简介一份面向计算机专业毕业设计与Python实战的停车场收费系统源码基于OpenCV车牌识别技术适合正在准备毕业设计或需要项目练习的学习者。系统涵盖车牌识别、停车管理、收费管理、用户管理等核心模块整体方案完整源码经本地编译调试可运行评审分98分可作为高分毕设的参考框架。资源压缩包共908个文件大小18.07MB主要包含Python源码、Java后台类、JavaScript前端脚本、页面样式、图片资源以及数据库SQL文件各类型文件分工明确便于按功能模块对照学习。目前已有248人学习说明其具备一定的参考和复用价值。下载后可直接运行验证也可通过源码梳理车牌识别流程、前后端交互逻辑与收费结算实现对完成毕业设计或积累项目实战经验均有切实帮助。1. 停车收费里的车牌识别为什么 OpenCV 方案依然值得做很多人的毕业设计做到停车场收费系统时会遇到一个很真实的尴尬界面画好了、数据库建了但一接摄像头就发现车牌识别不是“识别率 90%”那么简单。白天还行一到晚上、逆光、车牌上有泥识别结果就开始乱跳。本文要讲的这套基于 OpenCV 的 python 车牌识别停车场收费系统正是冲着这个场景来的用传统图像处理方法完成车牌定位、字符分割和字符识别再把识别结果接入停车计费闭环。它能解决的核心问题只有一个——你不需要 GPU、不需要训练数据集用一台普通电脑就能把“入口识别车牌→记录入场时间→出场计算费用”整条链路跑通。适合正在做毕设、课设或者想快速搭一个完整可演示 demo 的开发者。2. 系统架构与识别流程先把收费逻辑接在识别的哪个环节2.1 停车场收费系统的模块划分识别、计费、出库哪个都不能少这套系统从数据流上看是五段式图像采集、车牌定位、字符分割、字符识别、收费结算。前四段是视觉部分最后一段是业务部分。很多初学者会把注意力全放在“怎么把车牌框出来”上结果识别做得差不多了才发现收费逻辑不知道怎么和识别结果接上——这是最典型的翻车方式。我一般会先画一条主链路入口摄像头抓一帧图像把车牌识别成字符串“京A12345”然后去数据库的车辆表里查这个车牌有没有入场记录。没有就插入一条新记录记录入场时间有就说明这是出场用当前时间去算停车时长、按规则算出费用并更新记录状态。也就是说视觉部分只负责产出一个标准化的车牌字符串业务部分完全不关心这个字符串是怎么识别出来的。这个概念很重要车牌识别模块和收费模块之间只通过一个plate_number字段通信。这样做的好处是你后期如果想把 OpenCV 换成深度学习模型只要保证新模型输出同样的字符串格式收费模块一行都不用改。2.2 车牌识别为什么用 OpenCV 而不是一上来就上 YOLO选择 OpenCV 而不是直接上 YOLO不是因为它识别率高而是因为它在毕设场景里“性价比”最高。一个用 HSV 颜色过滤加轮廓查找的车牌定位核心代码不超过 80 行跑在一张 1080p 图片上大概 50 毫秒上下完全够用。更重要的是每一步都有明确的中间结果可以可视化定位候选框画出来、字符分割后的图片打印出来、模板匹配的得分输出出来。YOLO 那种端到端方案看起来很省事但实际落地时你需要准备带标注的数据集、训练环境、GPU 或者云服务器还要面对训练不收敛这种黑匣子问题。对于一个只有 3 个月排期的毕设来说这套代价不小。我的建议是先用 OpenCV 把完整系统跑通再在“可改进方向”里提一句“后续可替换为基于深度学习的检测模型”。既有完整实现又有技术演进空间答辩时反而比直接套一个 YOLO demo 更站得住。2.3 识别主流程拆解定位、分割、识别三个子模块的职责车牌识别在主流程上分三步。定位阶段的任务是从一张全场景图中找出车牌所在的矩形区域。常见的做法是把 BGR 图像转成 HSV 色彩空间按车牌底色做颜色过滤再用形态学操作把零散的前景连成连通域最后按长宽比筛掉不可能的候选框。这里要特别注意蓝色车牌的 HSV 范围是 H:100-124S:80-255V:80-255但你实际调参时一定要在自己的光照条件下重新标定网上抄来的范围只能说是个起点。分割阶段拿到定位出的车牌图后先转灰度、二值化再用垂直投影找到每一列的像素统计量按“连续非零区间”切出单个字符。