝牌(白字)，b实际为单层白牌(黑字)，这两类车牌在字符间隔、字符宽度、字符高度、字符颜色等方面存在着差异，这对后续的计算会造成一定影响，因此进行区分。
由于车牌采集的场景或设备不同，采集的车牌图像会存在着清晰度的差异。而针对清楚车牌和模糊车牌需要采取不同的二值化方式，否则确定字符轮廓的效果就会不佳。二值化处理的方式包括局部阈值二值化处理及全局阈值二值化处理，在车牌图像出现反光或比较模糊时，采用前一种方法能完整的提取出字符轮廓，但采用后一种方法效果就会很差。而在车牌图像比较清楚的时候，采用后一种方法干扰很少，轮廓提取效果明显优于前一种方法。
在一个具体实施例中，为了提高算法鲁棒性，同时对车牌图像进行局部阈值二值化处理和全局阈值二值化处理，选取效果较好的二值化处理方法为最终结果。具体的，局部阈值二值化处理的方式为，对于车牌图像中的某一个目标像素点，根据周围范围内像素的灰度均值及经验阈值来确定该目标像素点的灰度值，即：
if(x>aver thr)
y＝1；
else
y＝0；
其中，x是灰度图像中的一个目标像素点，aver是目标像素点x周围15*7范围内像素的均值，thr是一个经验阈值，我们实际应用中根据图像的清晰度来浮动设置thr的取值。全局阈值二值化处理的方式为，按图像的灰度特性，将图像分成背景和前景两部分，因方差是灰度分布均匀性的一种度量，背景和前景之间的类间方差越大，说明构成图像的两部分的差别越大，调整全局阈值，使类间方差最大。经过上述处理，可得到局部阈值二值化处理后的第一二值化图像，及全局阈值二值化处理后的第二二值化图像。
然后，获取车牌类型对应的车牌标准模板，该车牌标准模板为根据《中华人民共和国机动车号牌》构建的与车牌类型匹配的字符位置模板，将第一二值化图像及第二二值化图像提取的字符连通域与车牌标准模板进行位置匹配，根据两者的位置重合度来评价匹配度，分别得到第一二值化图像的第一匹配度及第二二值化图像的第二匹配度，将第一匹配度与第二匹配度中匹配度较大的作为目标二值化图像。
步骤104，对目标二值化图像进行连通域提取，对提取的连通域进行聚类处理，得到目标二值化图像中的若干个目标字符连通域，根据目标字符连通域确定目标二值化图像的水平倾斜角度，根据水平倾斜角度对目标二值化图像进行旋转，得到车牌图像的水平校正图像。
具体的，根据目标二值化图像中每一像素点的灰度值对目标二值化图像进行连通域提取，对提取的连通域进行聚类处理，得到若干个疑似字符连通域，即将局部区域内灰度值为1且连通的像素点作为疑似字符连通域。同时考虑到干扰因素的存在，对这些疑似字符连通域进行筛选。获取字符连通域标准，该字符连通域标准包括车牌字符之间的高度差标准、宽高比标准、中心点垂直方向差值标准，根据字符连通域标准对疑似字符连通域进行筛选，即要求目标字符连通域字符需在高度差，宽高比，中心点垂直方向差值满足如下三个条件：
abs(h1–h2)＜thr1
thr2＜w/h＜thr3
abs(y1–y2)＜thr4
其中，h为连通域高度(h1，h2表示相邻的两个连通域的高度)，w为连通域宽度，y为连通域中心点的垂直高度(y1，y2表示相邻的两个连通域中心点的垂直高度)，thr1，thr2，thr3，thr4是总结的先验条件值。将疑似字符连通域中满足字符连通域标准的作为目标字符连通域。
参见图3，图3为目标字符连通域的外接矩形框的示意图，根据外接矩形框的位置确定每个目标字符连通域的中心位置，得到一组点，利用最小二乘法对这些点进行线性拟合，拟合出一条中心连线。其中，最小二乘法是解决曲线拟合问题最常用的方法，其基本思路是令直线f(x)满足如下条件：
其中，
