本发明涉及的深度学习的目标检测技术领域，特别是涉及一种弧形车辆识别号码检测方法、装置、计算机设备和介质。
背景技术：
随着社会经济的不断发展和人民生活水平的持续提高，城市机动车保有量迅猛增长。机动车车辆年检的工作量也随之迅速增大。车辆年检中已有的车辆识别号码识别方法主要针对长条车辆识别号码，但是弧形车辆识别号码在车辆中也大量存在。因此，如何准确、快速地识别弧形车辆识别号码，是亟需解决的技术问题。
技术实现要素：
鉴于以上所述现有技术的缺点，本申请的目的在于提供一种弧形车辆识别号码检测方法、装置、计算机设备和介质，以解决现有技术中的问题。
为实现上述目的及其他相关目的，本申请提供一种弧形车辆识别号码检测方法，所述方法包括：获取待检测的车辆识别号码图像；基于车辆识别号码检测模型定位所述车辆识别号码图像中车辆识别号码的区域；将该区域内检测到的所述车辆识别号码拟合二次曲线，以判断所述车辆识别号码的形状；若所述车辆识别号码的形状为弧形，则根据拟合的二次曲线将弧形车辆识别号码矫正为长条车辆识别号码，然后依据预设字符分割模型进行识别并提取所述车辆识别号码以供核对。
于本申请的一实施例中，所述基于车辆识别号码检测模型定位所述车辆识别号码图像中车辆识别号码的区域，包括：将所述车辆识别号码图像输入所述车辆识别号码检测模型，以得到n个一维数组；其中，每个数组对应一个检测到的区域，各所述数组由若干元素组成，每个元素代表车辆识别号码区域轮廓上的一个点；所述n为大于或者等于1的自然数；根据所述点的个数对n个所述数组从大到小进行排序；如果数组中所述点的个数小于预设阈值，则删除该小于所述预设阈值所对应的数组。
于本申请的一实施例中，所述车辆识别号码检测模型的获取方法包括：获取不同角度、不同光照条件、不同拍摄角度、不同图像质量的所述车辆识别号码图像；采用多边形框标记所述车辆识别号码区域在所述车辆识别号码图像中的位置；使用标记好的所述车辆识别号码图像训练目标检测深度学习模型，以获得车辆识别号码检测模型。
于本申请的一实施例中，所述将该区域内检测到的所述车辆识别号码拟合二次曲线，以判断所述车辆识别号码的形状，包括：去除检测到的所述车辆识别号码中的噪声点，取上下边对应点的中点进行二次曲线拟合；整理得到满足最小均方误差的法方程组；根据得到的二次曲线与预设阈值比较；若小于或者等于所述预设阈值，则判定所述车辆识别号码为长条形；若大于所述预设阈值，则判定所述车辆识别号码为弧形。
于本申请的一实施例中，所述若所述车辆识别号码的形状为弧形，则根据拟合的二次曲线将弧形车辆识别号码矫正为长条车辆识别号码，包括：计算弧形车辆识别号码的区域上下边中点与二次曲线顶点的距离；保持该距离不变，将弧形车辆识别号码的区域映射到一直线上，并相应将弧形车辆识别号码区域内所有点分别进行映射；使用双线性插值法对弧形车辆识别号码进行重映射，并对重映射后图像上的各像素点赋值，以使所述弧形车辆识别号码矫正为长条车辆识别号。
于本申请的一实施例中，所述字符分割模型的获取方法包括：获取不同角度、不同光照条件、不同拍摄角度、不同图像质量的所述车辆识别号码图像；采用字符描边的方法标记车辆识别号码中每个字符的位置；使用标记好的所述车辆识别号码图像训练基于深度学习的分割模型，以得到所述字符分割模型。
于本申请的一实施例中，所述依据预设字符分割模型进行识别并提取所述车辆识别号码以供核对，包括：将为长条车辆识别号码或矫正为长条车辆识别号码的所述车辆识别号码图像输入字符分割模型，以得到标签图；所述标签图和所述车辆识别号码图像大小相同，根据像素值的大小将所述标签图中每个像素分为不同类别的字符，以进行提取。
