一种图像校正方法、系统、计算机设备及存储介质与流程

1.本技术属于车牌识别领域，尤其涉及一种图像校正方法、系统、计算机设备及存储介质。


背景技术：

2.路边停车中，通常采用摄像头针对停车位上的车辆进行实时监控，而获取停车位图像，进而实现停车收费。由于实时监控的摄像头耗电量大，因此需要采用市电作为供电电源。在路边采用市电供电的摄像头方式不但耗电量大而且破坏现有路面结构。因此耗电量小且不会对现有路面结构造成影响的太阳能供电摄像头是大势所趋。太阳能供电相对市电供电的供电量不足，因此采用太阳能供电的摄像头只能采用定时抓拍模式。
3.定时抓拍相对实时监控在单位时间内获取的停车位图像张数大幅度减少，因此由于摄像头晃动，导致识别结果不准确的情况，定时抓拍相对实时监控影响大(停车位图像足够多的情况下，识别结果影响很小)，其中影响包括但不限于停车位图像中停车位与实际不符以及车辆在不同图像中位置不同。
4.由于无法像人一样通过停车位图像直接判断摄像头是否晃动过，因此为了消除晃动对停车位图像的影响，需要对停车位图像进行处理，使得无论是否晃动，处理后的停车位图像都不影响识别结果：未晃动，经过处理之后无影响；有晃动，经过处理之后仍不影响识别结果。


技术实现要素：

5.本技术实施例提供了一种图像校正方法、系统、计算机设备及存储介质，以解决晃动对停车位图像识别的影响。
6.为实现上述目的，本技术采用的一种技术方案是：
7.一种图像校正方法，其特征在于：
8.它包括：
9.获取同一摄像头按照预设时间间隔拍摄的前后两张待处理图像；
10.将所述前后两张待处理图像输入预设神经网络模型，得到对应的单应性矩阵；
11.其中，所述预设神经网络模型的训练方法，包括：
12.步骤21、获取同一摄像头按照预设时间间隔拍摄的前后两张待处理图像；
13.步骤22、将所述前后两张待处理图像输入所述预设神经网络模型，得到第一单应性矩阵；
14.步骤23、采用所述前后两张待处理图像中的任意一张待处理图像，结合所述第一单应性矩阵，得到对应单应性变换后的图像；
15.步骤24、计算所述单应性变换后的图像和所述前后两张待处理图像中未经过单应性变换图像的误差；
16.步骤25、确定所述误差是否在预设阈值范围内；
17.步骤26、若是，则确定所述第一单应性矩阵为所述预设神经网络模型的单应性矩阵，完成所述预设神经网络模型训练。
18.根据所述单应性矩阵和所述前一张待处理图像代入单应性方程，得到校正后的图像，从而有效解决因摄像头晃动带来的识别结果受影响。
19.所述所述预设神经网络模型的训练方法，还包括：
20.步骤27、若所述误差不在预设阈值范围内，则重复所述步骤21-26，直到所述误差在所述预设阈值范围内，完成预设神经网络模型训练。
21.一种图像校正系统，其特征在于：
22.它包括：
23.获取单元，用于获取同一摄像头按照预设时间间隔拍摄的前后两张待处理图像；
24.输入单元，用于将前后两张待处理图像输入预设神经网络模型，得到对应的单应性矩阵；
25.校正单元，用于根据单应性矩阵和前一张待处理图像代入单应性方程，得到校正后的图像，从而有效解决因摄像头晃动带来的识别结果受影响。
26.所述输入单元，包括：
27.获取模块，用于获取同一摄像头按照预设时间间隔拍摄的前后两张待处理图像；
28.输入模块，用于将前后两张待处理图像输入预设神经网络模型，得到第一单应性矩阵；
29.结合模块，用于采用前后两张待处理图像中的任意一张待处理图像，结合第一单应性矩阵，得到对应单应性变换后的图像；
30.计算模块，用于计算单应性变换后的图像和前后两张待处理图像中未经过单应性变换图像的误差；
31.确定模块，用于确定误差是否在预设阈值范围内；
32.处理模块，用于若误差在预设阈值范围内，则确定第一单应性矩阵为预设神经网络模型的单应性矩阵，完成预设神经网络模型训练；
33.所述处理模块，还用于若误差不在预设阈值范围内，则重复所述获取模块到所述确定模块，直到误差在预设阈值范围内，完成预设神经网络模型训练。
34.一种计算机设备，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所述的图像校正方法，它包括：
35.获取同一摄像头按照预设时间间隔拍摄的前后两张待处理图像；
36.将所述前后两张待处理图像输入预设神经网络模型，得到对应的单应性矩阵；
37.其中，所述预设神经网络模型的训练方法，包括：
38.步骤21、获取同一摄像头按照预设时间间隔拍摄的前后两张待处理图像；
39.步骤22、将所述前后两张待处理图像输入所述预设神经网络模型，得到第一单应性矩阵；
40.步骤23、采用所述前后两张待处理图像中的任意一张待处理图像，结合所述第一单应性矩阵，得到对应单应性变换后的图像；
41.步骤24、计算所述单应性变换后的图像和所述前后两张待处理图像中未经过单应性变换图像的误差；
42.步骤25、确定所述误差是否在预设阈值范围内；
