CN109345460B - 用于矫正图像的方法和装置 - Google Patents

Abstract

本申请实施例公开了用于矫正图像的方法和装置。该方法的一具体实施方式包括：在预设角度范围内确定至少一个采样角度；对于至少一个采样角度中的每个采样角度，将目标图像旋转该采样角度，得到与该采样角度对应的旋转后图像；对于所得到的至少一个旋转后图像中的每个旋转后图像，将该旋转后图像输入预先训练的非旋转图像检测模型，得到与该旋转后图像对应的非旋转图像分值，其中，非旋转图像检测模型用于表征图像与非旋转图像分值之间的对应关系；将至少一个旋转后图像中对应的非旋转图像分值最高的旋转后图像确定为与目标图像对应的矫正后图像。该实施方式不需拍摄图像的相机设置陀螺仪，可以在更细粒度上确定图像的旋转角度。

Description

用于矫正图像的方法和装置

技术领域

本申请实施例涉及计算机技术领域，具体涉用于矫正图像的方法和装置。

背景技术

目前，有大量场合需要对图像进行旋转角度的矫正，使得矫正后图像中的人、物处于正常、正向、正立角度。例如，在图像识别过程中，通常会提前采用训练样本图像建立图像识别模型，而训练样本图像中的人、物等通常都是正常、正向、正立角度拍摄的，相机相对于人、物的正常姿态没有旋转。而在图像识别的过程中，经常存在待识别的图像在拍摄过程中，因为拍摄时相机存在旋转角度，而使得待识别图像中的人、物也存在旋转角度，进而导致降低图像识别准确率。

目前，通常的解决方案是通过在相机中设置陀螺仪，陀螺仪会获取相机拍摄过程时候陀螺仪的方位信息，并将方位信息存储在拍摄得到的图像文件头中。然而，相机中设置陀螺仪会增加设备成本，并且陀螺仪获取的拍摄角度通常只有4个固定角度，不能对除了这4个角度之外的角度进行细致描述。

发明内容

本申请实施例提出了用于矫正图像的方法和装置。

第一方面，本申请实施例提供了一种用于矫正图像的方法，该方法包括：基于采用束搜索算法执行比值确定操作在预设角度范围内确定的目标搜索深度和目标束宽度，确定至少一个采样角度，其中，比值确定操作包括：确定测试样本集中对应的测试结果为测试通过的测试样本的数目与测试样本集中测试样本数目的比值是否大于预设测试通过比例阈值；响应于确定大于，将初始搜索深度和初始束宽度确定为目标搜索深度和目标束宽度；对于至少一个采样角度中的每个采样角度，将目标图像旋转该采样角度，得到与该采样角度对应的旋转后图像；对于所得到的至少一个旋转后图像中的每个旋转后图像，将该旋转后图像输入预先训练的非旋转图像检测模型，得到与该旋转后图像对应的非旋转图像分值，其中，非旋转图像检测模型用于表征图像与非旋转图像分值之间的对应关系；将至少一个旋转后图像中对应的非旋转图像分值最高的旋转后图像确定为与目标图像对应的矫正后图像。

在一些实施例中，非旋转图像检测模型是通过如下训练步骤得到的：确定初始非旋转目标检测模型的模型结构和模型参数；获取训练样本集，其中，每个训练样本包括训练样本图像和与该训练样本图像对应的至少一个参照物标注结果，训练样本图像包括至少一个非旋转参照物图像，参照物标注结果包括参照物标识和参照物位置信息；将训练样本集中的训练样本中的训练样本图像和对应的参照物标注结果分别作为初始非旋转目标检测模型的输入和期望输出，利用机器学习方法训练初始非旋转目标检测模型；将训练得到的初始非旋转目标检测模型确定为预先训练的非旋转图像检测模型。

在一些实施例中，对于所得到的至少一个旋转后图像中的每个旋转后图像，将该旋转后图像输入预先训练的非旋转图像检测模型，得到与该旋转后图像对应的非旋转图像分值，包括：对于所得到的至少一个旋转后图像中的每个旋转后图像，将该旋转后图像输入预先训练的非旋转图像检测模型，得到与该旋转后图像对应的至少一个参照物检测结果，参照物检测结果包括参照物标识、检测到参照物标识所指示的参照物的置信度和参照物位置信息，根据所得到的各个参照物检测结果中的置信度确定与该旋转后图像对应的非旋转图像分值。

在一些实施例中，根据所得到的各个参照物检测结果中的置信度确定与该旋转后图像对应的非旋转图像分值，包括：将所得到的各个参照物检测结果中的置信度中的最大值确定为与该旋转后图像对应的非旋转图像分值。

在一些实施例中，根据所得到的各个参照物检测结果中的置信度确定与该旋转后图像对应的非旋转图像分值，包括：将所得到的各个参照物检测结果中的置信度的平均值确定为与该旋转后图像对应的非旋转图像分值。

在一些实施例中，根据所得到的各个参照物检测结果中的置信度确定与该旋转后图像对应的非旋转图像分值，包括：将所得到的各个参照物检测结果中的置信度的和确定为与该旋转后图像对应的非旋转图像分值。

在一些实施例中，该方法还包括：将矫正后图像输入预先训练的图像识别模型，得到与目标图像对应的图像识别结果。

在一些实施例中，非旋转目标检测模型为深度神经网络。

在一些实施例中，非旋转目标检测模型为模板匹配模型。

在一些实施例中，基于采用束搜索算法执行比值确定操作在预设角度范围内确定的目标搜索深度和目标束宽度，确定至少一个采样角度，包括：获取测试样本集，测试样本包括测试样本图像和与该测试样本图像对应的标注旋转角度，测试样本图像包括至少一个旋转目标图像；基于测试样本集，采用束搜索算法在预设角度范围内确定目标搜索深度和目标束宽度；按照目标搜索深度和目标搜索宽度，在预设角度范围内进行搜索得到至少一个采样角度。