为实现上述目的及其他相关目的，本申请提供一种电子装置，所述装置包括：获取模块，用于获取待检测的车辆识别号码图像；处理模块，用于基于车辆识别号码检测模型定位所述车辆识别号码图像中车辆识别号码的区域；将该区域内检测到的所述车辆识别号码拟合二次曲线，以判断所述车辆识别号码的形状；若所述车辆识别号码的形状为弧形，则根据拟合的二次曲线将弧形车辆识别号码矫正为长条车辆识别号码，然后依据预设字符分割模型进行识别并提取所述车辆识别号码以供核对。
为实现上述目的及其他相关目的，本申请提供一种计算机设备，所述设备包括：存储器、及处理器；所述存储器用于存储计算机指令；所述处理器运行计算机指令实现如上所述的方法。
为实现上述目的及其他相关目的，本申请提供一种计算机可读存储介质，存储有计算机指令，所述计算机指令被运行时执行如上所述的方法。
综上所述，本申请的一种弧形车辆识别号码检测方法、装置、计算机设备和介质，通过获取待检测的车辆识别号码图像；基于车辆识别号码检测模型定位所述车辆识别号码图像中车辆识别号码的区域；将该区域内检测到的所述车辆识别号码拟合二次曲线，以判断所述车辆识别号码的形状；若所述车辆识别号码的形状为弧形，则根据拟合的二次曲线将弧形车辆识别号码矫正为长条车辆识别号码，然后依据预设字符分割模型进行识别并提取所述车辆识别号码以供核对。
具有以下有益效果：
能够提升车辆识别号码的检测速度，并且极大降低了人力成本，显著提升识别的准确率。
附图说明
图1显示为本申请于一实施例中的弧形车辆识别号码检测方法的流程示意图。
图2显示为本申请于一实施例中的电子装置的模块示意图。
图3显示为本申请于一实施例中的计算机设备的结构示意图。
具体实施方式
以下通过特定的具体实例说明本申请的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本申请的其他优点与功效。本申请还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本申请的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
下面以附图为参考，针对本申请的实施例进行详细说明，以便本申请所属技术领域的技术人员能够容易地实施。本申请可以以多种不同形态体现，并不限定于此处说明的实施例。
为了明确说明本申请，省略与说明无关的部件，对于通篇说明书中相同或类似的构成要素，赋予了相同的参照符号。
在通篇说明书中，当说某部件与另一部件“连接”时，这不仅包括“直接连接”的情形，也包括在其中间把其它元件置于其间而“间接连接”的情形。另外，当说某种部件“包括”某种构成要素时，只要没有特别相反的记载，则并非将其它构成要素排除在外，而是意味着可以还包括其它构成要素。
当说某部件在另一部件“之上”时，这可以是直接在另一部件之上，但也可以在其之间伴随着其它部件。当对照地说某部件“直接”在另一部件“之上”时，其之间不伴随其它部件。
虽然在一些实例中术语第一、第二等在本文中用来描述各种元件，但是这些元件不应当被这些术语限制。这些术语仅用来将一个元件与另一个元件进行区分。例如，第一接口及第二接口等描述。再者，如同在本文中所使用的，单数形式“一”、“一个”和“该”旨在也包括复数形式，除非上下文中有相反的指示。应当进一步理解，术语“包含”、“包括”表明存在所述的特征、步骤、操作、元件、组件、项目、种类、和/或组，但不排除一个或多个其他特征、步骤、操作、元件、组件、项目、种类、和/或组的存在、出现或添加。此处使用的术语“或”和“和/或”被解释为包括性的，或意味着任一个或任何组合。因此，“a、b或c”或者“a、b和/或c”意味着“以下任一个：a；b；c；a和b；a和c；b和c；a、b和c”。仅当元件、功能、步骤或操作的组合在某些方式下内在地互相排斥时，才会出现该定义的例外。