43.步骤26、若是，则确定所述第一单应性矩阵为所述预设神经网络模型的单应性矩阵，完成所述预设神经网络模型训练。
44.根据所述单应性矩阵和所述前一张待处理图像代入单应性方程，得到校正后的图像，从而有效解决因摄像头晃动带来的识别结果受影响。
45.一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所述的图像校正方法，它包括：
46.获取同一摄像头按照预设时间间隔拍摄的前后两张待处理图像；
47.将所述前后两张待处理图像输入预设神经网络模型，得到对应的单应性矩阵；
48.其中，所述预设神经网络模型的训练方法，包括：
49.步骤21、获取同一摄像头按照预设时间间隔拍摄的前后两张待处理图像；
50.步骤22、将所述前后两张待处理图像输入所述预设神经网络模型，得到第一单应性矩阵；
51.步骤23、采用所述前后两张待处理图像中的任意一张待处理图像，结合所述第一单应性矩阵，得到对应单应性变换后的图像；
52.步骤24、计算所述单应性变换后的图像和所述前后两张待处理图像中未经过单应性变换图像的误差；
53.步骤25、确定所述误差是否在预设阈值范围内；
54.步骤26、若是，则确定所述第一单应性矩阵为所述预设神经网络模型的单应性矩阵，完成所述预设神经网络模型训练。
55.根据所述单应性矩阵和所述前一张待处理图像代入单应性方程，得到校正后的图像，从而有效解决因摄像头晃动带来的识别结果受影响。
56.本技术实施例提供的一种图像校正方法的有益效果在于：本技术相对于采用人工标记待处理图像中的元素，并针对元素算出对应的第一单应性矩阵，再与同样图像通过预设神经网络的训练得到对应的第二单应性矩阵相比较的方式，节省大量人力的同时能够得到准确的预设神经网络模型。通过预设神经网络模型得到的单应性矩阵，将无论是否晃动的图像经过校正，有效解决由于摄像头晃动而带来的识别结果不准确问题。
附图说明
57.为了更清楚地说明本技术实施例中的技术方案，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技术的一些实施例，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。
58.图1是本技术一实施例提供的一种图像校正方法的示意图；
59.图2是本技术一实施例提供的预设神经网络模型训练方法的示意图；
60.图3是本技术一实施例提供的一种图像校正系统的示意图；
61.图4是本技术一实施例提供的输入单元的示意图；
62.图5是本技术一实施例中计算机设备的内部结构图。
具体实施方式
63.以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本技术实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本技术。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本技术的描述。
64.应当理解，当在本技术说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
65.还应当理解，在本技术说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
66.如在本技术说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
[0067]
另外，在本技术说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
[0068]
在本技术说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本技术的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
[0069]
如图1所示，本技术一实施例提供的一种图像校正方法100，它包括：
[0070]
步骤1、获取同一摄像头按照预设时间间隔拍摄的前后两张待处理图像；
[0071]
其中，两张待处理图像出自同一摄像头，待处理图像包括但不限于停车位和其周围场景等多种元素。
[0072]
设置在路内的摄像头数量较多，每一摄像头至少对应一个停车位，从每一摄像头按照预设时间间隔任意获取前后两张待处理图像，由于是任意选取，因此形成若干组前后两张待处理图像。
[0073]
预设时间间隔通常为5min，也可以根据需要设定，在此不做限定。
[0074]
步骤2、将前后两张待处理图像输入预设神经网络模型，得到对应的单应性矩阵；
[0075]
其中，本技术实施例的预设神经网络模型采用stn(spatial transformer networks，注意力机制网络)，本技术针对标准stn做了改进，标准stn需要采用一张标准图像，另一张为变形图像，输入为单张图像，输出为相对标准状态的单应性矩阵。