步骤106，将水平校正图像进行投影，生成在每个投影角度上的投影波形图，根据投影波形图确定水平校正图像的垂直倾斜角度，根据垂直倾斜角度对水平校正图像进行垂直方向校正，得到车牌图像的校正图像。
具体的，将水平校正图像中的每个像素点在至少一个投影角度上进行投影，生成在每个投影角度上的投影波形图。示例性的，参见图4，将水平校正图像中的每个像素点按照箭头所示的角度进行投影，即根据箭头的角度对每一列的黑点、白点从上到下从新确定排列位置，并将黑点的位置排列在下、白点的位置排列在上，最终得到如图5所示的在该箭头的投影角度上的投影波形图。然后获取在每个投影波形图内的波峰值及波谷值，即统计图5中每一列的黑点个数，根据波峰值及波谷值计算在该投影波形图的波峰波谷差值。按各个角度对水平校正图像进行投影，并计算在每个投影波形图的波峰波谷差值。将投影波形图中波峰波谷差值最大的作为目标投影波形图，确定目标投影波形图对应的投影角度为垂直倾斜角度。
参见图6，图6为确定bc单位行的水平移动像素的示意图。在图6中，ab所在直线为垂直方向校准的基准线，其中a点为该基准线的起点，b点表示目标单位所在的垂直位置，ab的长度则表示目标单位的单位行高，而c位于目标单位行内，bc表示所代表的目标单位行。首先获取bc单位行的单位行高ab，再基于单位行高ab和水平移动像素在bc单位行存在垂直倾斜角度的正切关系，因此可求得在bc单位行的水平移动像素。同理基于其他单位行的单位行高可求得其他单位行的水平移动像素。再根据每一单位行的水平移动像素对水平校正图像中每个字符进行逐行水平移动，直至得到如图7所示的车牌图像的校正图像。
上述车牌角度校正方法，对车牌类型进行预先分类，基于车牌类型确定合适的车牌标准模板，简化了后续步骤及提高校正的准确性。然后确定目标二值化图像的水平倾斜角度，根据水平倾斜角度对目标二值化图像进行旋转，得到车牌图像的水平校正图像。再对水平校正图像进行投影，生成在每个投影角度上的投影波形图，根据投影波形图确定水平校正图像的垂直倾斜角度，根据垂直倾斜角度对水平校正图像进行垂直方向校正，得到车牌图像的校正图像。本发明能对车牌角度进行校正，可解决车牌角度较大导致的车牌识别错误问题。
在一个实施例中，如图8所示，提出了一种车牌角度校正装置，该装置包括：
二值化图像获取模块802，用于获取车牌图像，将车牌图像输入深度学习模型以确定车牌图像的车牌类型，对车牌图像进行二值化处理，根据车牌类型确定车牌图像的目标二值化图像；
水平校正模块804，用于对目标二值化图像进行连通域提取，对提取的连通域进行聚类处理，得到目标二值化图像中的若干个目标字符连通域，根据目标字符连通域确定目标二值化图像的水平倾斜角度，根据水平倾斜角度对目标二值化图像进行旋转，得到车牌图像的水平校正图像；
垂直校正模块806，用于将水平校正图像进行投影，生成在每个投影角度上的投影波形图，根据投影波形图确定水平校正图像的垂直倾斜角度，根据垂直倾斜角度对水平校正图像进行垂直方向校正，得到车牌图像的校正图像。
上述车牌角度校正装置，对车牌类型进行预先分类，基于车牌类型确定合适的车牌标准模板，简化了后续步骤及提高校正的准确性。然后确定目标二值化图像的水平倾斜角度，根据水平倾斜角度对目标二值化图像进行旋转，得到车牌图像的水平校正图像。再对水平校正图像进行投影，生成在每个投影角度上的投影波形图，根据投影波形图确定水平校正图像的垂直倾斜角度，根据垂直倾斜角度对水平校正图像进行垂直方向校正，得到车牌图像的校正图像。本发明能对车牌角度进行校正，可解决车牌角度较大导致的车牌识别错误问题。
在一个实施例中，二值化图像获取模块802，还具体用于：调整车牌图像的大小至目标尺寸，将大小调整后的车牌图像输入深度学习模型，提取车牌图像的背景颜色、字体颜色及单双层类型；根据背景颜色、字体颜色及单双层类型确定车牌图像的车牌类型。
