基于Python的智能交通超速识别与车牌违法记录系统

之前接过一个和交通管理相关的后台系统，业务方提了个很有意思的需求：能不能在车辆超速的时候，自动判断这辆车“是不是熟人”，也就是有没有历史违法记录。当时团队里有人开玩笑说，这不就是“当你超速结果警察认识你”嘛。

玩笑归玩笑，真要把这个场景落地，涉及的其实是一整套技术闭环：车速检测、车牌识别、违法记录存储、历史记录查询，以及最后的结果推送。这篇文章就把这套流程拆开讲清楚，并用 Python 实现一个可运行的最小系统。无论你是做后端开发、算法应用，还是准备做智能交通相关的课设、毕设，都可以直接参考。

1. 从“超速被警察记住”到智能交通识别系统

1.1 这个场景背后的技术本质

“警察认识你”在现实执法中并不是靠记忆力，而是靠数据系统。当一辆车超速被电子眼抓拍后，系统会立刻完成三件事：

1. 识别车牌号码；
2. 查询该车牌是否在历史违法库中存在记录；
3. 如果存在，推送“此车有历史违法记录”的提示信息。

整个过程从抓拍完成到结果返回，通常在秒级以内。交警看到“熟人”提示，本质上是系统查到了历史违法记录，并结合现场情况做进一步处理。

所以在技术层面，这个场景可以拆解为：

• 车速检测模块：判断车辆是否超速；
• 车牌识别模块：从卡口图片中提取车牌号；
• 违法记录模块：将超速记录写入数据库；
• 历史查询模块：根据车牌查询历史违法次数和最近违法时间；
• 结果推送模块：将识别结果和“是否老熟人”标记返回给终端。

1.2 电子警察系统的工作闭环

一个完整的电子警察系统通常部署在卡口、红绿灯路口或测速路段。其工作流程大致如下：

1. 车辆经过触发区域，地感线圈、雷达或视频检测器产生触发信号；
2. 高清相机抓拍车辆正面或尾部照片；
3. 抓拍图片送入车牌识别服务器；
4. 识别服务器返回车牌号、车牌颜色、车型等信息；
5. 超速判断模块根据车速阈值判断是否违法；
6. 若违法，系统生成违法记录并存库；
7. 查询历史记录，关联车辆历史违法信息；
8. 结果通过 Web 平台或移动端展示给执法人员。

这里面的核心难点有两个：一是复杂场景下的车牌识别准确率，二是高并发下的数据读写性能。本文会把这两个问题放到具体代码里讨论，但不会故作高深，而是从一个可运行的最小系统入手。

1.3 本文适合哪些读者

这篇文章适合以下人群阅读：

• 想了解智能交通违法识别系统整体架构的后端开发者；
• 准备做车辆识别、车牌识别类毕业设计的学生；
• 需要在业务系统中接入车牌识别能力的技术人员；
• 对 OpenCV、Flask、MySQL 等技术栈感兴趣，想通过一个完整案例串联起来的开发者。

如果你已经能独立写出 Flask 或 Spring Boot 接口，阅读本文会非常顺畅；如果你还处于入门阶段，也完全不用担心，代码部分会尽量拆细，保证能跟着跑起来。

2. 系统设计与环境准备

2.1 系统功能模块划分

为了让代码结构清晰，我们把系统分为以下模块：

2.2 技术选型

本文选择的技术栈如下：

• 后端框架：Flask 2.x；
• 图像处理：OpenCV 4.x；
• 车牌识别：PaddleOCR（可选），如果不想安装 OCR 模型，也可以用 mock 方式替换；
• 数据库：MySQL 8.x；
• 数据库驱动：PyMySQL；
• 开发语言：Python 3.9+。

之所以选 Python，是因为 OpenCV 和 OCR 生态成熟，适合快速验证算法流程。在真实生产系统中，这部分逻辑可以封装成独立的微服务，用 Java 或 Go 编写业务层，算法层保留 Python 服务，两者通过 HTTP 或消息队列通信。

2.3 开发环境准备

建议使用 Anaconda 创建独立的虚拟环境，避免依赖冲突。安装命令如下：

conda create -n traffic python=3.9 conda activate traffic pip install flask opencv-python pymysql requests