[0076]
由于本技术实施例获取的图像为摄像头按照预设角度针对停车位获取的图像，并非物体的标准状态，也并非标准图像，因此标准stn并不适用于本技术。本技术实施例采用改进后的stn，输入为前后两张待处理图像，二者形成上下两层待处理图像，即将输入由原来的单张三通道rgb图像，变成两张六通道rgb图像，此种变换为本领域技术人员的公知手段，故不再详述。输出为对应的单应性矩阵，通过此单应性矩阵能够实现两个待处理图像之
间的对齐，即校正相同图像，相同元素对应。
[0077]
如图2所示，本技术一实施例提供的预设神经网络模型的训练方法，包括：
[0078]
步骤21、获取同一摄像头按照预设时间间隔拍摄的前后两张待处理图像；
[0079]
其中，两张待处理图像出自同一摄像头，待处理图像包括但不限于停车位和其周围场景等。
[0080]
设置在路内的摄像头数量较多，每一摄像头至少对应一个停车位，从每一摄像头按照预设时间间隔任意获取前后两张待处理图像，由于是任意选取，因此形成若干组前后两张待处理图像。
[0081]
预设时间间隔通常为5min，也可以根据需要设定，在此不做限定。
[0082]
举例说明，例如：获取同一摄像头按照预设时间间隔拍摄的前后两张待处理图像，例如前一张待处理图像为a，后一张待处理图像为b，或者相反，前一张待处理图像为b，后一张待处理图像为a均可。
[0083]
步骤22、将前后两张待处理图像输入预设神经网络模型，得到第一单应性矩阵；
[0084]
其中，举例说明，例如：将前后两张待处理图像a和b输入预设神经网络模型，得到第一单应性矩阵h1；
[0085]
本技术实施例的预设神经网络模型采用stn(spatial transformer networks，注意力机制网络)，本技术针对标准stn做了改进，标准stn需要采用一张标准图像，另一张为变形图像，输入为单张图像，输出为相对标准状态的单应性矩阵。
[0086]
由于本技术实施例获取的图像为摄像头按照预设角度针对停车位获取的图像，并非物体的标准状态，也并非标准图像，因此标准stn并不适用于本技术。本技术实施例采用改进后的stn，输入为前后两张待处理图像，二者形成上下两层待处理图像，即将输入由原来的单张三通道rgb图像，变成两张六通道rgb图像，此种变换为本领域技术人员的公知手段，故不再详述。输出为对应的单应性矩阵，通过此单应性矩阵能够实现两个待处理图像之间的对齐，即校正相同图像，相同元素对应。
[0087]
在采用stn网络模型作为预设神经网络模型时，构建stn网络模型时，将参数进行改变即可，每一使用stn的都根据自身需要更改参数，此为本领域技术人员常用的技术手段，不需要详述。
[0088]
步骤23、采用前后两张待处理图像中的任意一张待处理图像，结合第一单应性矩阵，得到对应单应性变换后的图像；
[0089]
其中，任意选取待处理图像中一张待处理图像a，待处理图像中可以选择前面的待处理图像，也可以选择后边的待处理图像，只要顺序一致即可，即既可以采用从前往后顺序对比，也可以采用从后往前顺序对比，可以根据需要选定，在此不做限定。
[0090]
例如，采用前后两张待处理图像中的任意一张待处理图像，选取前一张待处理图像a，结合第一单应性矩阵h1，得到对应单应性变换后的图像a1；
[0091]
步骤24、计算单应性变换后的图像和前后两张待处理图像中未经过单应性变换图像的误差；
[0092]
其中，例如：计算单应性变换后的图像a1和前后两张待处理图像中未经过单应性变换的图像b的误差。
[0093]
计算两张图像误差的方法可以采用包括但不限于mse(mean-square error，均方
误差)、mae(mean absolute error，绝对误差的平均值)等，可以根据需要选用，在此不做限定。
[0094]
步骤25、确定误差是否在预设阈值范围内；
[0095]
其中，预设阈值范围根据需要设定，例如0.1％或0.01％，可以根据需要选定，在此不做限定。
[0096]
步骤26、若是，则确定第一单应性矩阵为预设神经网络模型的单应性矩阵，完成预设神经网络模型训练。
[0097]
其中，例如：确定第一单应性矩阵h1为预设神经网络模型的单应性矩阵h，从而完成预设神经网络模型的训练。
[0098]
步骤27(图中未示出)、若误差不在预设阈值范围内，则重复步骤21-26，直到误差在预设阈值范围内，完成预设神经网络模型训练。
[0099]
此种训练预设神经网络模型方法，相对于采用人工标记待处理图像中的元素，并针对元素算出对应的第一单应性矩阵，再与同样图像通过预设神经网络的训练得到对应的第二单应性矩阵相比较的方式，节省大量人力的同时能够得到准确的预设神经网络模型。
[0100]
