基于深度学习的车牌识别系统

本项目面向智慧交通与停车管理场景，基于深度学习技术设计实现一套车牌自动识别桌面系统，旨在提供高效、准确、易用的车牌图像识别服务。系统以提高识别效率、提升准确度、提供可视化交互和保障数据安全为业务目标，通过深度学习算法减少人工干预，在多种复杂场景下保持高识别率。

系统涵盖七大核心功能模块：用户认证与权限管理模块支持普通用户注册登录，内置管理员和普通用户双角色，密码通过 SHA-256 加盐哈希存储，管理员可管理账号状态和查看操作日志；图像加载与预处理模块支持常见图像格式导入，依次完成灰度化、双边滤波去噪、CLAHE 自适应直方图均衡和 Canny 边缘检测四步处理，以 2×2 网格实时展示中间结果；车牌定位检测模块基于 YOLOv8n 深度学习模型识别车牌区域，返回边界框坐标和置信度，支持置信度和 IoU 阈值实时调节，在原图上标注检测结果；车牌字符识别模块采用 LPRNet 端到端模型，无需字符分割即可直接识别中国车牌格式，通过 CTC 解码策略处理变长字符序列，输出识别结果及耗时；识别记录与历史管理模块自动保存每次成功识别的车牌文本、置信度、耗时、图像路径和时间戳，同时记录定位坐标信息，支持历史查询和识别统计。

管理员管理模块提供用户列表管理、账号启用禁用、密码重置、日志查看和用户统计等功能；系统交互界面模块基于 PyQt5 构建现代化 GUI，侧栏提供分步操作指引（图像预处理、车牌定位、车牌识别），支持一键全自动识别，可调节阈值滑块实时调整识别灵敏度，进度条反馈处理进度，大号展示区域醒目显示识别结果。综合来看，系统实现了从图像加载到车牌字符串输出的完整识别流程，同时集成了用户认证和记录管理功能，具有较高的实用价值。

本系统为基于深度学习的车牌识别桌面应用，采用分层单体架构，分为表示层、业务逻辑层、数据访问层和模型层四个层次，核心模块通过函数调用通信，无需网络部署。

技术栈采用 Python 3.10+，以 PyQt5 构建图形用户界面，PyTorch 作为深度学习框架，配合 Ultralytics YOLO 库实现车牌定位，OpenCV 负责图像处理，SQLite 作为嵌入式数据库存储用户数据和识别记录，密码安全通过 SHA-256 加盐哈希实现。

系统核心功能由六大模块协作完成：用户认证模块负责注册登录与角色权限管理，管理员可管理用户和查看操作日志；图像预处理模块依次执行灰度化、双边滤波去噪、CLAHE 自适应直方图均衡和 Canny 边缘检测，以 2×2 网格展示中间结果；车牌定位模块基于 YOLOv8n 深度学习模型检测车牌区域，返回边界框坐标和置信度；字符识别模块采用 LPRNet 端到端模型，通过 CTC 解码策略直接输出车牌字符串；识别记录模块自动保存每次识别结果、定位坐标、置信度和耗时，支持历史查询与统计；主界面模块通过 PyQt5 提供侧栏分步操作和一键全自动识别功能。

为保障交互流畅性，所有计算密集型操作（预处理、模型推理）均在独立子线程中执行，通过 Qt 信号-槽机制安全回传进度和结果，避免阻塞主线程。数据库采用三表结构设计（用户表、识别记录表、定位记录表），支持级联删除与事务操作。模型推理采用 YOLOv8n 的 best.pt 最佳权重配合 LPRNet 的 Final_LPRNet_model.pth 预训练权重，整体实现从图像加载到车牌字符串输出的完整端到端识别流程。