在一些实施例中，基于测试样本集，采用束搜索算法在预设角度范围内确定目标搜索深度和目标束宽度，包括：设置初始搜索深度和初始束宽度；采用束搜索算法，按照初始搜索深度和初始束宽度，在预设角度范围内进行搜索得到至少一个候选采样角度；对于测试样本集中的每个测试样本，执行以下测试操作，生成与该测试样本对应的测试结果，其中，测试结果用于表征测试是否通过，测试操作包括：对于至少一个候选采样角度中的每个候选采样角度，将该测试样本中的测试样本图像旋转该候选采样角度，得到与该候选采样角度对应的旋转后图像；对于所得到的至少一个旋转后图像中的每个旋转后图像，将该旋转后图像输入预先训练的非旋转图像检测模型，得到与该旋转后图像对应的非旋转图像分值；将所得到的至少一个旋转后图像中对应的非旋转图像分值最高的旋转后图像对应的候选采样角度确定为与该测试样本图像对应的旋转角度；确定与该测试样本对应的旋转角度和与该测试样本中的标注旋转角度之间的差值的绝对值是否小于预设角度差值阈值；响应于确定小于，生成与该测试样本对应的测试通过的测试结果；响应于确定不小于，生成与该测试样本对应的测试不通过的测试结果；执行比值确定操作，响应于确定不大于，递增初始搜索深度和初始束宽度，继续对于测试样本集中的每个测试样本，执行测试操作，以及执行比值确定操作。

第二方面，本申请实施例提供了一种用于矫正图像的装置，该装置包括：角度确定单元，被配置成基于采用束搜索算法执行比值确定操作在预设角度范围内确定的目标搜索深度和目标束宽度，确定至少一个采样角度，其中，比值确定操作包括：确定测试样本集中对应的测试结果为测试通过的测试样本的数目与测试样本集中测试样本数目的比值是否大于预设测试通过比例阈值；响应于确定大于，将初始搜索深度和初始束宽度确定为目标搜索深度和目标束宽度；图像旋转单元，被配置成对于至少一个采样角度中的每个采样角度，将目标图像旋转该采样角度，得到与该采样角度对应的旋转后图像；分值确定单元，被配置成对于所得到的至少一个旋转后图像中的每个旋转后图像，将该旋转后图像输入预先训练的非旋转图像检测模型，得到与该旋转后图像对应的非旋转图像分值，其中，非旋转图像检测模型用于表征图像与非旋转图像分值之间的对应关系；图像矫正单元，被配置成将至少一个旋转后图像中对应的非旋转图像分值最高的旋转后图像确定为与目标图像对应的矫正后图像。

在一些实施例中，非旋转图像检测模型是通过如下训练步骤得到的：确定初始非旋转目标检测模型的模型结构和模型参数；获取训练样本集，其中，每个训练样本包括训练样本图像和与该训练样本图像对应的至少一个参照物标注结果，训练样本图像包括至少一个非旋转参照物图像，参照物标注结果包括参照物标识和参照物位置信息；将训练样本集中的训练样本中的训练样本图像和对应的参照物标注结果分别作为初始非旋转目标检测模型的输入和期望输出，利用机器学习方法训练初始非旋转目标检测模型；将训练得到的初始非旋转目标检测模型确定为预先训练的非旋转图像检测模型。

在一些实施例中，分值确定单元进一步用于：对于所得到的至少一个旋转后图像中的每个旋转后图像，将该旋转后图像输入预先训练的非旋转图像检测模型，得到与该旋转后图像对应的至少一个参照物检测结果，参照物检测结果包括参照物标识、检测到参照物标识所指示的参照物的置信度和参照物位置信息，根据所得到的各个参照物检测结果中的置信度确定与该旋转后图像对应的非旋转图像分值。

在一些实施例中，该装置还包括：图像识别单元，被配置成将矫正后图像输入预先训练的图像识别模型，得到与目标图像对应的图像识别结果。

在一些实施例中，角度确定单元包括：获取模块，被配置成获取测试样本集，测试样本包括测试样本图像和与该测试样本图像对应的标注旋转角度，测试样本图像包括至少一个旋转目标图像；确定模块，被配置成基于测试样本集，采用束搜索算法在预设角度范围内确定目标搜索深度和目标束宽度；搜索模块，被配置成按照目标搜索深度和目标搜索宽度，在预设角度范围内进行搜索得到至少一个采样角度。

第三方面，本申请实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当上述一个或多个程序被上述一个或多个处理器执行时，使得上述一个或多个处理器实现如第一方面中任一实现方式描述的方法。

第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，其中，该计算机程序被一个或多个处理器执行时实现如第一方面中任一实现方式描述的方法。

本申请实施例提供的用于矫正图像的方法和装置，通过首先确定至少一个采样角度。然后，将对于至少一个采样角度中的每个采样角度，将目标图像旋转该采样角度，得到与该采样角度对应的旋转后图像。再，对于所得到的至少一个旋转后图像中的每个旋转后图像，将该旋转后图像输入预先训练的非旋转图像检测模型，得到与该旋转后图像对应的非旋转图像分值。最后，将至少一个旋转后图像中对应的非旋转图像分值最高的旋转后图像确定为与目标图像对应的矫正后图像。从而，有效利用了预先训练的非旋转图像检测模型，不需拍摄图像的相机设置陀螺仪，而且可以在更细粒度上确定图像的旋转角度，不止只有四个角度。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1是本申请的一个实施例可以应用于其中的示例性系统架构图；

图2是根据本申请的用于矫正图像的方法的一个实施例的流程图；

图3是根据本申请的训练步骤的一个实施例的流程图；

图4是根据本申请的用于矫正图像的方法的一个应用场景的示意图；

图5是根据本申请的用于矫正图像的方法的又一个实施例的流程图；

图6是根据本申请的用于矫正图像的装置的一个实施例的结构示意图；

图7是适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，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。下面将参考附图并结合实施例来详细说明本申请。

图1示出了可以应用本申请的用于矫正图像的方法或用于矫正图像的装置的实施例的示例性系统架构100。

如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如图像拍摄类应用、图像矫正类应用、图像识别类应用、网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。

终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是具有显示屏的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture Experts Group Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(Moving Picture Experts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供图像拍摄服务、图像矫正服务或者用来提供图像识别服务)，也可以实现成单个软件或软件模块。在此不做具体限定。

服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上传的目标图像(例如，拍摄街道所得到的道路图像)进行旋转矫正，并将矫正后图像反馈给终端设备。