步骤3、根据单应性矩阵和前一张待处理图像代入单应性方程，得到校正后的图像，从而有效解决因摄像头晃动带来的识别结果受影响。
[0101]
其中，若后一张待处理图像没有经过晃动，则前一张待处理图像经过单应性方程变换后，得到的是后一张待处理图像；
[0102]
若后一张待处理图像经过晃动，则前一张待处理图像经过单应性方程变换后，得到校正过的后一张图像，校正后的图像有效解决由于摄像头晃动而带来的识别结果不准确问题。
[0103]
综上可知，本技术的一实施例提供的一种图像校正方法，相对于采用人工标记待处理图像中的元素，并针对元素算出对应的第一单应性矩阵，再与同样图像通过预设神经网络的训练得到对应的第二单应性矩阵相比较的方式，节省大量人力的同时能够得到准确的预设神经网络模型。通过预设神经网络模型得到的单应性矩阵，将无论是否晃动的图像经过校正，有效解决由于摄像头晃动而带来的识别结果不准确问题。
[0104]
如图3所示，本技术一实施例提供的一种图像校正系统200，它包括：
[0105]
获取单元21，用于获取同一摄像头按照预设时间间隔拍摄的前后两张待处理图像；
[0106]
其中，两张待处理图像出自同一摄像头，待处理图像包括但不限于停车位和其周围场景等多种元素。
[0107]
设置在路内的摄像头数量较多，每一摄像头至少对应一个停车位，从每一摄像头按照预设时间间隔任意获取前后两张待处理图像，由于是任意选取，因此形成若干组前后两张待处理图像。
[0108]
预设时间间隔通常为5min，也可以根据需要设定，在此不做限定。
[0109]
输入单元22，用于将前后两张待处理图像输入预设神经网络模型，得到对应的单应性矩阵；
[0110]
其中，本技术实施例的预设神经网络模型采用stn(spatial transformer networks，注意力机制网络)，本技术针对标准stn做了改进，标准stn需要采用一张标准图
像，另一张为变形图像，输入为单张图像，输出为相对标准状态的单应性矩阵。
[0111]
由于本技术实施例获取的图像为摄像头按照预设角度针对停车位获取的图像，并非物体的标准状态，也并非标准图像，因此标准stn并不适用于本技术。本技术实施例采用改进后的stn，输入为前后两张待处理图像，二者形成上下两层待处理图像，即将输入由原来的单张三通道rgb图像，变成两张六通道rgb图像，此种变换为本领域技术人员的公知手段，故不再详述。输出为对应的单应性矩阵，通过此单应性矩阵能够实现两个待处理图像之间的对齐，即校正相同图像，相同元素对应。
[0112]
其中，如图4所示，输入单元22，还包括
[0113]
获取模块221，用于获取同一摄像头按照预设时间间隔拍摄的前后两张待处理图像；
[0114]
其中，两张待处理图像出自同一摄像头，待处理图像包括但不限于停车位和其周围场景等。
[0115]
设置在路内的摄像头数量较多，每一摄像头至少对应一个停车位，从每一摄像头按照预设时间间隔任意获取前后两张待处理图像，由于是任意选取，因此形成若干组前后两张待处理图像。
[0116]
预设时间间隔通常为5min，也可以根据需要设定，在此不做限定。
[0117]
举例说明，例如：获取同一摄像头按照预设时间间隔拍摄的前后两张待处理图像，例如前一张待处理图像为a，后一张待处理图像为b，或者相反，前一张待处理图像为b，后一张待处理图像为a均可。
[0118]
输入模块222，用于将前后两张待处理图像输入预设神经网络模型，得到第一单应性矩阵；
[0119]
其中，举例说明，例如：将前后两张待处理图像a和b输入预设神经网络模型，得到第一单应性矩阵h1；
[0120]
本技术实施例的预设神经网络模型采用stn(spatial transformer networks，注意力机制网络)，本技术针对标准stn做了改进，标准stn需要采用一张标准图像，另一张为变形图像，输入为单张图像，输出为相对标准状态的单应性矩阵。
[0121]
由于本技术实施例获取的图像为摄像头按照预设角度针对停车位获取的图像，并非物体的标准状态，也并非标准图像，因此标准stn并不适用于本技术。本技术实施例采用改进后的stn，输入为前后两张待处理图像，二者形成上下两层待处理图像，即将输入由原来的单张三通道rgb图像，变成两张六通道rgb图像，此种变换为本领域技术人员的公知手段，故不再详述。输出为对应的单应性矩阵，通过此单应性矩阵能够实现两个待处理图像之间的对齐，即校正相同图像，相同元素对应。
[0122]
在采用stn网络模型作为预设神经网络模型时，构建stn网络模型时，将参数进行改变即可，每一使用stn的都根据自身需要更改参数，此为本领域技术人员常用的技术手段，不需要详述。
[0123]
结合模块223，用于采用前后两张待处理图像中的任意一张待处理图像，结合第一单应性矩阵，得到对应单应性变换后的图像；
[0124]
其中，任意选取待处理图像中一张待处理图像a，待处理图像中可以选择前面的待处理图像，也可以选择后边的待处理图像，只要顺序一致即可，即既可以采用从前往后顺序
