摘  要

随着智能交通系统快速发展，车辆身份自动识别技术成为关键支撑环节。针对传统车牌识别方法在复杂光照、污损遮挡等场景下适应性不足的问题，本研究构建了基于BP神经网络的智能识别系统。通过融合数字图像处理技术与深度学习算法，设计包含图像采集、预处理、定位分割、字符识别四大功能模块的系统架构。重点优化灰度变换与边缘检测算法提升图像质量，采用改进型投影法实现字符精准分割，构建三层BP神经网络分类器完成字符特征学习与模式匹配。实验结果表明，该系统在应对倾斜车牌、模糊图像等复杂情况时展现出较强鲁棒性，字符识别准确率较传统方法有显著提升。研究验证了神经网络技术在车牌识别领域的应用潜力，为智能交通管理提供了可扩展的技术方案，对提升车辆监管效率具有实践价值。

关键词：BP神经网络；车牌识别；系统设计；字符分割；图像预处理；智能交通系统

目录

第一章 引言

1.1 研究背景

1.2 研究意义

1.3 国内外研究综述

第二章 相关技术介绍

2.1 python

2.2 pytorch

2.3 yolov5

2.4 flask

2.5 ccpd

2.6 BP神经网络

第三章 系统设计

3.1图片预处理

3.2数据集制作

3.3 yolov5架构

3.4 BP神经网络

第四章 系统实现

4.1 Yolov5神经网络训练

4.2 BP神经网络处理步骤

4.4 训练结果

第五章 系统搭建

5.1 接口检测接口

5.2 Flask搭建

第六章 项目总结

参考文献

致谢

第一章 引言

1.1 研究背景

智能交通系统作为现代城市管理的重要支柱，正深刻改变着人们的出行方式[11]。在这一体系中，车辆身份自动识别技术如同"电子眼"般发挥着关键作用，其核心任务就是准确获取车牌信息。传统车牌识别方法主要依赖人工设定的图像处理规则，就像用固定模板比对不同形状的积木，在天气晴朗、车牌整洁的理想状态下尚能应对，但遇到强光照射、雨雪天气或车牌污损等情况时，识别准确度就会明显下降。

近年来，人工智能技术为这一领域带来了突破性进展。模仿人脑工作机制的BP神经网络，展现出强大的模式识别能力。这种技术不需要预先设定复杂的识别规则，而是通过大量样本的"学习"，自主掌握车牌字符的特征规律。就像教孩子认字一样，经过反复训练后，系统能够自动识别各种变形、模糊的字符。特别在应对车牌倾斜、反光等复杂场景时，这种智能方法展现出传统技术难以企及的适应能力。

随着城市车辆保有量持续增长，交通管理部门对高效识别技术的需求日益迫切[18]。从高速公路的ETC通道到智慧停车场的自动计费，从交通违法抓拍到被盗车辆追踪，快速准确的车牌识别已成为提升管理效率的关键环节。基于BP神经网络的识别系统，通过模拟人脑的认知方式，为破解复杂环境下的识别难题提供了新思路，其应用将有力推动智能交通系统向更高效、更智能的方向发展。

1.2 研究意义

在智慧城市建设的浪潮中，车辆身份精准识别如同交通管理的"数字身份证"，其技术突破对城市治理现代化具有重要价值。本研究构建的智能识别系统，有效解决了传统方法在复杂环境下的识别困境，为交通管理领域带来三重革新意义。

从实际应用层面看，该系统显著提升了交通监管效能。在高速公路稽查场景中，能够快速识别套牌车、事故逃逸等违法车辆，使执法人员不再受限于车牌污损、光线变化等干扰因素。停车场管理系统应用该技术后，可实现"无感通行"服务，通过实时车牌识别自动扣费，较传统人工管理模式效率提升显著。在疫情防控等突发公共事件中，还能辅助完成重点车辆追踪，为应急响应提供技术支持。

在技术创新维度，本研究验证了神经网络技术与传统图像处理方法的融合潜力。通过改进投影分割算法与构建三层BP网络结构，形成了可扩展的技术框架。这种模块化设计思路，为后续引入更先进的卷积神经网络预留了接口，既保证当前系统的实用性，也为技术迭代提供了实验基础。同时积累的标注样本库和训练经验，为同类研究提供了重要参考资源。