需要说明的是，本申请实施例所提供的用于矫正图像的方法一般由服务器105执行，相应地，用于矫正图像的装置一般设置于服务器105中。

需要指出的是，服务器105的本地也可以直接存储目标图像，服务器105可以直接提取本地的目标图像生成对应的矫正后图像，此时，示例性系统架构100可以不包括终端设备101、102、103和网络104。

还需要指出的是，终端设备101、102、103中也可以安装有图像矫正类应用，终端设备101、102、103也可以基于图像矫正类应用生成目标图像的矫正后图像，此时，用于矫正图像的方法也可以由终端设备101、102、103执行，相应地，用于矫正图像的装置也可以设置于终端设备101、102、103中。此时，示例性系统架构100也可以不包括服务器105和网络104。

需要说明的是，服务器105可以是硬件，也可以是软件。当服务器105为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器为软件时，可以实现成多个软件或软件模块(例如用来提供图像矫正服务)，也可以实现成单个软件或软件模块。在此不做具体限定。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

继续参考图2，其示出了根据本申请的用于矫正图像的方法的一个实施例的流程200。该用于矫正图像的方法，包括以下步骤：

步骤201，基于采用束搜索算法执行比值确定操作在预设角度范围内确定的目标搜索深度和目标束宽度，确定至少一个采样角度。

在本实施例中，用于矫正图像的方法的执行主体(例如图1所示的服务器)可以采用各种实现方式，在预设角度范围内确定至少一个采样角度。

作为示例，上述执行主体可以在预设角度范围内，每隔预设角度进行采样，得到至少一个采样角度。

作为示例，上述执行主体还可以在预设角度范围内随机选取预设数目个角度作为至少一个采样角度。

步骤202，对于至少一个采样角度中的每个采样角度，将目标图像旋转该采样角度，得到与该采样角度对应的旋转后图像。

在本实施例中，上述执行主体可以首先获取目标图像。这里，目标图像可以是任意带有旋转目标的图像，即图像中的目标(例如，人、车、树木等等)与图像的几何中心线之间既不平行也不垂直，而是与图像的几何中心线之间的夹角大于0度且小于90度。

这里，上述目标图像可以是与上述执行主体通信连接的终端设备(例如图1所示的终端设备101、102、103)通过有线连接方式或无线连接方式上传至上述执行主体中的，也可以是上述执行主体本地所存储的。需要指出的是，上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。

然后，上述执行主体(例如图1所示的服务器)可以对于步骤201中所确定的至少一个采样角度中的每个采样角度，将目标图像旋转该采样角度，得到与该采样角度对应的旋转后图像。这里，由几何学知识可知，将目标图像旋转该采样角度，可能会导致目标图像中部分像素点旋转后的坐标超出了目标图像的像素点坐标范围，这时，所生成的与该采样角度对应的旋转后图像的像素点坐标范围可以大于原目标图像中像素点的坐标范围，以使得目标图像中每个像素点的旋转后坐标在与该采样角度对应的旋转后图像的像素点坐标范围内。另外，可以理解的是，对于所生成的与该采样角度对应的旋转后图像，还会存在一部分像素点，这些像素点不是经目标图像中的像素点旋转而来的，即，这些像素点在目标图像中没有对应的像素点，可以将这些像素点的像素值设置为预设像素值，例如可以设置为黑色对应的像素值或者设置为白色对应的像素值。

步骤203，对于所得到的至少一个旋转后图像中的每个旋转后图像，将该旋转后图像输入预先训练的非旋转图像检测模型，得到与该旋转后图像对应的非旋转图像分值。

在本实施例中，上述执行主体可以对于步骤202中针对至少一个采样角度所生成的至少一个旋转后图像中的每个旋转后图像，将该旋转后图像输入预先训练的非旋转图像检测模型，得到与该旋转后图像对应的非旋转图像分值。这里，非旋转图像检测模型用于表征图像与非旋转图像分值之间的对应关系，其中，非旋转图像分值是用于表征图像中不存在有旋转角度的旋转目标的程度的数值。

这里非旋转图像分值可以是各种形式的数值。例如，非旋转图像分值可以是分数、百分数、非负整数、非负浮点数等等。

需要说明的是，非旋转图像检测模型可以用于表征图像与非旋转图像分值之间的对应关系。作为示例，非旋转图像检测模型可以是技术人员基于对大量的对图像进行特征提取所得到的特征向量和非旋转图像分值的统计而预先制定的、存储有多个特征向量与非旋转图像分值的对应关系的对应关系表；也可以是技术人员基于对大量数据的统计而预先设置并存储至上述电子设备中的、对对图像进行特征提取所得到的特征向量中的一个或多个数值进行数值计算以得到非旋转图像分值的计算公式。

在本实施例的一些可选的实现方式中，非旋转图像检测模型可以是通过训练步骤得到的。请参考图3，图3示出了根据本申请的预先训练非旋转图像检测模型的训练步骤的一个实施例的流程300。该训练步骤可以包括以下步骤301到步骤304：

步骤301，确定初始非旋转目标检测模型的模型结构和模型参数。

这里，训练步骤的执行主体可以与用于矫正图像的方法的执行主体相同或者不同。如果相同，则训练步骤的执行主体可以在训练得到非旋转图像检测模型后将训练好的非旋转图像检测模型的模型结构信息和模型参数的参数值存储在本地。如果不同，则训练步骤的执行主体可以在训练得到非旋转图像检测模型后将训练好的非旋转图像检测模型的模型结构信息和模型参数的参数值发送给用于矫正图像的方法的执行主体。

这里，训练步骤的执行主体可以首先确定初始非旋转图像检测模型的模型结构。

可以理解的是，由于初始非旋转图像检测模型可以包括各种类型用于检测图像中的非旋转目标的模型，对于不同类型的用于检测图像中的非旋转目标的模型，所需要确定的模型结构信息也不相同。

可选地，初始非旋转图像检测模型可以为深度神经网络，则需要确定初始非旋转图像检测模型包括哪些层，层与层之间的连接顺序关系，以及每层都包括哪些神经元，每个神经元对应的权重(weight)和偏置项(bias)，每层的激活函数等等。