此处使用的专业术语只用于言及特定实施例，并非意在限定本申请。此处使用的单数形态，只要语句未明确表示出与之相反的意义，那么还包括复数形态。在说明书中使用的“包括”的意义是把特定特性、区域、整数、步骤、作业、要素及/或成份具体化，并非排除其它特性、区域、整数、步骤、作业、要素及/或成份的存在或附加。
表示“下”、“上”等相对空间的术语可以为了更容易地说明在附图中图示的一部件相对于另一部件的关系而使用。这种术语是指，不仅是在附图中所指的意义，还包括使用中的装置的其它意义或作业。例如，如果翻转附图中的装置，曾说明为在其它部件“下”的某部件则说明为在其它部件“上”。因此，所谓“下”的示例性术语，全部包括上与下方。装置可以旋转90°或其它角度，代表相对空间的术语也据此来解释。
本申请的目的在于，提出一种用于车辆年检的弧形车辆识别号码检测方法，通过自动审核车辆的弧形车辆识别号码与标准车辆识别号码是否一致，以满足如今对车辆年检工作效率、准确率的需求，从而提升了速度并且极大降低了人力成本。其中，标准车辆识别号码可以是车辆出厂时备案登记的车辆识别号码。
如图1所示，展示为本申请一实施例中的弧形车辆识别号码检测方法的流程示意图。如图所示，所述方法包括：
步骤s101：获取待检测的车辆识别号码图像。
于本实施例中，所述车辆识别号码图像为人工或机器进行拍摄的对应车辆识别号码的图像。即依据现有的车辆识别号码图像或正常获取的车辆识别号码图像以进行后续检测的过程。
步骤s102：基于车辆识别号码检测模型定位所述车辆识别号码图像中车辆识别号码的区域。
于本申请一实施例中，所述车辆识别号码检测模型的获取方法包括：
训练数据准备：获取不同角度、不同光照条件、不同拍摄角度、不同图像质量的所述车辆识别号码图像；
数据标注：采用多边形框标记所述车辆识别号码区域在所述车辆识别号码图像中的位置；
于本实施例中，所述多边形框标记的区域内需包含完整的车辆识别号码，然后可利用vatticlippingalgorithm来缩小原来的多边形，并得到7个相似的多边形框。
模型训练：使用标记好的所述车辆识别号码图像训练目标检测深度学习模型，以获得车辆识别号码检测模型。
举例来说，目标检测深度学习模型可以采用psenet卷积神经网络来进行训练。所述psenet卷积神经网络是一种新的渐进尺度扩展网络，它是一种基于分割的检测器，对每个文本实例都有多个预测。这些预测对应于通过将原始文本实例缩小到不同的尺度而产生的不同的“内核”。因此，最终的检测可以通过渐进尺度扩展算法进行，该算法将最小尺度的核逐步扩展到最大和完全形状的文本实例。它有两方面的优势。首先，psenet作为一种基于分割的方法，能够对任意形状的文本进行定位；其次，该模型提出了一种渐进的尺度扩展算法，该算法可以成功地识别相邻文本实例。
于上述实施例中，为快速判断所述车辆识别号码，排除其他非车辆识别号码的干扰，本申请中通过数组个数与预设阈值的比较来判断所述数组是否为车辆识别号码
具体来说，包括：
a、将所述车辆识别号码图像输入所述车辆识别号码检测模型，以得到n个一维数组；其中，每个数组对应一个检测到的区域，各所述数组由若干元素组成，每个元素代表车辆识别号码区域轮廓上的一个点；
b、根据所述点的个数对n个所述数组从大到小进行排序；
c、如果数组中所述点的个数小于预设阈值，则删该小于所述预设阈值所对应的该数组。
举例来说，将车辆识别号码图像输入检测模型进行检测。首先得到n个一维数组[p1,p2,p3,…,pn]，数组由若干元素组成，每个元素代表目标区域轮廓上的一个点。每个数组对应一个检测到的区域，根据点的个数对n个数组从大到小排序。如果数组中点的个数小于预设阈值，则删除该数组。
于本实施例中，所述车辆识别号码检测模型除了识别所述车辆识别号码图像中车辆识别号码的区域，还可以预先判断所述车辆识别号码是否存在。例如，若存在，则进入下一步；若不存在，则直接退出。