如果你需要使用 PaddleOCR，可以单独安装：

pip install paddlepaddle paddleocr

需要注意，paddlepaddle 的安装与 CUDA 版本有关。如果只是跑通流程，CPU 版本完全够用，识别速度会慢一些，但不影响功能验证。

下面的示例代码中并没有强制依赖 PaddleOCR，而是预留了plate_recognize()方法。你可以根据自己的环境选择接入真实 OCR，或使用模拟数据继续后续开发。

2.4 示例项目结构

traffic-system/ ├── app.py # Flask 入口 ├── config.py # 配置文件 ├── database.py # 数据库操作封装 ├── recognition.py # 车牌识别模块 ├── speed_detector.py # 车速检测与超速判断模块 ├── models/ │ ├── vehicle.sql # 建表语句 │ └── test_data.sql # 测试数据 ├── images/ │ ├── car_1.jpg # 测试图片（可选） │ └── car_2.jpg └── requirements.txt

3. 核心模块原理拆解

3.1 车速检测原理

实际道路上的车速检测主要有三种方式：

1. 地感线圈测速：在路面上埋设两组线圈，车辆经过时产生电磁感应信号，根据两组线圈之间的距离和触发时间差计算车速；
2. 雷达测速：利用多普勒效应，通过电磁波频率变化计算车速；
3. 视频测速：通过视频帧中车辆的位移和时间差计算车速。

不管哪种方式，核心公式都是：

速度 = 距离 / 时间

例如两组线圈间距为 10 米，车辆通过第一组线圈和通过第二组线圈的时间差为 0.5 秒，那么速度为：

10 / 0.5 = 20 米/秒 = 72 公里/小时

在软件模拟中，我们可以直接传入“车辆通过两个监测点的时间戳”来计算速度。

3.2 车牌识别原理

车牌识别（LPR，License Plate Recognition）是整个系统的技术核心，一般分为四个步骤：

1. 车牌定位：在图像中找出车牌所在的矩形区域；
2. 字符分割：将车牌区域切割成单个字符；
3. 字符识别：对每个字符进行 OCR 识别；
4. 车牌校正：根据省份简称、字母和数字的组合规则校验结果。

OpenCV 可以完成前两步的基础处理，但准确率依赖图像质量。工业级系统通常使用深度学习模型完成端到端车牌识别，例如基于 YOLO 的车牌检测，结合 CRNN 或 Transformer 的字符识别。

在本文的简化实现中，我们把车牌识别封装成一个独立函数，内部可以切换为 PaddleOCR，也可以使用模拟数据。这样做的目的是让读者先理解业务闭环，再逐步替换算法细节。

3.3 数据库设计

违法记录系统的核心表有以下三张：

• 车辆信息表：记录车牌号、车辆类型、车主信息；
• 违法记录表：记录每次违法的具体信息；
• 卡口设备表：记录设备编号、所在路段、限速值。

这三张表的关系如下：

卡口设备表 1 ── n 违法记录表 n ── 1 车辆信息表

“老熟人”判断逻辑非常简单：通过车牌号在违法记录表中查询历史记录，如果记录数大于等于 1，则标记为“历史违法车辆”。

4. 完整实战：超速识别与“老熟人”检测系统

4.1 创建数据库和测试数据

我们先来创建数据库表结构。文件路径：models/vehicle.sql

-- 车辆信息表 CREATE TABLE IF NOT EXISTS vehicle ( id INT AUTO_INCREMENT PRIMARY KEY, plate_no VARCHAR(20) NOT NULL UNIQUE COMMENT '车牌号', vehicle_type VARCHAR(20) DEFAULT '小型汽车', owner_name VARCHAR(50) COMMENT '车主姓名', create_time DATETIME DEFAULT CURRENT_TIMESTAMP ) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COMMENT='车辆信息表'; -- 卡口设备表 CREATE TABLE IF NOT EXISTS device ( id INT AUTO_INCREMENT PRIMARY KEY, device_no VARCHAR(30) NOT NULL UNIQUE COMMENT '设备编号', location_desc VARCHAR(100) COMMENT '设备所在路段', speed_limit INT NOT NULL COMMENT '该路段限速值(km/h)' ) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COMMENT='卡口设备表'; -- 违法记录表 CREATE TABLE IF NOT EXISTS violation_record ( id INT AUTO_INCREMENT PRIMARY KEY, plate_no VARCHAR(20) NOT NULL COMMENT '车牌号', device_no VARCHAR(30) NOT NULL COMMENT '设备编号', speed INT NOT NULL COMMENT '实测车速(km/h)', limit_speed INT NOT NULL COMMENT '限速值(km/h)', exceed_percent DECIMAL(5,2) COMMENT '超速百分比', capture_time DATETIME NOT NULL COMMENT '抓拍时间', image_path VARCHAR(200) COMMENT '抓拍图片路径', is_processed TINYINT DEFAULT 0 COMMENT '是否已处理', INDEX idx_plate_time (plate_no, capture_time), INDEX idx_device_time (device_no, capture_time) ) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COMMENT='超速违法记录表';

