1.一种基于BP神经网络预测阈值的仪表重影字符识别方法，其特征在于：包括如下步骤：A)通过摄像头获取数显仪表的彩色图像；

B)对所述步骤A)中取得的彩色图像进行灰度化处理取得灰度图像；

C)计算所述步骤B)中取得的灰度图像的灰度级分布统计量，输入到BP神经网络，预测出理想的二值化全局阈值，并对灰度图像进行二值化，得到消除重影的二值图；

D)对所述步骤C)中取得的二值图进行去除小连通域处理；

E)创建二值图的最小外接矩形，计算出倾斜角度，并通过仿射变换实现倾斜矫正；

F)采用投影分割法将矫正后的二值图分割成单个字符图像；

G)将所述步骤F)中取得的字符图像尺寸归一化到32×32；

H)将尺寸归一化的字符图像输入到LeNet‑5模型进行识别，取得数显仪表字符的识别结果。

2.根据权利要求1所述基于BP神经网络预测阈值的仪表重影字符识别方法，其特征在于：在所述步骤C)中，重复所述步骤A)，取得训练样本图像，对训练样本图像进行灰度化，再提取其中的灰度级分布统计量，并取得理想的二值化全局阈值，将灰度级分布统计量作为输入，对应的理想的二值化全局阈值作为输出，对BP神经网络进行训练。

3.根据权利要求2所述基于BP神经网络预测阈值的仪表重影字符识别方法，其特征在于：所述理想的二值化全局阈值的选取需符合二值化后图像不含有重影、分离重影后数字完整的标准，手动选取每个训练样本图像合理全局阈值的最大值和最小值，并求取合理全局阈值的平均值作为训练样本图像的理想的二值化全局阈值。

4.根据权利要求3所述基于BP神经网络预测阈值的仪表重影字符识别方法，其特征在于：在所述步骤C)中，所述BP神经网络包括2个隐含层，各隐含层的节点数均为25，输入节点数与灰度级分布统计量维度对应，为256，输出节点数为1，所述BP神经网络的隐含层和输出层的节点转移函数为Tansig，训练函数为Traingdm。

5.根据权利要求1所述基于BP神经网络预测阈值的仪表重影字符识别方法，其特征在于：所述步骤H)中的LeNet‑5模型采用ReLU替换sigmoid函数。

6.根据权利要求1所述基于BP神经网络预测阈值的仪表重影字符识别方法，其特征在于：所述步骤H)中的LeNet‑5模型采用RMSprop优化算法更新权重和偏置。

7.根据权利要求1所述基于BP神经网络预测阈值的仪表重影字符识别方法，其特征在于：所述步骤H)中，LeNet‑5模型的训练为以训练样本分割并尺寸归一化后的单个字符图像作为输入，手动制作的对应标签作为输出。

8.根据权利要求1所述基于BP神经网络预测阈值的仪表重影字符识别方法，其特征在于：所述步骤G)中，归一化方法为等比例缩放并居中，周围填充黑色。