从社会发展角度，该技术的普及将产生广泛社会效益。对驾驶员而言，可减少因识别错误导致的停车纠纷；对交管部门而言，通过提升违章取证准确率，能增强执法公信力；对智慧城市建设而言，高精度车牌数据为交通流量分析、出行行为研究等提供了可靠数据支撑。这种技术突破正推动交通管理从"人海战术"向"智能感知"转型，为构建数字化交通治理体系奠定关键基石。

1.3 国内外研究综述

在车牌识别技术研究领域，国内外学者沿着不同技术路线持续探索创新。国内研究初期主要采用传统图像处理方法，如清华大学团队开发的基于颜色特征的车牌定位系统，通过分析车牌底色特征实现快速定位，但受限于光照条件变化。北京交通大学研究组提出的边缘检测与形态学结合算法，虽在标准场景下效果良好，但对模糊车牌的适应性仍有待提升。

近年来，国内学者开始将BP神经网络引入该领域[7]。武汉大学团队构建的三层网络结构，通过优化激活函数设计，在字符识别环节取得突破。华南理工大学研究人员改进的投影分割算法，配合神经网络分类器，显著提高了倾斜车牌的识别精度。然而，现有研究多集中于单场景优化，在雨雾天气、夜间反光等复杂条件下的综合表现仍需加强。

国际研究更注重多技术融合应用。麻省理工学院开发的混合识别框架，将卷积神经网络用于特征提取，结合支持向量机进行分类，有效降低误识率。德国学者提出的动态学习机制，使系统能够根据新采集样本持续优化网络参数，增强了环境适应能力。日本研究团队在实时处理方向取得进展，通过优化算法结构将识别响应时间缩短，为移动端应用奠定了基础。

当前研究仍面临共性挑战：一是神经网络训练高度依赖标注数据质量，样本多样性不足易导致过拟合；二是多车牌并行识别场景下的资源分配效率有待提升；三是极端天气条件下的抗干扰能力需要强化。未来发展趋势将集中在深度学习与传统算法的协同优化、轻量化模型开发以及多模态数据融合等方向，以突破现有技术瓶颈，实现全天候、全场景的可靠识别[17]。

第二章 相关技术介绍

2.1 python

Python作为本系统开发的核心编程语言，其简洁高效的特性为车牌识别系统的实现提供了坚实基础。这门诞生于1991年的高级编程语言，凭借类似英语的语法结构和丰富的第三方库支持，成为人工智能项目开发的首选工具。

在图像处理环节，Python通过OpenCV库实现了专业级功能。该库就像图像处理的"瑞士军刀"，仅需数行代码即可完成图像灰度转换、噪声过滤等关键操作。例如将彩色图像转为灰度图时，开发人员只需调用cv2.cvtColor()函数，系统就能自动完成色彩空间转换，这种便捷性大幅提升了开发效率。对于车牌定位需要的边缘检测，OpenCV提供的Canny算法接口可直接应用，省去了复杂算法实现的繁琐过程。

在神经网络构建方面，Python生态系统展现出独特优势。Pytorch框架作为深度学习"积木"，让BP神经网络的搭建变得直观易懂[15]。开发者通过Sequential模型逐层堆叠网络结构，使用nn.moudle类定义全连接层，配合ReLU激活函数，即可构建出适合字符识别的三层网络架构。这种模块化设计方式，使得调整网络层数、节点数量等参数如同搭积木般简单灵活。

Python的跨平台特性为系统部署提供了便利。无论是在Windows服务器还是Linux嵌入式设备上，通过配置统一的运行环境，系统都能保持稳定工作状态。这种"一次编写，处处运行"的特点，特别适合需要多场景部署的智能交通系统。此外，Matplotlib等可视化工具还能直观展示图像处理各阶段的效果，为算法调试提供了重要辅助手段。