实践中，通常图像维数较高，通常都会对图像进行降维后处理，也可以称为特征提取。例如，由于卷积神经网络的权值共享特性，适合用于对图像降维。因此，可以采用卷积神经网络提取图像特征。由于卷积神经网络是一个多层的神经网络，每层由多个二维平面组成，而每个平面由多个独立神经元组成，则这里需要确定卷积神经网络包括哪些层(例如，卷积层，池化层，激励函数层等等)，层与层之间的连接顺序关系，以及每个层都包括哪些参数(例如，权重weight、偏置项bias、卷积的步长)等等。其中，卷积层可以用于提取图像特征。针对每个卷积层可以确定有多少个卷积核，每个卷积核的大小，每个卷积核中的各个神经元的权重，每个卷积核对应的偏置项，相邻两次卷积之间的步长，是否需要填充，填充多少像素点和填充用的数值(一般是填充为0)等等。而池化层可以用于对输入的信息进行下采样(Down Sample)，以压缩数据和参数的量，减少过拟合。针对每个池化层可以确定该池化层的池化方法(例如，取区域平均值或者取区域最大值)。激励函数层用于对输入的信息进行非线性计算。针对每个激励函数层可以确定具体的激励函数。例如，激活函数可以是ReLU以及ReLU各种变种激活函数、Sigmoid函数、Tanh(双曲正切)函数、Maxout函数等等。

可以理解的是，也可以采用其他方式对图像进行降维，例如可以采取主动形状模型(Active Shape Model，ASM)、主元分析(Principal Component Analysis，PCA)模型、独立分量分析(Independent Component Analysis，ICA)模型和线性判别分析(LinearDiscriminant Analysis，LDA)模型、局部特征分析(Local Feature Analysis，LFA)模型等等来提取图像特征。相应的，对应不同的特征提取方法，需要确定的模型结构信息也是不同的。

可以理解的是，由于深度神经网络可以包括各种类型的深度神经网络，对于不同类型的神经网络所需要确定的网络结构也不相同。

可选地，初始非旋转图像检测模型也可以为模板匹配模型，则需要确定具体的模板匹配算法和模板大小。例如，模板匹配算法可以是相关法、误差法、二次匹配误差算法、高速模板匹配法、高精度定位的模板匹配法等等。

然后，训练步骤的执行主体可以初始化初始非旋转图像检测模型的模型参数。当然，可以理解的是，当初始非旋转图像检测模型中包括模型参数时，需要初始化初始非旋转图像检测模型的模型参数。当初始非旋转图像检测模型中不包括模型参数时，则不需要初始化初始非旋转图像检测模型的模型参数。

步骤302，获取训练样本集。

这里，训练步骤的执行主体可以本地或者远程地从与上述执行主体网络连接的其他电子设备获取训练样本集。其中，每个训练样本包括训练样本图像和与该训练样本图像对应的至少一个参照物标注结果。

这里，训练样本图像可以包括至少一个非旋转参照物图像。这里，参照物是指在现实中通常为同一姿态或者方向固定的人或物，例如，非旋转参照物可以是行人、汽车、火车、树木等通常保持正立面位置的人或者物。而训练样本图像包括至少一个非旋转参照物图像，是指拍摄训练样本图像时，拍摄所用的相机处于正常角度没有发生旋转或者旋转的角度小于预设旋转角度阈值(即，旋转角度很小)，则拍摄得到的训练样本图像中的参照物图像也没有发生旋转或者发生旋转的角小于预设旋转角度阈值(即，旋转角度很小)。

这里，参照物标注结果可以包括参照物标识和参照物位置信息。其中，参照物标识用于唯一标识参照物。实践中，可以预设N种参照物，N为正整数，而参照物标识可以属于预设N种参照物标识。而参照物位置信息用于标识参照物在训练样本图像中的位置。实践中，可以采用矩形包围盒来表示参照物位置信息，例如，参照物位置信息可以包括参照物在样本训练图像中的左上角坐标，以及矩形包围盒的宽度和长度。

步骤303，将训练样本集中的训练样本中的训练样本图像和对应的参照物标注结果分别作为初始非旋转目标检测模型的输入和期望输出，利用机器学习方法训练初始非旋转目标检测模型。

这里，可以根据初始非旋转目标检测模型的模型类型和模型结构的具体情况，采用不同的机器学习方法训练初始非旋转目标检测模型。

可选地，当初始非旋转目标检测模型为模板匹配模型时，训练步骤的执行主体可以首先对于每个训练样本中的至少一个参照物标注结果中的每个参照物标注结果，按照该参照物标注结果中的参照物位置信息，提取该训练样本图像中的非旋转参照物图像，并将所提取的非旋转参照物图像标注为与该参照物标注结果中的参照物标识对应的非旋转参照物图像。然后，可以对于每种参照物标识，基于与该参照物标识对应的各个非旋转参照物图像，按照步骤302中所确定的模板匹配算法和模板大小，训练与该种参照物标识对应的模板的模板参数。

可选地，当初始非旋转目标检测模型为深度神经网络时，训练步骤的执行主体可以将训练样本集中的训练样本中的训练样本图像输入初始非旋转目标检测模型，得到与该训练样本图像对应的参照物检测结果，其中，参照物检测结果包括参照物标识、检测到参照物标识所指示的参照物的置信度和参照物位置信息，以该训练样本中的参考物标注结果作为初始非旋转目标检测模型的期望输出，利用机器学习方法训练初始非旋转目标检测模型。具体地，可以首先利用预设的损失函数计算所得到的参照物检测结果与该训练样本中的参照物标注结果之间的差异，例如，可以采用L2范数作为损失函数计算所得到的参照物检测结果与该训练样本中的参照物标注结果之间的差异。然后，可以基于计算所得的差异，调整初始非旋转目标检测模型的模型参数(对于深度神经网络即为网络参数)，并在满足预设的训练结束条件的情况下，结束训练。例如，这里预设的训练结束条件可以包括但不限于以下至少一项：训练时间超过预设时长；训练次数超过预设次数；计算所得的差异小于预设差异阈值。

这里，可以采用各种实现方式基于计算所得到的参照物检测结果与该训练样本中的参照物标注结果之间的差异调整初始非旋转目标检测模型的模型参数。例如，可以采用BP(Back Propagation，反向传播)算法或者SGD(Stochastic Gradient Descent，随机梯度下降)算法来调整初始非旋转目标检测模型的模型参数。