测试数据文件：models/test_data.sql

INSERT INTO device (device_no, location_desc, speed_limit) VALUES ('HD-001', 'G15 高速入口匝道', 60), ('HD-002', '人民大道测速点', 40), ('HD-003', '滨河路下坡段', 50); INSERT INTO vehicle (plate_no, vehicle_type, owner_name) VALUES ('苏A12345', '小型汽车', '张三'), ('京B88888', '小型汽车', '李四'), ('粤C66666', '小型汽车', '王五'); INSERT INTO violation_record (plate_no, device_no, speed, limit_speed, exceed_percent, capture_time, is_processed) VALUES ('苏A12345', 'HD-001', 85, 60, 41.67, '2025-01-10 08:30:00', 1), ('京B88888', 'HD-001', 95, 60, 58.33, '2025-01-12 14:20:00', 1), ('苏A12345', 'HD-002', 72, 40, 80.00, '2025-02-05 10:10:00', 0);

这里故意插入了一条“苏A12345”的二次违法记录，方便后面测试“老熟人”逻辑。

4.2 编写配置文件

文件路径：config.py

# 数据库连接配置 DB_CONFIG = { "host": "localhost", "port": 3306, "user": "root", "password": "123456", "database": "traffic_db", "charset": "utf8mb4" } # 默认限速值，如果设备表中查不到取该值 DEFAULT_SPEED_LIMIT = 60 # 是否启用真实OCR（False则使用模拟车牌） USE_OCR = False # OCR 被识别为车牌号的置信度阈值 OCR_CONFIDENCE_THRESHOLD = 0.6

4.3 封装数据库操作

文件路径：database.py

import pymysql from config import DB_CONFIG class Database: def __init__(self): self.conn = pymysql.connect(**DB_CONFIG) self.cursor = self.conn.cursor(pymysql.cursors.DictCursor) def get_device_info(self, device_no): """根据设备编号查询限速值""" sql = "SELECT device_no, location_desc, speed_limit FROM device WHERE device_no = %s" self.cursor.execute(sql, (device_no,)) return self.cursor.fetchone() def insert_violation(self, plate_no, device_no, speed, limit_speed, capture_time, image_path=""): """插入一条超速违法记录""" exceed_percent = round((speed - limit_speed) / limit_speed * 100, 2) sql = """ INSERT INTO violation_record (plate_no, device_no, speed, limit_speed, exceed_percent, capture_time, image_path) VALUES (%s, %s, %s, %s, %s, %s, %s) """ self.cursor.execute(sql, ( plate_no, device_no, speed, limit_speed, exceed_percent, capture_time, image_path )) self.conn.commit() return self.cursor.lastrowid def get_history_count(self, plate_no): """查询历史违法次数""" sql = "SELECT COUNT(*) AS cnt FROM violation_record WHERE plate_no = %s" self.cursor.execute(sql, (plate_no,)) return self.cursor.fetchone()["cnt"] def get_last_violation(self, plate_no): """查询最近一条违法记录""" sql = """ SELECT plate_no, speed, limit_speed, capture_time FROM violation_record WHERE plate_no = %s ORDER BY capture_time DESC LIMIT 1 """ self.cursor.execute(sql, (plate_no,)) return self.cursor.fetchone() def close(self): self.cursor.close() self.conn.close()