对比，也可以采用从后往前顺序对比，可以根据需要选定，在此不做限定。
[0125]
例如，采用前后两张待处理图像中的任意一张待处理图像，选取前一张待处理图像a，结合第一单应性矩阵h1，得到对应单应性变换后的图像a1；
[0126]
计算模块224，用于计算单应性变换后的图像和前后两张待处理图像中未经过单应性变换图像的误差；
[0127]
其中，例如：计算单应性变换后的图像a1和前后两张待处理图像中未经过单应性变换的图像b的误差。
[0128]
计算两张图像误差的方法可以采用包括但不限于mse(mean-square error，均方误差)、mae(mean absolute error，绝对误差的平均值)等，可以根据需要选用，在此不做限定。
[0129]
确定模块225，用于确定误差是否在预设阈值范围内；
[0130]
其中，预设阈值范围根据需要设定，例如0.1％或0.01％，可以根据需要选定，在此不做限定。
[0131]
处理模块226，用于若误差在预设阈值范围内，则确定第一单应性矩阵为预设神经网络模型的单应性矩阵，完成预设神经网络模型训练。
[0132]
其中，例如：确定第一单应性矩阵h1为预设神经网络模型的单应性矩阵h，从而完成预设神经网络模型的训练。
[0133]
处理模块226，还用于若误差不在预设阈值范围内，则重复获取模块221到确定模块225，直到误差在预设阈值范围内，完成预设神经网络模型训练。
[0134]
校正单元23，用于根据单应性矩阵和前一张待处理图像代入单应性方程，得到校正后的图像，从而有效解决因摄像头晃动带来的识别结果受影响。
[0135]
其中，若后一张待处理图像没有经过晃动，则前一张待处理图像经过单应性方程变换后，得到的是后一张待处理图像；
[0136]
若后一张待处理图像经过晃动，则前一张待处理图像经过单应性方程变换后，得到校正过的后一张图像，校正后的图像有效解决由于摄像头晃动而带来的识别结果不准确问题。
[0137]
综上可知，本技术的一实施例提供的一种图像校正系统，相对于采用人工标记待处理图像中的元素，并针对元素算出对应的第一单应性矩阵，再与同样图像通过预设神经网络的训练得到对应的第二单应性矩阵相比较的方式，节省大量人力的同时能够得到准确的预设神经网络模型。通过预设神经网络模型得到的单应性矩阵，将无论是否晃动的图像经过校正，有效解决由于摄像头晃动而带来的识别结果不准确问题。
[0138]
需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本技术方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
[0139]
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以2个或2个以上单元集成在一个单元中，上述集成的单元既
可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本技术的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再详述。
[0140]
本技术还提供了一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，计算机程序被处理器执行时，使得处理器执行如任一实施例中车辆动态确认方法的步骤。
[0141]
图5示出了一个实施例中计算机设备的内部结构图。如图5所示，该计算机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。该计算机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辆动态确认方法。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辆动态确认方法。本领域技术人员可以理解，图5中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机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。
[0142]
集成的单元如果以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，本技术实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质至少可以包括：能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、电载波信号、电信信号以及软件分发介质。例如u盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。