丰富的社区资源是选择Python的另一个关键因素。全球开发者贡献的代码示例、技术文档，就像随时可查阅的"技术百科全书"，帮助开发团队快速解决遇到的各类技术难题。从图像采集时的摄像头控制，到神经网络训练时的参数调优，几乎每个开发环节都能找到对应的解决方案参考。这种开放共享的技术生态，显著缩短了系统开发周期。

2.2 pytorch

PyTorch作为本系统实现神经网络的核心框架，其灵活易用的特点为车牌识别模型的构建提供了有力支撑。这个由Facebook团队开发的开源工具，如同深度学习的"智能工具箱"，让复杂的神经网络搭建变得直观简单。

在数据处理方面，PyTorch的张量（Tensor）操作功能为图像预处理带来便利。就像整理文件柜一样，系统通过torchvision库的Transforms模块，能对车牌图像进行统一规格的"归档"处理。当处理不同尺寸的输入图像时，Resize变换可自动调整图像大小，Normalize操作则像智能调色师，将像素值规范到统一范围。这种批量化处理方式，特别适合需要处理大量车牌图像数据的场景。

动态计算图机制是PyTorch区别于其他框架的显著特点。这种即时运算模式如同"边搭积木边测试"，开发者在构建BP神经网络时，可以实时查看各层输出效果。当调试字符识别模型时，若发现某层节点数设置不当，能够立即调整网络结构重新训练，这种灵活性大幅提升了开发效率。对于需要反复优化网络参数的场景，这种即时反馈机制显得尤为重要。

在模型训练环节，自动求导功能简化了反向传播过程。系统通过Autograd模块自动计算梯度，就像给神经网络装上了"自动驾驶仪"。当进行车牌字符识别训练时，开发者只需定义损失函数和优化器，框架会自动完成误差的反向传播和参数更新。这种设计将复杂的数学运算封装在后台，让开发者更专注于模型结构的优化。

模块化设计理念贯穿PyTorch的各个组件。torch.nn模块提供丰富的网络层类型，如同标准化的建筑模块[12]。搭建三层BP网络时，Linear层负责全连接运算，ReLU激活函数为网络注入非线性处理能力，Dropout层则像智能过滤器，防止模型对训练数据过度依赖。这种积木式的搭建方式，使网络结构调整变得轻松便捷。

完善的生态系统为系统开发提供全方位支持。torchvision.datasets模块包含常用数据集接口，ImageFolder类能自动整理车牌图像样本[5]。在模型保存与加载方面，torch.save函数可将训练好的字符识别模型存储为标准格式，方便后续部署应用。社区维护的预训练模型库，更如同共享资源池，为技术迭代提供丰富素材。

该框架的GPU加速能力显著提升训练效率。当处理数万张车牌图像时，通过CUDA接口调用显卡并行计算，使原本需要数小时的训练任务大幅缩短。这种硬件加速特性，为需要快速迭代模型的开发场景提供了重要保障，特别是在调整网络层数、优化激活函数等关键环节时效果显著。

2.3 yolov5

YOLOv5作为当前主流的目标检测算法，在本系统中承担着车牌定位的关键任务。这个由Ultralytics团队开发的智能检测工具，就像给计算机装上了"火眼金睛"，能够在复杂图像中快速锁定车牌位置。其名称"YOLO"（You Only Look Once）形象揭示了算法特点——只需扫描图像一次就能完成目标定位，这种高效特性特别适合需要实时处理的交通场景[19]。

该算法的核心优势在于速度与精度的平衡。相较于早期版本，YOLOv5采用更轻量的网络结构设计，如同给检测系统"瘦身"，在保持识别准确度的同时大幅提升处理速度。在车牌定位环节，系统将采集的车辆图像输入训练好的YOLOv5模型，模型通过特征金字塔网络（FPN）逐层提取图像特征，就像用不同倍率的放大镜观察图片，既能把握整体轮廓，又能捕捉车牌细节特征。

网络结构包含骨干网络、颈部网络和检测头三部分。骨干网络如同信息过滤器，通过CSPDarknet53结构对输入图像进行初步特征提取[9]；颈部网络则像信息中转站，采用PANet结构融合不同尺度的特征图[6]；最后的检测头负责输出预测框，精准框定车牌位置[14]。这种模块化设计使系统能够灵活调整网络深度，根据实际需求在速度与精度间取得最佳平衡。