这里把数据库操作单独封装了一层，后续在 Flask 接口中直接调用即可。注意每次执行完 SQL 后要调用commit()，否则数据不会真正落库。

4.4 编写车牌识别模块

文件路径：recognition.py

import random from config import USE_OCR, OCR_CONFIDENCE_THRESHOLD def plate_recognize(image_path): """ 车牌识别函数。 实际生产环境建议接入深度学习OCR模型，例如PaddleOCR： from paddleocr import PaddleOCR ocr = PaddleOCR(use_angle_cls=True, lang='ch') result = ocr.ocr(image_path, cls=True) 本文为了不引入过重的运行环境，提供USE_OCR开关： - False：使用模拟车牌号，方便跑通业务流程； - True：读取代码中预置的OCR结果。 返回示例：{"plate_no": "苏A12345", "confidence": 0.95} """ if not USE_OCR: # 模拟识别结果，测试时可手动改成不同车牌 mock_plate = random.choice(["苏A12345", "京B88888", "粤C66666", "沪D99999"]) return { "plate_no": mock_plate, "confidence": round(random.uniform(OCR_CONFIDENCE_THRESHOLD, 1.0), 2) } # 以下为真实OCR调用示意，需根据实际安装情况调整 try: from paddleocr import PaddleOCR ocr = PaddleOCR(use_angle_cls=True, lang='ch', show_log=False) result = ocr.ocr(image_path, cls=True) plate_no = "" confidence = 0.0 if result and result[0]: # C++推理模式下result[0]是list，每个元素是[box, (text, score)] for line in result[0]: text = line[1][0] score = line[1][1] if score >= OCR_CONFIDENCE_THRESHOLD and len(text) == 7: plate_no = text.upper() confidence = round(float(score), 2) break if not plate_no: return {"plate_no": None, "confidence": 0.0} return {"plate_no": plate_no, "confidence": confidence} except ImportError: # 没有安装OCR时降级为模拟 return {"plate_no": "苏A12345", "confidence": 0.95}

这里有一个明显的降级设计：不装 OCR 也能运行整个服务，适合先跑通业务，再回来填充模型部分。真实验证时，建议先测试几张不同角度、不同光线下的车牌图片，观察置信度变化。

4.5 编写车速检测与超速判断模块

文件路径：speed_detector.py

from datetime import datetime from config import DEFAULT_SPEED_LIMIT # 两个检测点之间的距离，单位：米 DETECTION_DISTANCE_M = 10.0 def calc_speed(ts1, ts2): """ 根据车辆通过两个监测点的时间戳计算速度。 参数： ts1: 通过第一个检测点的时间，格式为 "%Y-%m-%d %H:%M:%S" ts2: 通过第二个检测点的时间 返回： 速度，单位 km/h """ dt1 = datetime.strptime(ts1, "%Y-%m-%d %H:%M:%S") dt2 = datetime.strptime(ts2, "%Y-%m-%d %H:%M:%S") time_diff_sec = (dt2 - dt1).total_seconds() if time_diff_sec <= 0: raise ValueError("时间戳不合法：第二个时间必须晚于第一个时间") speed_m_per_s = DETECTION_DISTANCE_M / time_diff_sec speed_km_h = speed_m_per_s * 3.6 return round(speed_km_h, 2) def is_over_speed(speed, limit_speed=DEFAULT_SPEED_LIMIT): """判断是否超速""" return speed > limit_speed def build_speed_result(speed, limit_speed): """构造超速判断结果""" if speed <= limit_speed: return { "is_over_speed": False, "speed": speed, "limit_speed": limit_speed, "exceed_percent": 0.0, "message": "正常行驶" } exceed_percent = round((speed - limit_speed) / limit_speed * 100, 2) return { "is_over_speed": True, "speed": speed, "limit_speed": limit_speed, "exceed_percent": exceed_percent, "message": f"超速 {exceed_percent}%" }

这个模块虽然简单，但在实际系统中非常关键。计算速度时，要避免时间戳格式错误和时间差为负数的情况。生产环境还应加入时间同步机制，确保两个检测点使用同一个时钟源。

4.6 编写历史违法查询与“老熟人”判断

文件路径：history.py

from database import Database def query_driver_history(plate_no): """ 查询车牌号对应的历史违法信息。 如果历史违法次数 >= 1，返回“老熟人”标记。 """ db = Database() try: total_count = db.get_history_count(plate_no) last_record = db.get_last_violation(plate_no) result = { "plate_no": plate_no, "total_violation_count": total_count, "is_familiar": total_count >= 1, "last_violation": last_record } return result finally: db.close()

