lpr — 车牌识别系统

仓库：MuZiCul/lpr（原创）· 语言：Python (Flask + OpenCV) · 定位：10 步图像处理流水线 + 动态权重融合 + 百度 OCR 双重验证

这是作者技术含量最高的项目之一：不是简单调 API，而是自研了完整的识别流水线与融合决策体系。

数据模型（源码）

class ImageRecord(db.Model):
    id = db.Column(db.Integer, primary_key=True)
    image_hash = db.Column(db.String(64), unique=True, nullable=False)   # 图像哈希（缓存键）
    timestamp = db.Column(db.String(20), nullable=False)
    final_result = db.Column(db.String(20))
    confidence = db.Column(db.Float)
    processed_images = db.Column(db.JSON)        # 各步骤中间图
    recognition_results = db.Column(db.JSON)     # 各步骤识别结果
    created_at = db.Column(db.DateTime, default=datetime.now)
    baidu_result = db.Column(db.JSON)            # 百度 API 结果（用于对比）

class WeightSetting(db.Model):
    id, step, weight, description, updated_at

class APIConfig(db.Model):
    id, app_id, api_key, secret_key, updated_at

核心技术：10 步图像处理流水线

系统对每张车牌图执行 10 个处理步骤，每步单独识别并对最终结果投票：

默认权重在代码中定义为 WeightSetting.get_default_weights()，权重可按场景动态调整（精度 0.05）。

这是一个很有启发的设计——不迷信某一种预处理，而是让 10 种处理结果按置信度加权投票。阈值化和形态学步骤权重低（0.2）是因为它们"破坏性"强，而原图和高斯模糊权重最高。

技术栈（源码依赖）

import cv2                    # OpenCV 图像处理
from aip import AipOcr        # 百度 OCR SDK（本地识别 + 云端双重验证）
from flask_sqlalchemy import SQLAlchemy
from flask_migrate import Migrate
import hashlib                # 图像哈希

• 数据库：SQLite（license_plate.db）
• 上传目录：uploads/，处理后图片：processed/
• 配置：百度 API 密钥持久化到数据库，支持配置管理

六大能力（README 归纳）

1. 多步递进图像处理流水线：颜色特征 → 灰度 → 直方图均衡 → 高斯模糊 → Sobel → 自适应阈值 → 对比度增强 → 锐化 → 形态学
2. 动态权重多模型融合：加权投票，权重精度 0.05，可视化调整界面
3. 本地 + 云端双重验证：本地加权投票 vs 百度 OCR API，一致性分析提升可靠性
4. 图像哈希智能缓存：MD5 哈希匹配，记录最终结果 + 完整处理步骤
5. 多维度可信度评估：权重贡献、结果一致性、成功率 → 综合评分，颜色编码展示
6. 配置持久化 + 处理日志：支持配置导入导出、结果分析

点评

这个项目最值得学习的是"工程化的识别系统"思维：

• 不追求单一算法的最优，而是多路径并行 + 加权决策（类似集成学习）
• 权重可调且带设计理由注释，说明作者对每种预处理的特性有深入理解
• 中间结果 JSON 持久化 → 可追溯、可复盘、可调优
• 哈希缓存避免重复计算，同时保留完整处理链

相比"调个 OCR API 返回结果"的做法，这套体系体现了真正的工程深度。对做图像识别/计算机视觉落地的开发者很有参考价值。