在训练优化方面，YOLOv5引入自适应锚框计算机制。系统自动分析车牌数据集中的标注信息，计算出最适合车牌形状的初始锚框尺寸，这就像为不同车型定制专属检测模板，有效提升定位精度。数据增强策略的应用也增强了模型鲁棒性，通过模拟雨雾、反光等复杂环境生成训练样本，使系统具备应对恶劣天气的检测能力。

与后续处理环节的衔接体现系统设计的整体性。YOLOv5完成车牌定位后，将裁剪出的车牌区域传递给预处理模块，经过灰度化、二值化等操作后进入字符分割阶段。这种流水线式处理方式，既保证了各模块的专业性，又通过统一的数据接口实现高效协同。在硬件部署时，YOLOv5的轻量化特性支持在边缘计算设备上运行，为智能交通系统的实际应用提供了可行性保障。

2.4 flask

Flask作为轻量级Web应用框架，在本系统中扮演着"智能调度员"的角色，负责将各个功能模块连接成有机整体。这个用Python编写的微型框架如同乐高积木，开发者可以根据实际需求灵活组装功能模块，特别适合需要快速搭建原型的智能系统开发。

框架的核心功能由路由系统、模板引擎和扩展机制三部分组成。路由系统就像交通指挥中心，通过@app.route装饰器定义访问路径，当用户上传车牌图片时，系统能准确将请求引导至对应的处理函数。模板引擎采用Jinja2语法，如同智能填空板，将识别结果自动填充到网页模板中，实现识别结果的动态展示。扩展机制则像功能插件库，通过安装Flask-CORS等扩展包，轻松解决跨域访问等常见开发问题。

在系统实现中，Flask主要承担接口开发任务[10]。当摄像头采集到车辆图像后，通过POST请求将图像数据传输至/flask服务接口。这个接口就像流水线传送带，依次调用图像预处理、车牌定位、字符识别等模块，最终将识别结果封装成JSON格式返回。这种设计实现了前后端分离，前端展示界面通过AJAX技术与后端服务交互，保证系统各模块既能独立开发又可协同工作。

框架的轻量化特性带来显著优势。与重量级框架相比，Flask不需要复杂配置就能快速搭建服务，如同即开即用的便携工具箱。在车牌识别场景中，这种特性使得系统能够快速部署在树莓派等嵌入式设备上，为停车场道闸等需要即时响应的场景提供支持。内置的调试模式更是开发利器，当处理异常车牌图像时，实时错误提示能帮助开发者快速定位问题根源。

扩展生态的丰富性增强了系统功能。结合Flask-SocketIO可实现实时视频流传输，使监控中心能同步查看识别过程；集成Flask-RESTful则可构建标准化API接口，方便与交通管理平台对接。这些扩展组件如同功能模块的"即插即用"接口，开发者无需重复造轮子即可扩展系统能力。对于需要持续升级的车牌识别系统，这种可扩展架构提供了良好的演进基础。

框架的灵活性在系统优化中发挥重要作用。当需要提升并发处理能力时，可通过Gunicorn部署多线程服务；面对高负载场景，配合Nginx进行负载均衡就像给系统添加了缓冲带。这种模块化部署方式，使得车牌识别系统既能适应小型停车场的单点应用，也能扩展为城市级交通管理平台的组成部分，充分体现了Flask"小而美"的设计哲学。

2.5 ccpd

CCPD数据集是训练车牌识别系统的重要"练习册"，为神经网络学习提供了丰富的学习素材。这个由中国科研团队构建的专用数据集，就像包含各种难题的题库，能够帮助系统掌握不同场景下的车牌识别技巧。

数据集主要包含多种复杂场景下的车牌图像，覆盖了日常交通中可能遇到的大部分特殊情况。就像驾校训练场设置的不同路况，CCPD中的图像包含强光照射下的反光车牌、雨雾天气的模糊车牌、不同角度的倾斜车牌等典型样本。这种多样性设计使系统在训练时就能"见识"各种复杂情况，如同让新手司机提前熟悉各种恶劣天气下的驾驶环境。