步骤s103：将该区域内检测到的所述车辆识别号码拟合二次曲线，以判断所述车辆识别号码的形状。
其中，通过所述车辆识别号码拟合二次曲线判断所述车辆识别号码的形状的方法具体包括：
a、去除检测到的所述车辆识别号码中的噪声点，
b、取上下边对应点的中点进行二次曲线拟合；
c、整理得到满足最小均方误差的法方程组；
d、根据得到的二次曲线与预设阈值比较；若小于或者等于所述预设阈值，则判定所述车辆识别号码为长条形；若大于所述预设阈值，则判定所述车辆识别号码为弧形。
于一或多个实施例中，曲线直线化是曲线拟合的重要手段之一。对于某些非线性的资料可以通过简单的变量变换使之直线化，这样就可以按最小二乘法原理求出变换后变量的直线方程，在实际工作中常利用此直线方程绘制资料的标准工作曲线，同时根据需要可将此直线方程还原为曲线方程，实现对资料的曲线拟合。
步骤s104：若所述车辆识别号码的形状为弧形，则根据拟合的二次曲线将弧形车辆识别号码矫正为长条车辆识别号码，然后依据预设字符分割模型进行识别并提取所述车辆识别号码以供核对。
于本申请一实施例中，所述方法还包括：若所述车辆识别号码的形状为长条形，则直接采用所述字符分割模型进行识别并提取所述车辆识别号码以供核对。即针对所述车辆识别号码可能出现的长条形或弧形均对应有识别并提取的方法，其中弧形矫正为长条形进行处理。
于本申请中，弧形矫正的方法包括：
a、计算弧形车辆识别号码的区域上下边中点与二次曲线顶点的距离；
b、保持该距离不变，将弧形车辆识别号码的区域映射到一直线上，并相应将弧形车辆识别号码区域内所有点都分别进行映射；
c、使用双线性插值法对弧形车辆识别号码进行重映射，并对重映射后图像上的各像素点赋值，以使所述弧形车辆识别号码矫正为长条车辆识别号码。
于本实施例中，根据步骤s103拟合的二次曲线函数，计算图像矫正前后坐标点之间的对应关系。对于矫正前的图像，首先，计算该图像弧形车辆识别号码区域上下边中点与二次曲线顶点的距离；然后，保持该距离不变，将弧形车辆识别号码区域映射到一直线上，如p(x)＝a0；最后，将弧形车辆识别号码区域所有点都按照同样的方式进行映射。
例如，根据每个数组包含的所有点，求得外接最小面积矩形框，通过仿射变换将矩形框转正，使用双线性插值法对弧形车辆识别号码进行重映射，并对矫正后图像上的各像素点赋值；通过矫正，得到长条形的车辆识别号码。
于本申请一实施例中，所述车辆识别号码检测模型的获取方法包括：
训练数据准备：获取不同角度、不同光照条件、不同拍摄角度、不同图像质量的所述车辆识别号码图像；
数据标注：采用字符描边的方法标记车辆识别号码中每个字符的位置；
模型训练：使用标记好的所述车辆识别号码图像训练基于深度学习的分割模型，以得到所述字符分割模型。
举例来说，目标检测深度学习模型可以采用segnet卷积神经网络来进行训练。segnet与fcn类似，也移除了全连接层，不同的是，采用了编码器-解码器结构，在上采样和下采样中使用了不同的方法。segnet的编码器部分使用的是vgg16的前13层卷积网络，每个编码器层都对应一个解码器层，最终解码器的输出被送入soft-max分类器以独立的为每个像素产生类概率。每个编码器由数个蓝色层(卷积层，批归一化层，relu层)以及一个pooling层(2x2窗口，步进2，最大池化)组成，输出相当于系数为2的下采样。最大池化过程中会损失一些信息，因此这里储存了max-poolingindices，保存最大池化过程中的位置信息，用于在上采样的时候进行恢复。
于本实施例中，车辆识别号码中的字符共可以包含34种，包括“0～9”、“a～n”、“p”和“r～z”。分别用1～34表示不同类别的字符，0表示背景。
于本申请一实施例中，所述依据预设字符分割模型进行识别并提取所述车辆识别号码以供核对，包括：