[0143]
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
[0144]
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本技术的范围。
[0145]
在本技术所提供的实施例中，应该理解到，所揭露的装置/网络设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/网络设备实施例仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
[0146]
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，作为单元上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单元来实现本实施例方案的目的。
[0147]
以上实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述实施例对本技术进行了详细的说明，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技术各实施例技术方案的精神和范围，均包含在本技术的保护范围之内。

技术特征：
1.一种图像校正方法，其特征在于：它包括：获取同一摄像头按照预设时间间隔拍摄的前后两张待处理图像；将所述前后两张待处理图像输入预设神经网络模型，得到对应的单应性矩阵；其中，所述预设神经网络模型的训练方法，包括：步骤21、获取同一摄像头按照预设时间间隔拍摄的前后两张待处理图像；步骤22、将所述前后两张待处理图像输入所述预设神经网络模型，得到第一单应性矩阵；步骤23、采用所述前后两张待处理图像中的任意一张待处理图像，结合所述第一单应性矩阵，得到对应单应性变换后的图像；步骤24、计算所述单应性变换后的图像和所述前后两张待处理图像中未经过单应性变换图像的误差；步骤25、确定所述误差是否在预设阈值范围内；步骤26、若是，则确定所述第一单应性矩阵为所述预设神经网络模型的单应性矩阵，完成所述预设神经网络模型训练。根据所述单应性矩阵和所述前一张待处理图像代入单应性方程，得到校正后的图像，从而有效解决因摄像头晃动带来的识别结果受影响。2.根据权利要求1所述的一种图像校正方法，其特征在于：所述所述预设神经网络模型的训练方法，还包括：步骤27、若所述误差不在预设阈值范围内，则重复所述步骤21-26，直到所述误差在所述预设阈值范围内，完成预设神经网络模型训练。3.一种图像校正系统，其特征在于：它包括：获取单元，用于获取同一摄像头按照预设时间间隔拍摄的前后两张待处理图像；输入单元，用于将前后两张待处理图像输入预设神经网络模型，得到对应的单应性矩阵；校正单元，用于根据单应性矩阵和前一张待处理图像代入单应性方程，得到校正后的图像，从而有效解决因摄像头晃动带来的识别结果受影响。4.根据权利要求3所述的一种图像校正系统，其特征在于：所述输入单元，包括：获取模块，用于获取同一摄像头按照预设时间间隔拍摄的前后两张待处理图像；输入模块，用于将前后两张待处理图像输入预设神经网络模型，得到第一单应性矩阵；结合模块，用于采用前后两张待处理图像中的任意一张待处理图像，结合第一单应性矩阵，得到对应单应性变换后的图像；计算模块，用于计算单应性变换后的图像和前后两张待处理图像中未经过单应性变换图像的误差；确定模块，用于确定误差是否在预设阈值范围内；处理模块，用于若误差在预设阈值范围内，则确定第一单应性矩阵为预设神经网络模型的单应性矩阵，完成预设神经网络模型训练；
所述处理模块，还用于若误差不在预设阈值范围内，则重复所述获取模块到所述确定模块，直到误差在预设阈值范围内，完成预设神经网络模型训练。5.一种计算机设备，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2中任一项所述的图像校正方法。6.一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2中任一项所述的图像校正方法。

技术总结
本申请涉及一种图像校正方法、系统、计算机设备及存储介质，相对于采用人工标记待处理图像中的元素，并针对元素算出对应的第一单应性矩阵，再与同样图像通过预设神经网络的训练得到对应的第二单应性矩阵相比较的方式，节省大量人力的同时能够得到准确的预设神经网络模型。通过预设神经网络模型得到的单应性矩阵，将无论是否晃动的图像经过校正，有效解决由于摄像头晃动而带来的识别结果不准确问题。由于摄像头晃动而带来的识别结果不准确问题。


技术研发人员：冯彦刚
受保护的技术使用者：北京筑梦园科技有限公司
技术研发日：2023.06.27
技术公布日：2023/9/22