在数据组织方式上，CCPD采用结构化存储设计。每张图像都配有详细的标注文件，就像练习册的参考答案，明确标注了车牌位置、字符内容等信息。这种标注方式为监督学习提供了精准指导，使神经网络在训练时能及时纠正识别错误。数据集还按照不同难度等级进行分类存储，开发人员可以根据训练进度选择合适的样本组合。

该数据集对系统训练具有特殊价值。首先，其样本覆盖了全国各省份的车牌样式，包括新能源车牌等特殊类型，这就像语言学习中的多方言训练，使系统能够识别不同地区的车牌特征。其次，数据集中包含大量经过数据增强处理的样本，如添加模拟污渍、调整亮度对比度等，这种设计增强了系统的抗干扰能力。最后，标注信息中精确的车牌坐标数据，为YOLOv5定位模块的训练打下了基础依据。

在本系统开发中，CCPD数据集发挥了"训练基地"的作用[8]。通过将数据集划分为训练集、验证集和测试集，系统能够分阶段提升识别能力。训练时，系统像学生做练习题一样反复学习样本特征；验证阶段则通过新题检测学习效果；最终测试就像期末考试，检验系统应对全新样本的真实能力。这种科学的训练方式，确保了系统在实际应用中的可靠性。

2.6 BP神经网络

  BP神经网络是一种基于误差反向传播算法的人工神经网络，广泛应用于车牌识别领域。其核心原理是通过多层非线性映射对车牌图像特征进行学习和分类，主要分为图像预处理、特征提取和字符识别三个阶段。原始车牌图像经过灰度化、二值化、尺寸归一化等预处理后，输出层对应字符类别（如31个省级简称+24字母+10数字），采用Softmax函数输出概率分布。训练时采用批量梯度下降法，通过计算输出层预测值与真实标签的交叉熵损失，沿误差负梯度方向逐层调整网络权值和偏置，迭代优化直至收敛。实际应用中，BP网络需配合字符分割等预处理模块，对光照不均、倾斜变形等干扰具有较强鲁棒性。

第三章 系统设计

本系统采用模块化设计思想，将车牌识别流程分解为四个核心环节，如同工厂流水线上的不同工位协同作业。整个架构由图像采集、预处理、定位分割、字符识别模块串联组成，各模块通过标准化数据接口传递处理结果，形成完整的识别链条。

3.1图片预处理

CCPD数据集包含了近30w张图片且拍摄车牌照片的环境复杂多变，包括雨天、雪天、倾斜、模糊等[2]。其中图片名包含了车牌区占图片比例，车牌的水平和垂直角度，车牌的具体位置坐标信息，，标注框四个角的信息，车牌的省份和车牌号信息。具体如下图3.1所示：

图3.1 车辆数据集信息

由于数据集太过庞大，本系统只采用近3w张图片进行训练，具体采用的数据集如表3.1.1和3.1.2所示：

检测数据集det	绿牌（新能源）	蓝牌	total
train	8242	19501	27743
val	1178	2786	3964
test	2354	5571	7925
total	11774	27858	3963

表3.1.1检测数据集信息

识别数据集rec	绿牌（新能源）	蓝牌	total
train	2854	18639	21493
val	1353	2274	3627
test	1378	5485	6863
total	5585	26398	31983

表3.1.2识别数据集信息

3.2数据集制作

1. yolov5数据集制作

YOLOv5[1]数据集制作的核心原理是通过规范化标注和结构化存储实现目标检测模型的训练优化。数据集需包含图像文件及对应的文本标注，每个标注文件以归一化坐标（中心点x、y及宽高w、h）描述目标边界框，并关联类别编号，确保数据格式与模型输入兼容。数据集目录需划分为images（存放JPG/PNG图像）和labels（存储TXT标注）文件夹，并按训练、验证、测试集分层管理，通过YAML配置文件明确路径和类别映射。由于开源数据集提供了具体的坐标位置，因此可以精确标注物体位置，保持类别ID连续且平衡各类样本量。