a、将为长条车辆识别号码或矫正为长条车辆识别号码的所述车辆识别号码图像输入字符分割模型，以得到标签图；
b、所述标签图和所述车辆识别号码图像大小相同，根据像素值的大小将所述标签图中每个像素分为不同类别的字符，以进行提取。
举例来说，将车辆识别号码图像(长条和矫正为长条的车辆识别号码)输入字符分割模型，得到一张标签图，标签图和车辆识别号码图像大小相同，且根据像素值的大小将标签图中每个像素分为不同类别。车辆识别号码中的字符共有34种，包括“0～9”、“a～n”、“p”和“r～z”。分别用1～34表示不同类别的字符，0表示背景。
于本实施例中，在识别并提取车辆识别号码中的字符后，可以与所述车辆所登记或备案的车辆识别号码进行比对，以确定长条形或弧形的车辆识别号码是否合格。
综上所述，本申请所述的弧形车辆识别号码检测方法，主要应用于车辆年检中弧形车辆识别号码的检测和识别，提升了速度并且极大降低了人力成本。
在实际场景中，长条形车辆识别号码的数量远大于弧形车辆识别号码的数量，因此，基于深度学习的分割模型对弧形车辆识别号码的分割效果不好。本申请技术方案中，首先判断车辆识别号码是否是弧形，如果是弧形，将其矫正为长条形状，然后按照长条车辆识别号码进行识别。识别准确率有明显提升。
如图2所示，展示为本申请于一实施例中的电子装置的模块示意图。如图所示，所述装置200包括：
获取模块201，用于获取待检测的车辆识别号码图像；
处理模块202，用于基于车辆识别号码检测模型定位所述车辆识别号码图像中车辆识别号码的区域；将该区域内检测到的所述车辆识别号码拟合二次曲线，以判断所述车辆识别号码的形状；若所述车辆识别号码的形状为弧形，则根据拟合的二次曲线将弧形车辆识别号码矫正为长条车辆识别号码，然后依据预设字符分割模型进行识别并提取所述车辆识别号码以供核对。
需要说明的是，上述装置各模块/单元之间的信息交互、执行过程等内容，由于与本申请所述方法实施例基于同一构思，其带来的技术效果与本申请方法实施例相同，具体内容可参见本申请前述所示的方法实施例中的叙述，此处不再赘述。
还需要说明的是，应理解以上装置的各个模块的划分仅仅是一种逻辑功能的划分，实际实现时可以全部或部分集成到一个物理实体上，也可以物理上分开。且这些单元可以全部以软件通过处理元件调用的形式实现；也可以全部以硬件的形式实现；还可以部分模块通过处理元件调用软件的形式实现，部分模块通过硬件的形式实现。例如，处理模块202可以为单独设立的处理元件，也可以集成在上述装置的某一个芯片中实现，此外，也可以以程序代码的形式存储于上述装置的存储器中，由上述装置的某一个处理元件调用并执行以上处理模块202的功能。其它模块的实现与之类似。此外这些模块全部或部分可以集成在一起，也可以独立实现。这里所述的处理元件可以是一种集成电路，具有信号的处理能力。在实现过程中，上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。
例如，以上这些模块可以是被配置成实施以上方法的一个或多个集成电路，例如：一个或多个特定集成电路(applicationspecificintegratedcircuit，简称asic)，或，一个或多个微处理器(digitalsignalprocessor，简称dsp)，或，一个或者多个现场可编程门阵列(fieldprogrammablegatearray，简称fpga)等。再如，当以上某个模块通过处理元件调度程序代码的形式实现时，该处理元件可以是通用处理器，例如中央处理器(centralprocessingunit，简称cpu)或其它可以调用程序代码的处理器。再如，这些模块可以集成在一起，以片上系统(system-on-a-chip，简称soc)的形式实现。
