问题不止是“斜”
倾斜侧拍通常还伴随局部模糊、低光、边缘遮挡和压缩失真。几何没有先归一化，后面的增强往往也很难对准真正的问题。
为什么倾斜车牌不能直接上 OCR？
因为 OCR 默认更擅长处理近似正视图的字符。当车牌被大角度侧拍、透视压缩、上下边缘不平行时，字符形状本身就已经发生了畸变。此时如果直接识别，识别引擎看到的不是标准字符，而是被挤压、倾斜、拉伸过的版本，结果自然不稳定。
为什么要先矫正
把车牌拉回更接近标准矩形的状态，相当于先给后续识别创造一个更稳定的输入基准，这比盲目先去模糊或先超分更稳。
智瞳车牌通的倾斜矫正能力来源于什么？
当前项目真实实现里，智瞳车牌通的几何矫正核心并不是简单靠轮廓拉平，而是基于 KPT 四点关键点 + 透视变换 的方式来恢复车牌形态。简单理解，就是先定位车牌四个角点，再把这个不规则四边形映射回标准矩形。
| 核心能力 | KPT 关键点回归、透视变换、倾斜预判、方向验证、结果稳定性校验 |
|---|---|
| 适合问题 | 路边斜拍、非正面抓拍、大角度监控、车牌上下边缘不平行、字符透视变形 |
| 目标 | 不是单纯把图拉正，而是把车牌送回更适合后续增强和 OCR 的几何状态 |
智瞳车牌通怎样把倾斜矫正放进真实识别链路？
在智瞳车牌通当前的产品链路里，倾斜矫正不是一个孤零零的功能按钮，而是和前后步骤深度联动的。尤其是在严重倾斜场景，系统会优先处理几何问题，再让后续增强步骤发挥作用。
- 先做倾斜预判：系统根据角度、水平线比例等信号判断车牌是否真的需要做透视矫正。
- 严重倾斜时优先处理几何：如果倾斜角度足够明显，智瞳车牌通会先执行几何矫正，再进入暗光增强、去模糊和后续识别。
- KPT + 透视变换：通过四点关键点定位和透视映射，把车牌恢复成更标准的矩形视图。
- 结果不稳时保守处理：如果矫正后反而导致识别退化，系统会采取更稳妥的结果策略，不把失败的矫正结果强行展示给用户。
这意味着智瞳车牌通的倾斜矫正不是“做了就算完成”，而是要以“是否真的让识别更稳”为标准。收益不够，就保守处理，不硬上。
为什么这里还要讲“融合”？
因为智瞳车牌通里的“倾斜矫正与融合”不是单一动作，而是两层融合一起发生：
第一层：前处理链路融合
倾斜矫正后的结果会继续进入暗光增强、去模糊或其他分支判断。也就是说，它和后续增强步骤不是割裂的，而是串在同一条智能路由链路里协同工作。
第二层：识别结果融合
矫正后的车牌不会只交给一个 OCR 引擎，智瞳车牌通还会结合智瞳慧识、百度、阿里、Plate Recognizer 等候选结果做交叉验证与排序。
所以这里的“融合”并不是一句空话，而是从前处理到结果输出都在发生：先把几何拉回合理区，再把多引擎结果放在一起比对，最终给用户更可信的候选答案和置信度。
它最适合哪些倾斜场景？
矫正前矫正后
大角度侧拍、路边抓拍、监控斜视角
这类图最大的麻烦通常不是纯模糊，而是车牌已经被拍歪了。先做几何矫正，往往能让后面的增强和识别更容易“看懂”字符关系。
典型适用情境
- 路边监控侧向拍摄，车牌上下边不平行
- 门岗和道闸非正面安装，导致车牌透视变形
- 高位监控俯拍，字符出现压缩和拉伸
- 倾斜主导问题明显，先矫正再增强收益更高的截图
它的边界在哪里？
倾斜矫正也不是做了就一定变好。如果角点定位证据不足、图像本身模糊到边界已经找不到、或者矫正后字符反而更扭曲，继续强行透视变换只会让识别更差。智瞳车牌通之所以强调结果稳定性校验，就是为了避免这种“为了矫正而矫正”的副作用。
换句话说，智瞳车牌通看重的是“让输入更稳”，而不是“无条件把图拉平”。如果拉平没有带来识别收益，系统就应该保守处理。