4.7 编写 Flask 接口

文件路径：app.py

from flask import Flask, request, jsonify from database import Database from recognition import plate_recognize from speed_detector import calc_speed, build_speed_result from history import query_driver_history app = Flask(__name__) @app.route("/api/check_speed", methods=["POST"]) def check_speed(): """ 请求参数示例： { "device_no": "HD-001", "image_path": "images/car_1.jpg", "ts1": "2025-06-01 10:00:00", "ts2": "2025-06-01 10:00:01" } """ data = request.get_json() if not data: return jsonify({"code": 400, "message": "请求体不能为空"}), 400 device_no = data.get("device_no") image_path = data.get("image_path", "") ts1 = data.get("ts1") ts2 = data.get("ts2") if not all([device_no, ts1, ts2]): return jsonify({"code": 400, "message": "缺少必填参数"}), 400 # 1. 查询设备信息，获取限速值 db = Database() device = db.get_device_info(device_no) db.close() limit_speed = device["speed_limit"] if device else 60 # 2. 计算车速 try: speed = calc_speed(ts1, ts2) except ValueError as e: return jsonify({"code": 400, "message": str(e)}), 400 speed_result = build_speed_result(speed, limit_speed) # 3. 识别车牌 ocr_result = plate_recognize(image_path) plate_no = ocr_result.get("plate_no") if not plate_no: return jsonify({ "code": 200, "message": "车牌识别失败，请检查抓拍图片", "data": { "speed_result": speed_result, "ocr_result": ocr_result } }), 200 # 4. 如果超速，写入违法记录 violation_id = None if speed_result["is_over_speed"]: db = Database() from datetime import datetime capture_time = datetime.now().strftime("%Y-%m-%d %H:%M:%S") violation_id = db.insert_violation( plate_no=plate_no, device_no=device_no, speed=speed_result["speed"], limit_speed=speed_result["limit_speed"], capture_time=capture_time, image_path=image_path ) db.close() # 5. 查询历史违法信息 history_result = query_driver_history(plate_no) return jsonify({ "code": 200, "message": "success", "data": { "violation_id": violation_id, "device_no": device_no, "speed_result": speed_result, "ocr_result": ocr_result, "history": history_result } }), 200 if __name__ == "__main__": app.run(host="0.0.0.0", port=5000, debug=True)

4.8 运行与验证

启动服务：

python app.py

使用 curl 模拟一次超速请求：

curl -X POST http://localhost:5000/api/check_speed \ -H "Content-Type: application/json" \ -d '{ "device_no": "HD-001", "image_path": "images/car_1.jpg", "ts1": "2025-06-01 10:00:00", "ts2": "2025-06-01 10:00:01" }'

如果ts1和ts2相差 1 秒，按照 10 米的检测距离，车速为 36 km/h，没有超过 HD-001 的 60 km/h 限速，系统会返回正常行驶结果。

将ts2改为“2025-06-01 10:00:00”，由于时间差为 0，会触发时间戳校验异常。改为“10:00:00.2”这类带毫秒的时间，需要调整calc_speed()中的时间解析格式。为便于演示，我们把ts2改为稍微晚一点的时间，例如“10:00:00.3”，但当前代码不支持毫秒，这里就使用相差 0.5 秒的示例，需要把calc_speed()中的%S改为%S.%f。这样能让读者看清“时间差越短，车速越高”的逻辑。

为了更方便测试，我们换一种方式：使用相差 0.8 秒，距离 10 米，车速为 45 km/h，仍未超速；使用相差 0.4 秒，车速为 90 km/h，超速 50%。

修改后的calc_speed()可以兼容毫秒：

def calc_speed(ts1, ts2): time_format = "%Y-%m-%d %H:%M:%S.%f" dt1 = datetime.strptime(ts1, time_format) dt2 = datetime.strptime(ts2, time_format) time_diff_sec = (dt2 - dt1).total_seconds() if time_diff_sec <= 0: raise ValueError("时间戳不合法：第二个时间必须晚于第一个时间") speed_m_per_s = DETECTION_DISTANCE_M / time_diff_sec speed_km_h = speed_m_per_s * 3.6 return round(speed_km_h, 2)

此时请求：

{ "device_no": "HD-001", "image_path": "images/car_1.jpg", "ts1": "2025-06-01 10:00:00.000", "ts2": "2025-06-01 10:00:00.400" }

速度计算结果为 90 km/h，超出限速 60 km/h，超速 50%，系统会生成违法记录，并查询该车牌历史记录。

如果识别到的车牌是“苏A12345”，由于前面测试数据中已经存在两条违法记录，返回的is_familiar为true，这就是“警察认识你”背后的数据逻辑。

4.9 预期返回示例

{ "code": 200, "message": "success", "data": { "violation_id": 4, "device_no": "HD-001", "speed_result": { "is_over_speed": true, "speed": 90.0, "limit_speed": 60, "exceed_percent": 50.0, "message": "超速 50.0%" }, "ocr_result": { "plate_no": "苏A12345", "confidence": 0.95 }, "history": { "plate_no": "苏A12345", "total_violation_count": 3, "is_familiar": true, "last_violation": { "plate_no": "苏A12345", "speed": 72, "limit_speed": 40, "capture_time": "2025-02-05 10:10:00" } } } }