1. bp神经网络数据集制作

制作 BP 神经网络的车牌识别数据集，需要依照一定顺序完成下述步骤，运用 YOLOv5 对 CCPD 数据集中的车牌区域进行定位与裁剪，之后开展灰度化、二值化、去噪以及倾斜校正等预处理工作，接着借助垂直投影来分割字符，并把尺寸统一为如 28×28 像素这般。随后从文件名里解析出车牌字符标签，把省份汉字、字母以及数字分类编码成独立的类别，将字符图像进行归一化处理并展平为向量，按照一定比例划分成训练集、验证集与测试集。

3.3 yolov5架构

YOLOv5是一种高效的单阶段目标检测框架，其架构由Backbone（主干网络）、Neck（特征融合层）和Head（检测头）三部分构成，采用模块化设计以平衡速度与精度。Backbone基于改进的CSPDarknet53（跨阶段部分网络），通过CSP结构将特征图分为两部分并跨阶段融合，减少计算量的同时增强梯度传播能力，结合Focus模块（早期版本）或Conv层（后期版本）进行初始下采样，利用SiLU激活函数替代LeakyReLU提升非线性表达能力；Neck采用PANet（Path Aggregation Network）与FPN（特征金字塔）的双向特征融合机制，通过自上而下（高层语义）和自下而上（低层细节）的多尺度特征聚合，增强对小目标和遮挡物体的检测能力；Head部分使用Anchor-based检测策略，在三个不同尺度（如80×80、40×40、20×20）上预测边界框坐标（x, y, w, h）、置信度（目标存在概率）及类别概率，通过自适应锚框计算（AutoAnchor）动态优化预设锚框尺寸以适应不同数据集。在损失函数设计上，YOLOv5融合了分类损失（BCE Loss）、置信度损失（BCE Loss）和定位损失（CIoU Loss）：分类损失和置信度损失采用二元交叉熵（BCE）衡量预测与真实标签的差异，定位损失则使用CIoU（Complete Intersection over Union）综合考虑重叠区域、中心点距离及宽高比的匹配度，相较于传统IoU和GIoU，CIoU能更精准地回归边界框；此外，通过Objectness Score抑制低质量预测框，并结合非极大值抑制（NMS）过滤冗余检测结果。模型训练中引入Mosaic数据增强（四图拼接）和自适应图像缩放（减少冗余计算）提升泛化性与推理速度，同时采用超参数进化（Hyperparameter Evolution）自动优化学习率、权重衰减等参数。YOLOv5的输入端支持动态分辨率调整，通过SPPF（Spatial Pyramid Pooling Fast）模块加速空间金字塔池化，而输出端则提供灵活的部署接口（如ONNX、TensorRT）。整体架构通过深度可分离卷积、通道剪枝等技术实现轻量化，并分化为s/m/l/x四种尺寸（不同深度与宽度），满足从移动端到服务器端的多样化需求，最终在检测精度（mAP）与推理速度（FPS）间取得高效平衡。具体架构图如图3.3所示：

图3.3 yolov5架构图

3.4 BP神经网络

  BP神经网络是一种多层前馈神经网络，其网络结构通常包含输入层、隐藏层和输出层，各层之间通过全连接方式传递信号。输入层的神经元数量由输入数据的特征维度决定，负责接收原始输入信息；隐藏层可以有一层或多层，每层神经元通过激活函数对前一层传递的信号进行非线性变换，常见的激活函数包括sigmoid函数、tanh函数或ReLU函数等，隐藏层的神经元数量需根据具体任务调整，是网络学习复杂特征的关键；输出层的神经元数量由任务类型决定，如分类任务中其数量等于类别数，回归任务中可能为单个神经元，输出层根据任务需求选择合适的激活函数，如分类常用softmax函数，回归常用线性函数。BP神经网络的核心在于反向传播算法，该算法通过计算输出误差，从输出层反向传播至输入层，逐层调整各层神经元之间的连接权重和阈值，使得网络预测值与真实值的误差最小化，从而实现对输入数据的学习和映射。这种分层结构允许BP神经网络通过多层非线性变换捕捉输入数据中的复杂模式，广泛应用于分类、回归、模式识别等领域。