步骤304，将训练得到的初始非旋转目标检测模型确定为预先训练的非旋转图像检测模型。

需要说明的是，可以根据初始非旋转目标检测模型的模型类型和模型结构的具体情况，采用不同的方法计算该旋转后图像对应的非旋转图像分值。

在本实施例的一些可选的实现方式中，初始非旋转目标检测模型可以为模板匹配模型。这样，上述执行主体可以将旋转后图像与每种参照物标识对应的模板进行匹配，得到每种参照物标识相应的匹配度。然后，可以根据所得到的与各种参照物标识相应的匹配度，确定与该旋转后图像对应的非旋转图像分值。例如，可以将所得到的与各种参照物标识相应的匹配度中的最大值作为与该旋转后图像对应的非旋转图像分值，也可以将所得到的与各种参照物标识相应的匹配度的平均值作为与该旋转后图像对应的非旋转图像分值，还可以将所得到的与各种参照物标识相应的匹配度之和作为与该旋转后图像对应的非旋转图像分值。

在本实施例的一些可选的实现方式中，步骤203也可以如下进行：

对于所得到的至少一个旋转后图像中的每个旋转后图像，将该旋转后图像输入预先训练的非旋转图像检测模型，得到与该旋转后图像对应的至少一个参照物检测结果，参照物检测结果包括参照物标识、检测到参照物标识所指示的参照物的置信度和参照物位置信息，根据所得到的各个参照物检测结果中的置信度确定与该旋转后图像对应的非旋转图像分值。

这里，根据所得到的各个参照物检测结果中的置信度确定与该旋转后图像对应的非旋转图像分值可以采用以下任一种实现方式：

第一，将所得到的各个参照物检测结果中的置信度中的最大值确定为与该旋转后图像对应的非旋转图像分值。

第二，将所得到的各个参照物检测结果中的置信度的平均值确定为与该旋转后图像对应的非旋转图像分值。

第三，将所得到的各个参照物检测结果中的置信度的和确定为与该旋转后图像对应的非旋转图像分值。

步骤204，将至少一个旋转后图像中对应的非旋转图像分值最高的旋转后图像确定为与目标图像对应的矫正后图像。

经过步骤203，针对步骤202中所生成的每个旋转后图像，得到了对应的非旋转图像分值，而每个旋转后图像对应的非旋转图像分值体现的是该旋转后图像中不存在有旋转角度的旋转目标的程度的数值。那么，在至少一个旋转后图像中对应的非旋转图像分值最高的旋转后图像，是至少一个旋转后图像中不存在有旋转角度的旋转目标的程度最高的旋转后图像，即至少一个旋转后图像中对应的非旋转图像分值最高的旋转后图像是最接近非旋转图像的，因此，可以将至少一个旋转后图像中对应的非旋转图像分值最高的旋转后图像确定为与目标图像对应的矫正后图像。

在本实施例的一些可选的实现方式中，步骤201也可以如下进行：

首先，可以获取测试样本集。

这里，测试样本可以包括测试样本图像和与该测试样本图像对应的标注旋转角度。其中，测试样本图像可以包括至少一个旋转目标图像。即，拍摄测试样本图像时，相机存在旋转角度。

然后，可以基于测试样本集，采用束搜索算法在预设角度范围内确定目标搜索深度和目标束宽度。

这里，可以基于测试样本集，按照技术人员预先设定的需求，在采用束搜索的过程中，确定满足该预先设定的需求的最小的搜索深度和束宽度作为目标搜索深度和目标束宽度，即按照该目标搜索深度和目标束宽度即可满足预先设定的需求，而不需再继续扩大搜索深度和束宽度，继而提高计算速度，减少计算负担。

可选地，基于测试样本集，采用束搜索算法在预设角度范围内确定目标搜索深度和目标束宽度，可以如下进行：

第一步，设置初始搜索深度和初始束宽度。

第二步，采用束搜索算法，按照初始搜索深度和初始束宽度，在预设角度范围内进行搜索得到至少一个候选采样角度。

第三步，对于测试样本集中的每个测试样本，执行测试操作，生成与该测试样本对应的测试结果。

这里，测试结果用于表征测试是否通过。

这里，测试操作包括：

(1)、对于至少一个候选采样角度中的每个候选采样角度，将该测试样本中的测试样本图像旋转该候选采样角度，得到与该候选采样角度对应的旋转后图像。

(2)、对于所得到的至少一个旋转后图像中的每个旋转后图像，将该旋转后图像输入预先训练的非旋转图像检测模型，得到与该旋转后图像对应的非旋转图像分值。

(3)、将所得到的至少一个旋转后图像中对应的非旋转图像分值最高的旋转后图像对应的候选采样角度确定为与该测试样本图像对应的旋转角度。

(4)、确定与该测试样本对应的旋转角度和与该测试样本中的标注旋转角度之间的差值的绝对值是否小于预设角度差值阈值。

(5)、响应于确定小于，生成与该测试样本对应的测试通过的测试结果。

(6)、响应于确定不小于，生成与该测试样本对应的测试不通过的测试结果。

第四步，执行比值确定操作。

这里，比值确定操作可以包括：

(1)、确定测试样本集中对应的测试结果为测试通过的测试样本的数目与测试样本集中测试样本数目的比值是否大于预设测试通过比例阈值。

(2)、响应于确定大于，将初始搜索深度和初始束宽度确定为目标搜索深度和目标束宽度。

(3)、响应于确定不大于，递增初始搜索深度和初始束宽度，继续执行第三步以及执行第四步，直到确定了目标搜索深度和目标束宽度。

最后，可以按照目标搜索深度和目标搜索宽度，在预设角度范围内进行搜索得到至少一个采样角度。

继续参见图4，图4是根据本实施例的用于矫正图像的方法的应用场景的一个示意图。在图4的应用场景中，首先，服务器401在预设角度范围内确定三个采样角度402，包括采样角度4021，4022和4023。然后，服务器401对于三个采样角度402中的每个采样角度4021，4022和4023，将目标图像403旋转该采样角度，得到与该采样角度对应的旋转后图像，即得到三个旋转后图像404，包括旋转后图像4041，4042和4043。接着，服务器401将旋转后图像4041，4042和4043分别输入预先训练的非旋转图像检测模型405，分别得到与旋转后图像4041，4042和4043对应的非旋转图像分值4061，4062和4063。最后，服务器401将旋转后图像4041，4042和4043中对应的非旋转图像分值4061，4062和4063中非旋转图像分值最高的旋转后图像4042确定为与目标图像对应的矫正后图像。