5. 常见问题与排查思路

在实际开发或部署这类系统时，下面这些问题出现频率较高。

在排查过程中，建议按“接口入参 → 边缘计算 → 数据库写入 → 历史查询 → 返回组装”的顺序逐步定位。很多时候问题并不在算法，而在数据格式、时间格式或数据库连接管理上。

6. 工程最佳实践与合规建议

6.1 数据安全与隐私保护

车辆违法系统涉及车牌号、车主姓名、行驶轨迹等个人信息，属于敏感数据。开发时必须注意以下几点：

1. 数据库连接使用最小权限账号，只授予SELECT、INSERT、UPDATE权限，禁止使用 root 连接业务库；
2. 车牌号在日志中应脱敏展示，例如“苏A12345”只保留前两位和后三位为明文；
3. 对外接口需要鉴权，不能直接暴露在公网；
4. 抓拍图片需要设置访问有效期，并记录访问日志；
5. 保存车主信息等敏感字段时，应按法规要求进行加密存储或脱敏处理。

6.2 算法与误报处理

车牌识别不可能做到 100% 准确，尤其是雨雪天气、夜间逆光、车牌污损的情况下。实际工程中要做三层兜底：

• 置信度阈值兜底：置信度低于阈值的识别结果不入库，转人工审核队列；
• 人工审核兜底：在管理后台提供“疑似错误”标记功能，允许执法人员手工纠正；
• 历史比对兜底：对于未识别出车牌的照片，可以结合车型、车身颜色、通过时间等特征进行二次筛选。

和“老熟人”判断一样，这类系统最终服务的是执法决策，准确性远比响应速度重要。宁可让少数记录进入人工队列，也不能把错误记录直接推送出去。

6.3 性能优化建议

单卡口高频场景下，每秒可能同时处理多辆车。建议从以下几个方面优化：

1. 图片先压缩再上传，减少带宽和存储压力；
2. OCR 服务与业务服务分开部署，通过 Redis 缓存最近识别的车牌结果；
3. 违法记录写入采用批量插入，避免单条提交；
4. 历史违法统计可以提前在车辆维度建汇总字段，避免每次实时COUNT(*)；
5. 静态资源（抓拍图片）放对象存储，数据库只存路径。

6.4 上线前的自检清单

正式部署前，建议对照以下清单逐项检查：

• [ ] 数据库备份策略是否完成；
• [ ] 是否已配置慢 SQL 日志；
• [ ] OCR 模型是否用真实现场图像做过测试；
• [ ] 接口是否增加了限流和鉴权；
• [ ] 敏感字段是否脱敏；
• [ ] 双检测点时间是否已做NTP同步；
• [ ] 是否配置了人工审核后台；
• [ ] 违法记录是否支持回滚和人工删除；
• [ ] 是否对异常请求做了日志记录。

7. 总结与学习路线

本文围绕“超速被电子眼抓拍后识别出历史违法记录”的场景，完整搭建了一个可运行的车辆超速识别与历史记录关联系统。核心流程包括：车速计算、车牌识别、超速判断、违法记录入库、历史记录查询，以及最终的结果返回。代码部分分为模块讲解，方便你直接复制到自己的项目中修改使用。

如果你对这块技术方向感兴趣，下一步可以从这几个方面深入：

• 图像处理方向：学习 OpenCV 的车牌定位和字符分割算法，再结合 YOLOv8 训练自己的车牌检测模型；
• 后端架构方向：将 Flask 接口替换为 Spring Cloud 或 Go 微服务，加入消息队列处理异步抓拍数据；
• 数据分析方向：对违法记录做时间维度和路段维度的统计分析，找出事故高发点和违法高峰时段；
• 前端展示方向：开发一个管理后台，用地图展示卡口分布，用表格展示违法记录和“老熟人”列表。

最后补充一句：本文所有代码只用于技术学习和功能验证，涉及真实车牌、个人信息的处理，请务必在合法合规的框架下进行。希望这篇文章能帮你在智能交通开发这条路上少踩几个坑。