第四章 系统实现

4.1 Yolov5神经网络训练

首先训练时，首先加载cfg指定的模型架构文件，构建CSPDarknet53主干网络与PANet特征金字塔，结合weights参数初始化模型权重。随后读取数据配置文件，进行解析训练集、验证集路径及类别数量，数据加载阶段采用Mosaic数据增强（随机四图拼接）与自适应锚框计算，结合img-size设置输入图像尺寸（默认640×640），开启--multi-scale则每10个批次随机缩放图像尺寸（±50%），增强模型尺度不变性；使用矩形训练时，按图像最长边填充至统一尺寸，减少冗余像素计算，提升训练效率。数据预处理还包括色彩空间变换（亮度、对比度、饱和度调整）、随机翻转等。超参数由hyp文件定义（学习率、优化器参数、损失权重等），使得用超参数进化，通过遗传算法迭代优化超参数组合。训练循环中，模型以4为批次大小输入数据，采用SGD优化器（动量0.937，权重衰减0.0005）计算损失，损失函数由分类损失（BCE）、定位损失（CIoU）及置信度损失（BCE）加权构成，通过反向传播更新权重；每轮训练后执行验证，并计算mAP、精确率、召回率等指标，并保存最佳权重。如果训练中断后可经resume参数恢复，自动加载最近检查点继续训练。设备管理通过指定GPU进行训练。训练结束后，模型通过非极大值抑制（NMS）过滤冗余检测框，并生成结果文件。整个流程集成自动混合精度（AMP）训练与梯度裁剪，并且训练100论，最终输出优化后的模型权重。具体训练参数如图4.1所示：

图4.1  yolov5训练参数

4.2 BP神经网络处理步骤

主要处理流程是将采集的彩色车牌图像转换为灰度图像，通过加权平均法降低计算复杂度并保留亮度信息。随后进行降噪处理，采用高斯模糊和均值滤波去除图像中的高斯噪声或随机噪声，其中高斯模糊通过卷积核的权重分配减少边缘模糊，而均值滤波通过邻域平均操作实现平滑。接着进行二值化处理，使用 Otsu 阈值法自动计算全局最优阈值，将图像转换为黑白二值图，突出字符与背景的对比度，同时结合局部阈值法处理光照不均问题。边缘检测阶段，采用 Canny 算子提取字符边缘，通过高斯滤波降噪、梯度计算、非极大值抑制和双阈值连接，有效保留字符轮廓并抑制噪声。形态学处理环节，使用矩形或圆形结构元素进行膨胀和腐蚀操作，填充字符内部空洞并去除细小噪声，随后通过开运算（先腐蚀后膨胀）和闭运算（先膨胀后腐蚀）进一步平滑边缘并连接断裂区域。字符分割阶段，先对二值化图像进行垂直投影分析，统计每列像素值累加和，结合连通域分析确定字符边界，若存在粘连字符则采用轮廓检测或基于面积阈值的分割策略，通过计算字符区域的宽高比和投影波谷定位分割点。最后进行字符归一化处理，将分割后的字符图像统一调整为固定尺寸，通过双线性插值或图像矩倾斜校正消除字符倾斜和变形，确保输入 BP 神经网络的特征一致性。整个预处理流程需结合车牌的先验知识优化参数，例如使用 Sobel 算子检测边缘后通过 HSV 和 RGB 颜色空间交集定位蓝色车牌区域，或通过闭运算填充车牌内部纹理。此外，需注意噪声类型对滤波方法的影响，如椒盐噪声优先选择中值滤波，而高斯噪声更适合高斯模糊。具体如下图4.3所示：

图4.3 BP神经网络训练和识别流程

4.4 训练结果

本项目测试结果，YOLOv5与bp在车牌检测识别系统中展现优势：YOLOv5在目标检测环节表现卓越，其mAP@0.5高达99.5%，召回率达82.5%，表明对车牌的定位精准且漏检率低。具体结果如图4.4所示：

图4.4  yolov5测试结果

第五章 系统搭建

系统实现阶段将设计方案转化为可运行的软件程序，通过代码编写与模块集成，构建完整的车牌识别工作流。开发环境采用Python 3.9作为核心编程语言，配合PyTorch框架实现神经网络功能，使用Flask搭建服务接口，形成端到端的处理链路。