本申请的上述实施例提供的方法通过首先确定至少一个采样角度。然后，将对于至少一个采样角度中的每个采样角度，将目标图像旋转该采样角度，得到与该采样角度对应的旋转后图像。再，对于所得到的至少一个旋转后图像中的每个旋转后图像，将该旋转后图像输入预先训练的非旋转图像检测模型，得到与该旋转后图像对应的非旋转图像分值。最后，将至少一个旋转后图像中对应的非旋转图像分值最高的旋转后图像确定为与目标图像对应的矫正后图像。从而，有效利用了预先训练的非旋转图像检测模型，不需拍摄图像的相机设置陀螺仪，而且可以在更细粒度上确定图像的旋转角度，不止只有四个角度。

进一步参考图5，其示出了用于矫正图像的方法的又一个实施例的流程500。该用于矫正图像的方法的流程500，包括以下步骤：

步骤501，基于采用束搜索算法执行比值确定操作在预设角度范围内确定的目标搜索深度和目标束宽度，确定至少一个采样角度。

步骤502，对于至少一个采样角度中的每个采样角度，将目标图像旋转该采样角度，得到与该采样角度对应的旋转后图像。

步骤503，对于所得到的至少一个旋转后图像中的每个旋转后图像，将该旋转后图像输入预先训练的非旋转图像检测模型，得到与该旋转后图像对应的非旋转图像分值。

步骤504，将至少一个旋转后图像中对应的非旋转图像分值最高的旋转后图像确定为与目标图像对应的矫正后图像。

在本实施例中，步骤501、步骤502、步骤503和步骤504的具体操作及其所带来的技术效果与图2所示的实施例中步骤201、步骤202、步骤203和步骤204中的描述基本相同，在此不再赘述。

步骤505，将矫正后图像输入预先训练的图像识别模型，得到与目标图像对应的图像识别结果。

在本实施例中，用于矫正图像的方法的执行主体(例如图1所示的服务器)可以将步骤504中所得到的与目标图像对应的矫正后图像输入预先训练的图像识别模型，得到与目标图像对应的图像识别结果。

这里，由于已经通过步骤501到步骤504对目标图像进行了矫正，矫正后的图像不存在包括旋转目标的图像，或者矫正后图像中的目标的旋转角度小于目标图像中的旋转角度。从而将将矫正后图像输入预先训练的图像识别模型所得到的图像识别结果，相对于直接将目标图像输入图像识别模型所得到的图像识别结果会更加准确。这是由于实践中，训练图像识别模型所用到的图像基本是不包括带有旋转角度的目标的，或者即使带有旋转角度的目标，旋转角度也会很小。这样训练得到的图像识别模型更适合识别不带有旋转角度的目标的图像。

需要说明的是，这里图像识别模型可以是各种图像识别模型。例如，可以是人脸识别模型、车辆识别模型等等。而训练图像识别模型的方法是目前广泛研究和应用的现有技术，在此不再赘述。

从图5中可以看出，与图2对应的实施例相比，本实施例中的用于矫正图像的方法的流程500多出了对矫正后图像进行图像识别的步骤。由此，本实施例描述的方案可以提高图像识别的准确率。

进一步参考图6，作为对上述各图所示方法的实现，本申请提供了一种用于矫正图像的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图6所示，本实施例的用于矫正图像的装置600包括：角度确定单元601、图像旋转单元602、分值确定单元603和图像矫正单元604。其中，角度确定单元601，被配置成基于采用束搜索算法执行比值确定操作在预设角度范围内确定的目标搜索深度和目标束宽度，确定至少一个采样角度，其中，比值确定操作包括：确定测试样本集中对应的测试结果为测试通过的测试样本的数目与测试样本集中测试样本数目的比值是否大于预设测试通过比例阈值；响应于确定大于，将初始搜索深度和初始束宽度确定为目标搜索深度和目标束宽度；图像旋转单元602，被配置成对于上述至少一个采样角度中的每个采样角度，将目标图像旋转该采样角度，得到与该采样角度对应的旋转后图像；分值确定单元603，被配置成对于所得到的至少一个旋转后图像中的每个旋转后图像，将该旋转后图像输入预先训练的非旋转图像检测模型，得到与该旋转后图像对应的非旋转图像分值，其中，上述非旋转图像检测模型用于表征图像与非旋转图像分值之间的对应关系；图像矫正单元604，被配置成将上述至少一个旋转后图像中对应的非旋转图像分值最高的旋转后图像确定为与上述目标图像对应的矫正后图像。

在本实施例中，用于矫正图像的装置600的角度确定单元601、图像旋转单元602、分值确定单元603和图像矫正单元604的具体处理及其所带来的技术效果可分别参考图2对应实施例中步骤201、步骤202、步骤203和步骤204的相关说明，在此不再赘述。

在本实施例的一些可选的实现方式中，上述非旋转图像检测模型可以是通过如下训练步骤得到的：确定初始非旋转目标检测模型的模型结构和模型参数；获取训练样本集，其中，每个训练样本包括训练样本图像和与该训练样本图像对应的至少一个参照物标注结果，训练样本图像包括至少一个非旋转参照物图像，参照物标注结果包括参照物标识和参照物位置信息；将训练样本集中的训练样本中的训练样本图像和对应的参照物标注结果分别作为上述初始非旋转目标检测模型的输入和期望输出，利用机器学习方法训练上述初始非旋转目标检测模型；将训练得到的上述初始非旋转目标检测模型确定为上述预先训练的非旋转图像检测模型。

在本实施例的一些可选的实现方式中，上述分值确定单元可以进一步用于：对于所得到的至少一个旋转后图像中的每个旋转后图像，将该旋转后图像输入预先训练的非旋转图像检测模型，得到与该旋转后图像对应的至少一个参照物检测结果，参照物检测结果包括参照物标识、检测到参照物标识所指示的参照物的置信度和参照物位置信息，根据所得到的各个参照物检测结果中的置信度确定与该旋转后图像对应的非旋转图像分值。