在一个实施例中，二值化图像获取模块802，还具体用于：对车牌图像进行局部阈值二值化处理，得到车牌图像对应的第一二值化图像；对车牌图像进行全局阈值二值化处理，得到车牌图像对应的第二二值化图像；获取车牌类型对应的标准二值化图像，将第一二值化图像及第二二值化图像提取的字符连通域，与标准车牌模板进行位置匹配，选择位置重合度高的。
在一个实施例中，水平校正模块804，还具体用于：根据目标二值化图像中每一像素点的灰度值对目标二值化图像进行连通域提取，对提取的连通域进行聚类处理，得到若干个疑似字符连通域；获取字符连通域标准，根据字符连通域标准对疑似字符连通域进行筛选，将疑似字符连通域中满足字符连通域标准的作为目标字符连通域。
在一个实施例中，水平校正模块804，还具体用于：获取每个目标字符连通域的中心位置，对每个目标字符连通域的中心位置进行线性拟合，得到目标字符连通域之间的中心连线；将中心连线与水平线相交，得到互余的两个夹角，将夹角中夹角角度较小的作为水平倾斜角度。
在一个实施例中，垂直校正模块806，还具体用于：将水平校正图像中的每个像素点在至少一个投影角度上进行投影，生成在每个投影角度上的投影波形图；获取在每个投影波形图内的波峰值及波谷值，根据波峰值及波谷值计算每个投影波形图的波峰波谷差值；将投影波形图中波峰波谷差值最大的作为目标投影波形图，确定目标投影波形图对应的投影角度为垂直倾斜角度。
在一个实施例中，垂直校正模块806，还具体用于：获取单位行高，根据垂直倾斜角度及单位行高计算水平校正图像中每个字符在每一单位行的水平移动像素；根据每一单位行的水平移动像素对水平校正图像中每个字符进行逐行水平移动，直至得到车牌图像的校正图像。
图9示出了一个实施例中车牌角度校正设备的内部结构图。如图9所示，该车牌角度校正设备包括通过系统总线连接的处理器、存储器和网络接口。其中，存储器包括非易失性存储介质和内存储器。该车牌角度校正设备的非易失性存储介质存储有操作系统，还可存储有计算机程序，该计算机程序被处理器执行时，可使得处理器实现车牌角度校正方法。该内存储器中也可储存有计算机程序，该计算机程序被处理器执行时，可使得处理器执行车牌角度校正方法。本领域技术人员可以理解，图9中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的车牌角度校正设备的限定，具体的车牌角度校正设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
一种车牌角度校正设备，包括存储器、处理器以及存储在该存储器中并可在该处理器上执行的计算机程序，该处理器执行该计算机程序时实现如下步骤：获取车牌图像，将车牌图像输入深度学习模型以确定车牌图像的车牌类型，对车牌图像进行二值化处理，根据车牌类型确定车牌图像的目标二值化图像；对目标二值化图像进行连通域提取，对提取的连通域进行聚类处理，得到目标二值化图像中的若干个目标字符连通域，根据目标字符连通域确定目标二值化图像的水平倾斜角度，根据水平倾斜角度对目标二值化图像进行旋转，得到车牌图像的水平校正图像；将水平校正图像进行投影，生成在每个投影角度上的投影波形图，根据投影波形图确定水平校正图像的垂直倾斜角度，根据垂直倾斜角度对水平校正图像进行垂直方向校正，得到车牌图像的校正图像。
在一个实施例中，将车牌图像输入深度学习模型以确定车牌图像的车牌类型，包括：调整车牌图像的大小至目标尺寸，将大小调整后的车牌图像输入深度学习模型，提取车牌图像的背景颜色、字体颜色及单双层类型；根据背景颜色、字体颜色及单双层类型确定车牌图像的车牌类型。