车牌定位功能基于预训练的YOLOv5模型实现。系统将预处理图像缩放至640×640像素后输入检测网络，模型输出车牌区域的坐标信息。针对检测框偏移问题，开发了边界修正算法：通过分析相邻帧检测结果，自动校正单帧检测误差。定位完成的车牌图像经过仿射变换矫正倾斜角度，确保字符保持水平排列。

字符分割模块采用改进型投影法。垂直投影分析确定字符左右边界，水平投影定位字符上下边缘，并进行归一化处理，形成标准化的神经网络输入格式。

系统集成阶段通过Flask框架构建RESTful API接口。客户端上传车辆图像后，服务端依次调用各处理模块，最终返回JSON格式的识别结果。

5.1 接口检测接口

通过集成YOLOv5目标检测模型与bp字符识别模型，构建模块化处理流程：首先利用配置运行参数，初始化阶段分别加载YOLOv5检测模型和bp识别模型，执行图像归一化、尺寸调整及增强预处理，推理阶段采用两阶段级联，YOLOv5定位车牌区域后经NMS过滤冗余框，bp神经网络对裁剪后的车牌进行字符序列预测。

5.2 Flask搭建

通过Flask类初始化应用实例，配置上传目录与结果目录（，确保路径存在性检查，并定义允许的图片格式；前端交互方面，根路由'/'映射至index()函数，返回index.html模板页面供用户上传图片，页面内通过表单触发POST请求至/upload路由。接收请求时，首先校验请求中是否包含文件（'file' in request.files），若缺失则返回JSON错误；接着检查文件名合法性（allowed_file），利用secure_filename过滤危险字符，将文件保存至上传目录；随后调用预定义的api_detect()函数，传入文件路径执行车牌定位与字符识别，处理后的标注图像保存至结果目录；若处理成功，通过JSON返回结果图片的访问路径，前端可通过该路径调用serve_result()路由，利用send_file动态发送结果图像至浏览器展示。异常处理机制涵盖文件类型不符、处理失败及系统错误保障服务健壮性；安全措施包括文件名净化、目录隔离及结果文件存在性校验，防止路径遍历攻击与无效访问。服务启动时开启监听5000端口，支持实时日志输出与热重载，便于开发测试。整体流程实现用户上传→服务器端检测识别→结果返回的闭环，通过RESTful API设计实现前后端解耦。具体项目如图5-1和5-2所示：

第六章 项目总结

本研究通过完整的系统开发与实验验证，证实了基于BP神经网络的车牌识别方案的有效性。在实际测试中，系统展现出三方面核心优势：首先在车牌定位环节，改进型投影法配合YOLOv5检测模型，能准确识别不同角度的车牌位置，即使车辆存在30度以内的倾斜，仍可保持稳定的定位精度；其次在字符分割阶段，动态阈值算法有效解决了反光造成的图像过曝问题，使雨雾天气下的字符分离成功率显著提升；最后在识别准确率方面，经过CCPD数据集训练的BP网络展现出强大的模式学习能力，对模糊、污损车牌的字符判别正确率较传统方法提高明显。

本系统的创新点主要体现在三方面：采用预处理与神经网络协同优化的架构设计，既保留传统图像处理的高效性，又发挥深度学习的智能判别优势；构建动态调整的字符分割机制，通过实时分析投影特征自动优化切割位置；开发轻量级BP网络模型，在保证识别精度的同时降低计算资源消耗，使系统可部署在嵌入式设备运行。

研究也暴露出若干待改进问题：神经网络训练仍依赖大量标注数据，当处理少数民族地区特殊车牌样式时，需重新采集样本进行微调；极端恶劣天气下（如暴雨、沙尘暴），系统识别率会出现波动，需引入红外成像等多模态数据融合技术；现有模型对摩托车等小型车牌的检测精度有待提升，需优化YOLOv5的锚框参数设置。这些发现为后续研究指明了改进路径，通过融合更先进的深度学习模型与自适应算法，有望构建出全天候、全车型的智能识别系统。