在本实施例的一些可选的实现方式中，上述装置600还可以包括：图像识别单元605，被配置成将上述矫正后图像输入预先训练的图像识别模型，得到与上述目标图像对应的图像识别结果。

在本实施例的一些可选的实现方式中，上述角度确定单元601可以包括：获取模块6011，被配置成获取测试样本集，测试样本包括测试样本图像和与该测试样本图像对应的标注旋转角度，测试样本图像包括至少一个旋转目标图像；确定模块6012，被配置成基于上述测试样本集，采用束搜索算法在上述预设角度范围内确定目标搜索深度和目标束宽度；搜索模块6013，被配置成按照上述目标搜索深度和上述目标搜索宽度，在上述预设角度范围内进行搜索得到至少一个采样角度。

需要说明的是，本申请实施例提供的用于矫正图像的装置中各单元的实现细节和技术效果可以参考本申请中其它实施例的说明，在此不再赘述。

下面参考图7，其示出了适于用来实现本申请实施例的导航控制设备的计算机系统700的结构示意图。图7示出的导航控制设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图7所示，计算机系统700包括中央处理单元(CPU，Central Processing Unit)701，其可以根据存储在只读存储器(ROM，Read Only Memory)702中的程序或者从存储部分708加载到随机访问存储器(RAM，Random Access Memory)703中的程序而执行各种适当的动作和处理。在RAM 703中，还存储有系统700操作所需的各种程序和数据。CPU 701、ROM702以及RAM 703通过总线704彼此相连。输入/输出(I/O，Input/Output)接口705也连接至总线704。

以下部件连接至I/O接口705：包括键盘、鼠标等的输入部分706；包括诸如阴极射线管(CRT，Cathode Ray Tube)、液晶显示器(LCD，Liquid Crystal Display)等以及扬声器等的输出部分707；包括硬盘等的存储部分708；以及包括诸如LAN(局域网，Local AreaNetwork)卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至I/O接口705。可拆卸介质711，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器710上，以便于从其上读出的计算机程序根据需要被安装入存储部分708。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分709从网络上被下载和安装，和/或从可拆卸介质711被安装。在该计算机程序被中央处理单元(CPU)701执行时，执行本申请的方法中限定的上述功能。需要说明的是，本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如”C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括角度确定单元、图像旋转单元、分值确定单元和图像矫正单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，角度确定单元还可以被描述为“在预设角度范围内确定至少一个采样角度的单元”。

作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的装置中所包含的；也可以是单独存在，而未装配入该装置中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该装置执行时，使得该装置：在预设角度范围内确定至少一个采样角度；对于至少一个采样角度中的每个采样角度，将目标图像旋转该采样角度，得到与该采样角度对应的旋转后图像；对于所得到的至少一个旋转后图像中的每个旋转后图像，将该旋转后图像输入预先训练的非旋转图像检测模型，得到与该旋转后图像对应的非旋转图像分值，其中，非旋转图像检测模型用于表征图像与非旋转图像分值之间的对应关系；将至少一个旋转后图像中对应的非旋转图像分值最高的旋转后图像确定为与目标图像对应的矫正后图像。

以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (18)

1.一种用于矫正图像的方法，包括：

采用束搜索算法在预设角度范围内确定的目标搜索深度和目标束宽度，确定至少一个采样角度，其中，所述采用束搜索算法在预设角度范围内确定目标搜索深度和目标束宽度包括执行比值确定操作，所述比值确定操作包括：确定测试样本集中对应的测试结果为测试通过的测试样本的数目与所述测试样本集中测试样本数目的比值是否大于预设测试通过比例阈值；响应于确定大于，将初始搜索深度和初始束宽度确定为所述目标搜索深度和所述目标束宽度；

对于所述至少一个采样角度中的每个采样角度，将目标图像旋转该采样角度，得到与该采样角度对应的旋转后图像；

对于所得到的至少一个旋转后图像中的每个旋转后图像，将该旋转后图像输入预先训练的非旋转图像检测模型，得到与该旋转后图像对应的非旋转图像分值，其中，所述非旋转图像检测模型用于表征图像与非旋转图像分值之间的对应关系；

将所述至少一个旋转后图像中对应的非旋转图像分值最高的旋转后图像确定为与所述目标图像对应的矫正后图像。

2.根据权利要求1所述的方法，其中，所述非旋转图像检测模型是通过如下训练步骤得到的：

确定初始非旋转目标检测模型的模型结构和模型参数；

获取训练样本集，其中，每个训练样本包括训练样本图像和与该训练样本图像对应的至少一个参照物标注结果，训练样本图像包括至少一个非旋转参照物图像，参照物标注结果包括参照物标识和参照物位置信息；

将训练样本集中的训练样本中的训练样本图像和对应的参照物标注结果分别作为所述初始非旋转目标检测模型的输入和期望输出，利用机器学习方法训练所述初始非旋转目标检测模型；

将训练得到的所述初始非旋转目标检测模型确定为所述预先训练的非旋转图像检测模型。

3.根据权利要求2所述的方法，其中，所述对于所得到的至少一个旋转后图像中的每个旋转后图像，将该旋转后图像输入预先训练的非旋转图像检测模型，得到与该旋转后图像对应的非旋转图像分值，包括：

对于所得到的至少一个旋转后图像中的每个旋转后图像，将该旋转后图像输入预先训练的非旋转图像检测模型，得到与该旋转后图像对应的至少一个参照物检测结果，参照物检测结果包括参照物标识、检测到参照物标识所指示的参照物的置信度和参照物位置信息，根据所得到的各个参照物检测结果中的置信度确定与该旋转后图像对应的非旋转图像分值。