在一个实施例中，对车牌图像进行二值化处理，根据车牌类型确定车牌图像的目标二值化图像，包括：对车牌图像进行局部阈值二值化处理，得到车牌图像对应的第一二值化图像；对车牌图像进行全局阈值二值化处理，得到车牌图像对应的第二二值化图像；获取车牌类型对应的车牌标准模板，将第一二值化图像及第二二值化图像提取的字符连通域后，与车牌标准模板进行位置匹配，得到第一二值化图像的第一匹配度及第二二值化图像的第二匹配度；将第一匹配度与第二匹配度中匹配度较大的作为目标二值化图像。
在一个实施例中，对目标二值化图像进行连通域提取，对提取的连通域进行聚类处理，得到目标二值化图像中的若干个目标字符连通域，包括：根据目标二值化图像中每一像素点的灰度值对目标二值化图像进行聚类处理，得到若干个疑似字符连通域；获取字符连通域标准，根据字符连通域标准对疑似字符连通域进行筛选，将疑似字符连通域中满足字符连通域标准的作为目标字符连通域。
在一个实施例中，根据目标字符连通域确定目标二值化图像的水平倾斜角度，包括：获取每个目标字符连通域的中心位置，对每个目标字符连通域的中心位置进行线性拟合，得到目标字符连通域之间的中心连线；将中心连线与水平线相交，得到互余的两个夹角，将夹角中夹角角度较小的作为水平倾斜角度。
在一个实施例中，将水平校正图像进行投影，生成在每个投影角度上的投影波形图，根据投影波形图确定水平校正图像的垂直倾斜角度，包括：将水平校正图像中的每个像素点在至少一个投影角度上进行投影，生成在每个投影角度上的投影波形图；获取在每个投影波形图内的波峰值及波谷值，根据波峰值及波谷值计算每个投影波形图的波峰波谷差值；将投影波形图中波峰波谷差值最大的作为目标投影波形图，确定目标投影波形图对应的投影角度为垂直倾斜角度。
在一个实施例中，根据垂直倾斜角度对水平校正图像进行垂直方向校正，得到车牌图像的校正图像，包括：获取单位行高，根据垂直倾斜角度及单位行高计算水平校正图像中每个字符在每一单位行的水平移动像素；根据每一单位行的水平移动像素对水平校正图像中每个字符进行逐行水平移动，直至得到车牌图像的校正图像。
一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现如下步骤：获取车牌图像，将车牌图像输入深度学习模型以确定车牌图像的车牌类型，对车牌图像进行二值化处理，根据车牌类型确定车牌图像的目标二值化图像；对目标二值化图像进行连通域提取，对提取的连通域进行聚类处理，得到目标二值化图像中的若干个目标字符连通域，根据目标字符连通域确定目标二值化图像的水平倾斜角度，根据水平倾斜角度对目标二值化图像进行旋转，得到车牌图像的水平校正图像；将水平校正图像进行投影，生成在每个投影角度上的投影波形图，根据投影波形图确定水平校正图像的垂直倾斜角度，根据垂直倾斜角度对水平校正图像进行垂直方向校正，得到车牌图像的校正图像。
在一个实施例中，将车牌图像输入深度学习模型以确定车牌图像的车牌类型，包括：调整车牌图像的大小至目标尺寸，将大小调整后的车牌图像输入深度学习模型，提取车牌图像的背景颜色、字体颜色及单双层类型；根据背景颜色、字体颜色及单双层类型确定车牌图像的车牌类型。
在一个实施例中，对车牌图像进行二值化处理，根据车牌类型确定车牌图像的目标二值化图像，包括：对车牌图像进行局部阈值二值化处理，得到车牌图像对应的第一二值化图像；对车牌图像进行全局阈值二值化处理，得到车牌图像对应的第二二值化图像；获取车牌类型对应的标准二值化图像，将第一二值化图像及第二二值化图像提取字符连通域后，与车牌标准模板进行位置匹配，得到第一二值化图像的第一匹配度及第二二值化图像的第二匹配度；将第一匹配度与第二匹配度中匹配度较大的作为目标二值化图像。