如图3所示，展示为本申请于一实施例中的计算机设备的结构示意图。如图所示，所述计算机设备300包括：存储器301、及处理器302；所述存储器301用于存储计算机指令；所述处理器302运行计算机指令实现如图1所述的方法。
在一些实施例中，所述计算机设备300中的所述存储器301的数量均可以是一或多个，所述处理器302的数量均可以是一或多个，而图3中均以一个为例。
于本申请一实施例中，所述计算机设备300中的处理器302会按照如图1所述的步骤，将一个或多个以应用程序的进程对应的指令加载到存储器301中，并由处理器302来运行存储在存储器302中的应用程序，从而实现如图1所述的方法。
所述存储器301可以包括随机存取存储器(randomaccessmemory，简称ram)，也可以包括非易失性存储器(non-volatilememory)，例如至少一个磁盘存储器。所述存储器301存储有操作系统和操作指令、可执行模块或者数据结构，或者它们的子集，或者它们的扩展集，其中，操作指令可包括各种操作指令，用于实现各种操作。操作系统可包括各种系统程序，用于实现各种基础业务以及处理基于硬件的任务。
所述处理器302可以是通用处理器，包括中央处理器(centralprocessingunit，简称cpu)、网络处理器(networkprocessor，简称np)等；还可以是数字信号处理器(digitalsignalprocessing，简称dsp)、专用集成电路(applicationspecificintegratedcircuit，简称asic)、现场可编程门阵列(field－programmablegatearray，简称fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在一些具体的应用中，所述计算机设备300的各个组件通过总线系统耦合在一起，其中总线系统除包括数据总线之外，还可以包括电源总线、控制总线和状态信号总线等。但是为了清除说明起见，在图3中将各种总线都成为总线系统。
于本申请的一实施例中，本申请提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如图1所述的方法。
所述计算机可读存储介质，本领域普通技术人员可以理解：实现上述系统及各单元功能的实施例可以通过计算机程序相关的硬件来完成。前述的计算机程序可以存储于一计算机可读存储介质中。该程序在执行时，执行包括上述系统及各单元功能的实施例；而前述的存储介质包括：rom、ram、磁碟或者光盘等各种可以存储程序代码的介质。
综上所述，本申请提供的一种弧形车辆识别号码检测方法、装置、计算机设备和介质，通过获取待检测的车辆识别号码图像；基于车辆识别号码检测模型定位所述车辆识别号码图像中车辆识别号码的区域；将该区域内检测到的所述车辆识别号码拟合二次曲线，以判断所述车辆识别号码的形状；若所述车辆识别号码的形状为弧形，则根据拟合的二次曲线将弧形车辆识别号码矫正为长条车辆识别号码，然后依据预设字符分割模型进行识别并提取所述车辆识别号码以供核对。
本申请有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本申请的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本申请的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中包含通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本申请的权利要求所涵盖。
1.一种弧形车辆识别号码检测方法，其特征在于，所述方法包括：
获取待检测的车辆识别号码图像；
基于车辆识别号码检测模型定位所述车辆识别号码图像中车辆识别号码的区域；