4.根据权利要求3所述的方法，其中，所述根据所得到的各个参照物检测结果中的置信度确定与该旋转后图像对应的非旋转图像分值，包括：

将所得到的各个参照物检测结果中的置信度中的最大值确定为与该旋转后图像对应的非旋转图像分值。

5.根据权利要求3所述的方法，其中，所述根据所得到的各个参照物检测结果中的置信度确定与该旋转后图像对应的非旋转图像分值，包括：

将所得到的各个参照物检测结果中的置信度的平均值确定为与该旋转后图像对应的非旋转图像分值。

6.根据权利要求3所述的方法，其中，所述根据所得到的各个参照物检测结果中的置信度确定与该旋转后图像对应的非旋转图像分值，包括：

将所得到的各个参照物检测结果中的置信度的和确定为与该旋转后图像对应的非旋转图像分值。

7.根据权利要求2-6中任一所述的方法，其中，所述方法还包括：

将所述矫正后图像输入预先训练的非旋转图像检测模型，得到与所述目标图像对应的图像识别结果。

8.根据权利要求7所述的方法，其中，所述初始非旋转目标检测模型为深度神经网络。

9.根据权利要求7所述的方法，其中，所述初始非旋转目标检测模型为模板匹配模型。

10.根据权利要求1-6中任一所述的方法，其中，所述采用束搜索算法在预设角度范围内确定的目标搜索深度和目标束宽度，确定至少一个采样角度，包括：

获取测试样本集，测试样本包括测试样本图像和与该测试样本图像对应的标注旋转角度，测试样本图像包括至少一个旋转目标图像；

基于所述测试样本集，采用束搜索算法在所述预设角度范围内确定目标搜索深度和目标束宽度；

按照所述目标搜索深度和所述目标搜索宽度，在所述预设角度范围内进行搜索得到至少一个采样角度。

11.根据权利要求10所述的方法，其中，所述基于所述测试样本集，采用束搜索算法在所述预设角度范围内确定目标搜索深度和目标束宽度，包括：

设置初始搜索深度和初始束宽度；

采用束搜索算法，按照所述初始搜索深度和所述初始束宽度，在所述预设角度范围内进行搜索得到至少一个候选采样角度；

对于所述测试样本集中的每个测试样本，执行以下测试操作，生成与该测试样本对应的测试结果，其中，测试结果用于表征测试是否通过，所述测试操作包括：对于所述至少一个候选采样角度中的每个候选采样角度，将该测试样本中的测试样本图像旋转该候选采样角度，得到与该候选采样角度对应的旋转后图像；对于所得到的至少一个旋转后图像中的每个旋转后图像，将该旋转后图像输入所述预先训练的非旋转图像检测模型，得到与该旋转后图像对应的非旋转图像分值；将所得到的至少一个旋转后图像中对应的非旋转图像分值最高的旋转后图像对应的候选采样角度确定为与该测试样本图像对应的旋转角度；确定与该测试样本对应的旋转角度和与该测试样本中的标注旋转角度之间的差值的绝对值是否小于预设角度差值阈值；响应于确定小于，生成与该测试样本对应的测试通过的测试结果；响应于确定不小于，生成与该测试样本对应的测试不通过的测试结果；

执行所述比值确定操作，响应于确定不大于，递增所述初始搜索深度和所述初始束宽度，继续对于所述测试样本集中的每个测试样本，执行所述测试操作，以及执行所述比值确定操作。

12.一种用于矫正图像的装置，包括：

角度确定单元，被配置成采用束搜索算法在预设角度范围内确定的目标搜索深度和目标束宽度，确定至少一个采样角度，其中，所述采用束搜索算法在预设角度范围内确定目标搜索深度和目标束宽度包括执行比值确定操作，所述比值确定操作包括：确定测试样本集中对应的测试结果为测试通过的测试样本的数目与所述测试样本集中测试样本数目的比值是否大于预设测试通过比例阈值；响应于确定大于，将初始搜索深度和初始束宽度确定为所述目标搜索深度和所述目标束宽度；

图像旋转单元，被配置成对于所述至少一个采样角度中的每个采样角度，将目标图像旋转该采样角度，得到与该采样角度对应的旋转后图像；

分值确定单元，被配置成对于所得到的至少一个旋转后图像中的每个旋转后图像，将该旋转后图像输入预先训练的非旋转图像检测模型，得到与该旋转后图像对应的非旋转图像分值，其中，所述非旋转图像检测模型用于表征图像与非旋转图像分值之间的对应关系；

图像矫正单元，被配置成将所述至少一个旋转后图像中对应的非旋转图像分值最高的旋转后图像确定为与所述目标图像对应的矫正后图像。

13.根据权利要求12所述的装置，其中，所述非旋转图像检测模型是通过如下训练步骤得到的：

确定初始非旋转目标检测模型的模型结构和模型参数；

获取训练样本集，其中，每个训练样本包括训练样本图像和与该训练样本图像对应的至少一个参照物标注结果，训练样本图像包括至少一个非旋转参照物图像，参照物标注结果包括参照物标识和参照物位置信息；

将训练样本集中的训练样本中的训练样本图像和对应的参照物标注结果分别作为所述初始非旋转目标检测模型的输入和期望输出，利用机器学习方法训练所述初始非旋转目标检测模型；

将训练得到的所述初始非旋转目标检测模型确定为所述预先训练的非旋转图像检测模型。

14.根据权利要求13所述的装置，其中，所述分值确定单元进一步用于：

对于所得到的至少一个旋转后图像中的每个旋转后图像，将该旋转后图像输入预先训练的非旋转图像检测模型，得到与该旋转后图像对应的至少一个参照物检测结果，参照物检测结果包括参照物标识、检测到参照物标识所指示的参照物的置信度和参照物位置信息，根据所得到的各个参照物检测结果中的置信度确定与该旋转后图像对应的非旋转图像分值。

15.根据权利要求12所述的装置，其中，所述装置还包括：

图像识别单元，被配置成将所述矫正后图像输入预先训练的非旋转图像检测模型，得到与所述目标图像对应的图像识别结果。

16.根据权利要求12所述的装置，其中，所述角度确定单元包括：

获取模块，被配置成获取测试样本集，测试样本包括测试样本图像和与该测试样本图像对应的标注旋转角度，测试样本图像包括至少一个旋转目标图像；

确定模块，被配置成基于所述测试样本集，采用束搜索算法在所述预设角度范围内确定目标搜索深度和目标束宽度；

搜索模块，被配置成按照所述目标搜索深度和所述目标搜索宽度，在所述预设角度范围内进行搜索得到至少一个采样角度。

17.一种电子设备，包括：

一个或多个处理器；

存储装置，其上存储有一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如权利要求1-11中任一所述的方法。

18.一种计算机可读存储介质，其上存储有计算机程序，其中，所述计算机程序被一个或多个处理器执行时实现如权利要求1-11中任一所述的方法。

Images