在一个实施例中，对目标二值化图像进行连通域提取，对提取的连通域进行聚类处理，得到目标二值化图像中的若干个目标字符连通域，包括：根据目标二值化图像中每一像素点的灰度值对目标二值化图像进行连通域提取，对提取的连通域进行聚类处理，得到若干个疑似字符连通域；获取字符连通域标准，根据字符连通域标准对疑似字符连通域进行筛选，将疑似字符连通域中满足字符连通域标准的作为目标字符连通域。
在一个实施例中，根据目标字符连通域确定目标二值化图像的水平倾斜角度，包括：获取每个目标字符连通域的中心位置，对每个目标字符连通域的中心位置进行线性拟合，得到目标字符连通域之间的中心连线；将中心连线与水平线相交，得到互余的两个夹角，将夹角中夹角角度较小的作为水平倾斜角度。
在一个实施例中，将水平校正图像进行投影，生成在每个投影角度上的投影波形图，根据投影波形图确定水平校正图像的垂直倾斜角度，包括：将水平校正图像中的每个像素点在至少一个投影角度上进行投影，生成在每个投影角度上的投影波形图；获取在每个投影波形图内的波峰值及波谷值，根据波峰值及波谷值计算每个投影波形图的波峰波谷差值；将投影波形图中波峰波谷差值最大的作为目标投影波形图，确定目标投影波形图对应的投影角度为垂直倾斜角度。
在一个实施例中，根据垂直倾斜角度对水平校正图像进行垂直方向校正，得到车牌图像的校正图像，包括：获取单位行高，根据垂直倾斜角度及单位行高计算水平校正图像中每个字符在每一单位行的水平移动像素；根据每一单位行的水平移动像素对水平校正图像中每个字符进行逐行水平移动，直至得到车牌图像的校正图像。
需要说明的是，上述车牌角度校正方法、装置、设备及计算机可读存储介质属于一个总的发明构思，车牌角度校正方法、装置、设备及计算机可读存储介质实施例中的内容可相互适用。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，该程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
1.一种车牌角度校正方法，其特征在于，所述方法包括：
获取车牌图像，将所述车牌图像输入深度学习模型以确定所述车牌图像的车牌类型，对所述车牌图像进行二值化处理，根据所述车牌类型确定所述车牌图像的目标二值化图像；
对所述目标二值化图像进行连通域提取，对提取的连通域进行聚类处理，得到所述目标二值化图像中的若干个目标字符连通域，根据所述目标字符连通域确定所述目标二值化图像的水平倾斜角度，根据所述水平倾斜角度对所述目标二值化图像进行旋转，得到所述车牌图像的水平校正图像；
将所述水平校正图像进行投影，生成在每个投影角度上的投影波形图，根据所述投影波形图确定所述水平校正图像的垂直倾斜角度，根据所述垂直倾斜角度对所述水平校正图像进行垂直方向校正，得到所述车牌图像的校正图像。
2.根据权利要求1所述的方法，其特征在于，所述将所述车牌图像输入深度学习模型以确定所述车牌图像的车牌类型，包括：
调整所述车牌图像的大小至目标尺寸，将大小调整后的车牌图像输入深度学习模型，提取所述车牌图像的背景颜色、字体颜色及单双层类型；
根据所述背景颜色、所述字体颜色及所述单双层类型确定所述车牌图像的车牌类型。
3.根据权利要求1所述的方法，其特征在于，所述对所述车牌图像进行二值化处理，根据所述车牌类型确定所述车牌图像的目标二值化图像，包括：
对所述车牌图像进行局部阈值二值化处理，得到所述车牌图像对应的第一二值化图像；
对所述车牌图像进行全局阈值二值化处理，得到所述车牌图像对应的第二二值化图像；
