1.一种图像敏感信息脱敏方法，其特征在于，包括：
获得原始图像；
将所述原始图像输入预训练好的目标检测算法模型中，获得原始标识牌图像；
利用透视变换矫正所述原始标识牌图像，获得标识牌矫正图像；将所述标识牌矫正图像输入预训练好的机器学习算法模型中，获得敏感信息；
基于预设的替换规则，替换所述敏感信息，获得标识牌替换图像；
利用透视变换的逆变换处理所述标识牌替换图像，获得原始几何状态下的标识牌替换图像；
将所述原始几何状态下的标识牌替换图像放回所述原始图像，获得脱敏后的替换图像。
2.根据权利要求1所述的图像敏感信息脱敏方法，其特征在于，所述基于预设的替换规则，替换所述敏感信息，获得标识牌替换图像；利用透视变换的逆变换处理所述标识牌替换图像，获得原始几何状态下的标识牌替换图像；包括
基于预设的替换规则，替换所述敏感信息，获得标识牌替换图像；
将所述标识牌替换图像进行做旧处理，获得做旧后的标识牌替换图像；
利用透视变换的逆变换处理所述做旧后的标识牌替换图像，获得原始几何状态下的标识牌替换图像。
3.根据权利要求2所述的图像敏感信息脱敏方法，其特征在于，将所述标识牌替换图像进行做旧处理，获得做旧后的标识牌替换图像，包括：
对所述标识牌替换图像进行高斯加噪和/或椒盐加噪处理，获得添加高斯噪声和/或椒盐噪声的标识牌替换图像。
4.根据权利要求1所述的图像敏感信息脱敏方法，其特征在于，所述目标检测算法模型为yolov3或者yolov4模型；
所述目标检测算法模型的训练方法为：
获取第一训练集，所述第一训练集包括标识有标识牌图像的训练巡检图像；
将所述训练巡检图像输入yolov3或者yolov4模型进行迭代运算，直至达到预设的迭代次数；
获得训练好的yolov3或者yolov4模型。
5.根据权利要求1所述的图像敏感信息脱敏方法，其特征在于，所述机器学习算法模型为决策树模型；
所述机器学习算法模型的训练方法为：
获取第二训练集，所述第二训练集包括标识有标识信息的标识牌训练图像；
从训练集中选择特征集，以最优的特征集作为第一叶节点，以其它特征集作为第二叶节点或第三叶节点，直至叶节点全部输出或无数据遍历；
获得训练好的决策树模型。
6.根据权利要求1所述的图像敏感信息脱敏方法，其特征在于，所述敏感信息包括图像标识信息的底色和/或字符的位置和/或文字信息和/或字体和/或字号和/或字体颜色。
7.一种图像敏感信息脱敏装置，其特征在于，包括：
第一获取模块，用于获取原始图像；
第一计算模块，用于将所述原始图像输入预训练好的目标检测模型中，获得原始标识牌图像；
矫正模块，用于根据透视变换矫正所述原始标识牌图像，获得标识牌矫正图像；
第二计算模块，用于将所述标识牌矫正图像输入预训练好的机器学习算法模型中，获得敏感信息；
替换模块，用于根据预设的替换规则，替换所述敏感信息，获得标识牌替换图像；
第三计算模块，用于根据透视变换的逆变换处理所述标识牌替换图像，获得原始几何状态下的标识牌替换图像；
输出模块，用于将所述原始几何状态下的标识牌替换图像放回所述原始图像，获得脱敏后的替换图像。
8.根据权利要求7所述的图像敏感信息脱敏装置，其特征在于，所述目标检测算法模型为yolov3或者yolov4模型；
所述脱敏装置还包括：
第二获取模块，用于获取第一训练集，所述第一训练集包括标识有标识牌图像的训练巡检图像；
第一训练模块，用于将所述第一训练集内的训练巡检图像输入yolov3或者yolov4模型进行迭代运算，直至达到预设的迭代次数；
第一获得模块，用于获得训练好的yolov3或者yolov4模型。
9.根据权利要求7所述的图像敏感信息脱敏装置，其特征在于，所述机器学习算法模型为决策树模型；
所述脱敏装置还包括：
第三获取模块，用于获取第二训练集，所述第二训练集包括标识有标识信息的标识牌训练图像；
第二训练模块，用于从训练集中选择特征集，以最优的特征集作为第一叶节点，以其它特征集作为第二叶节点或第三叶节点，直至叶节点全部输出或无数据遍历；
第二获得模块，用于获得训练好的决策树模型。
10.根据权利要求7所述的图像敏感信息脱敏装置，其特征在于，所述脱敏装置还包括做旧模块，所述做旧用于根据高斯加噪和/或椒盐加噪对标识牌替换图像进行处理，获得添加高斯噪声和/或椒盐噪声的标识牌替换图像。