将该区域内检测到的所述车辆识别号码拟合二次曲线，以判断所述车辆识别号码的形状；
若所述车辆识别号码的形状为弧形，则根据拟合的二次曲线将弧形车辆识别号码矫正为长条车辆识别号码，然后依据预设字符分割模型进行识别并提取所述车辆识别号码以供核对。
2.根据权利要求1所述的方法，其特征在于，所述基于车辆识别号码检测模型定位所述车辆识别号码图像中车辆识别号码的区域，包括：
将所述车辆识别号码图像输入所述车辆识别号码检测模型，以得到n个一维数组；其中，每个数组对应一个检测到的区域，各所述数组由若干元素组成，每个元素代表车辆识别号码区域轮廓上的一个点；所述n为大于或者等于1的自然数；
根据所述点的个数对n个所述数组从大到小进行排序；
如果数组中所述点的个数小于预设阈值，则删除该小于所述预设阈值所对应的数组。
3.根据权利要求1所述的方法，其特征在于，所述车辆识别号码检测模型的获取方法包括：
获取不同角度、不同光照条件、不同拍摄角度、不同图像质量的所述车辆识别号码图像；
采用多边形框标记所述车辆识别号码区域在所述车辆识别号码图像中的位置；
使用标记好的所述车辆识别号码图像训练目标检测深度学习模型，以获得车辆识别号码检测模型。
4.根据权利要求1所述的方法，其特征在于，所述将该区域内检测到的所述车辆识别号码拟合二次曲线，以判断所述车辆识别号码的形状，包括：
去除检测到的所述车辆识别号码中的噪声点，
取上下边对应点的中点进行二次曲线拟合；
整理得到满足最小均方误差的法方程组；
根据得到的二次曲线与预设阈值比较；若小于或者等于所述预设阈值，则判定所述车辆识别号码为长条形；若大于所述预设阈值，则判定所述车辆识别号码为弧形。
5.根据权利要求1所述的方法，其特征在于，所述若所述车辆识别号码的形状为弧形，则根据拟合的二次曲线将弧形车辆识别号码矫正为长条车辆识别号码，包括：
计算弧形车辆识别号码的区域上下边中点与二次曲线顶点的距离；
保持该距离不变，将弧形车辆识别号码的区域映射到一直线上，并相应将弧形车辆识别号码区域内所有点分别进行映射；
使用双线性插值法对弧形车辆识别号码进行重映射，并对重映射后图像上的各像素点赋值，以使所述弧形车辆识别号码矫正为长条车辆识别号码。
6.根据权利要求1所述的方法，其特征在于，所述字符分割模型的获取方法包括：
获取不同角度、不同光照条件、不同拍摄角度、不同图像质量的所述车辆识别号码图像；
采用字符描边的方法标记车辆识别号码中每个字符的位置；
使用标记好的所述车辆识别号码图像训练基于深度学习的分割模型，以得到所述字符分割模型。
7.根据权利要求1所述的方法，其特征在于，所述依据预设字符分割模型进行识别并提取所述车辆识别号码以供核对，包括：
将为长条车辆识别号码或矫正为长条车辆识别号码的所述车辆识别号码图像输入字符分割模型，以得到标签图；
所述标签图和所述车辆识别号码图像大小相同，根据像素值的大小将所述标签图中每个像素分为不同类别的字符，以进行提取。
8.一种电子装置，其特征在于，所述装置包括：
获取模块，用于获取待检测的车辆识别号码图像；
处理模块，用于基于车辆识别号码检测模型定位所述车辆识别号码图像中车辆识别号码的区域；将该区域内检测到的所述车辆识别号码拟合二次曲线，以判断所述车辆识别号码的形状；若所述车辆识别号码的形状为弧形，则根据拟合的二次曲线将弧形车辆识别号码矫正为长条车辆识别号码，然后依据预设字符分割模型进行识别并提取所述车辆识别号码以供核对。
9.一种计算机设备，其特征在于，所述设备包括：存储器、及处理器；所述存储器用于存储计算机指令；所述处理器运行计算机指令实现如权利要求1至7中任意一项所述的方法。
10.一种计算机可读存储介质，其特征在于，存储有计算机指令，所述计算机指令被运行时执行如权利要求1至7中任一项所述的方法。
技术总结