获取所述车牌类型对应的标准二值化图像，将所述第一二值化图像及所述第二二值化图像提取字符连通域后，与车牌标准模板进行位置匹配，得到所述第一二值化图像的第一匹配度及所述第二二值化图像的第二匹配度；其中，所述车牌标准模板为根据国家车牌标准构建的与所述车牌类型匹配的位置模板；
将所述第一匹配度与所述第二匹配度中匹配度较大的作为所述目标二值化图像。
4.根据权利要求1所述的方法，其特征在于，所述对所述目标二值化图像进行连通域提取，对提取的连通域进行聚类处理，得到所述目标二值化图像中的若干个目标字符连通域，包括：
根据所述目标二值化图像中每一像素点的灰度值对所述目标二值化图像进行连通域提取，对提取的连通域进行聚类处理，得到若干个疑似字符连通域；
获取字符连通域标准，根据所述字符连通域标准对所述疑似字符连通域进行筛选，将所述疑似字符连通域中满足所述字符连通域标准的作为所述目标字符连通域；其中，所述字符连通域标准包括与所述车牌类型匹配的高度差标准、宽高比标准、中心点垂直方向差值标准。
5.根据权利要求1所述的方法，其特征在于，所述根据所述目标字符连通域确定所述目标二值化图像的水平倾斜角度，包括：
获取每个所述目标字符连通域的中心位置，对每个所述目标字符连通域的中心位置进行线性拟合，得到所述目标字符连通域之间的中心连线；
将所述中心连线与水平线相交，得到互余的两个夹角，将所述夹角中夹角角度较小的作为所述水平倾斜角度。
6.根据权利要求1所述的方法，其特征在于，所述将所述水平校正图像进行投影，生成在每个投影角度上的投影波形图，根据所述投影波形图确定所述水平校正图像的垂直倾斜角度，包括：
将所述水平校正图像中的每个像素点在至少一个投影角度上进行投影，生成在每个投影角度上的投影波形图；
获取在每个所述投影波形图内的波峰值及波谷值，根据所述波峰值及所述波谷值计算每个所述投影波形图的波峰波谷差值；
将所述投影波形图中波峰波谷差值最大的作为目标投影波形图，确定所述目标投影波形图对应的投影角度为垂直倾斜角度。
7.根据权利要求6所述的方法，其特征在于，所述根据所述垂直倾斜角度对所述水平校正图像进行垂直方向校正，得到所述车牌图像的校正图像，包括：
获取单位行高，根据所述垂直倾斜角度及所述单位行高计算所述水平校正图像中每个字符在每一单位行的水平移动像素；
根据所述每一单位行的水平移动像素对所述水平校正图像中每个字符进行逐行水平移动，直至得到所述车牌图像的校正图像。
8.一种车牌角度校正装置，其特征在于，所述装置包括：
二值化图像获取模块，用于获取车牌图像，将所述车牌图像输入深度学习模型以确定所述车牌图像的车牌类型，对所述车牌图像进行二值化处理，根据所述车牌类型确定所述车牌图像的目标二值化图像；
水平校正模块，用于对所述目标二值化图像进行连通域提取，对提取的连通域进行聚类处理，得到所述目标二值化图像中的若干个目标字符连通域，根据所述目标字符连通域确定所述目标二值化图像的水平倾斜角度，根据所述水平倾斜角度对所述目标二值化图像进行旋转，得到所述车牌图像的水平校正图像；
垂直校正模块，用于将所述水平校正图像进行投影，生成在每个投影角度上的投影波形图，根据所述投影波形图确定所述水平校正图像的垂直倾斜角度，根据所述垂直倾斜角度对所述水平校正图像进行垂直方向校正，得到所述车牌图像的校正图像。
9.一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如权利要求1至7中任一项所述方法的步骤。
10.一种车牌角度校正设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如权利要求1至7中任一项所述方法的步骤。
技术总结