这一步的关键是蓝色车牌上的汉字、字母、数字宽度不完全一致必须设一个最小宽度阈值把杂讯去掉。识别阶段在毕设里用模板匹配就够把切出的字符统一 resize 成和模板相同的尺寸计算两者相似度取最高得分对应的字符作为识别结果。模板匹配不用训练但中文车牌汉字容易和结构相近的字符混淆所以模板库要覆盖在用的各省简称。跑通之后你自然会发现真正影响识别率的往往不是算法本身而是前面两步的质量——车牌定位歪了、漏了半个字符后面再好的识别器也没用。3. 源码复现三个核心函数的实现与参数选择3.1 车牌定位HSV 颜色过滤与形态学操作的组合先看定位函数。这里的核心思路是先用 HSV 范围过滤出疑似车牌颜色的像素再通过形态学闭运算把断裂的区域连起来最后用轮廓面积和宽高比筛掉噪声。import cv2 import numpy as np def locate_plate(img): 定位车牌区域返回车牌图的 RGB 切片 img: BGR 图像 # 转为 HSV提取蓝色车牌的掩膜 hsv cv2.cvtColor(img, cv2.COLOR_BGR2HSV) # 蓝色范围可以先用这个初始值后续按自己的摄像头微调 lower_blue np.array([100, 80, 80]) upper_blue np.array([124, 255, 255]) mask cv2.inRange(hsv, lower_blue, upper_blue) # 闭运算先膨胀再腐蚀把车牌上断开的地方补起来 kernel cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5)) closed cv2.morphologyEx(mask, cv2.MORPH_CLOSE, kernel) # 最外面再膨胀一次把边缘字符区域包进来 closed cv2.dilate(closed, kernel, iterations2) # 找轮廓按面积过滤 contours, _ cv2.findContours(closed, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) candidates [] for cnt in contours: area cv2.contourArea(cnt) if area 2000: # 这个值取决于图像分辨率1080p 下用 2000 continue x, y, w, h cv2.boundingRect(cnt) ratio w / h # 标准车牌宽高比约 3.14这里放宽到 2-5 容忍拍摄角度 if 2.0 ratio 5.0: candidates.append((x, y, w, h)) # 没有候选就返回空 if not candidates: return None # 有多个候选时取面积最大的一个 x, y, w, h max(candidates, keylambda r: r[2] * r[3]) return img[y:yh, x:xw]这段代码里值得反复调的是lower_blue和upper_blue。你直接在某个晴天下午拍的图上框一遍看mask里车牌区域是不是被完整填满。填不满就把 S 的下限往下调到 60 左右但调太低会把蓝色车身也当成候选框所以后面的面积过滤和宽高比过滤不能砍。kernel的尺寸也是关键5x5 的核在 1080p 图像上比较稳如果图像分辨率更低建议缩到 3x3。3.2 字符分割二值化与垂直投影拿到车牌切片后先放大到一个统一尺寸以减少后续归一化的误差然后转灰度、二值化用垂直投影找到每个字符的左右边界。这里有个细节蓝色车牌的背景在灰度图里比较暗而白色字符偏亮所以用大津法就能取得不错的效果。def segment_chars(plate_img): 将车牌图分割为单个字符图列表 plate_img: locate_plate 返回的 BGR 切片 # 统一宽度高度按原比例变化 width 300 height int(plate_img.shape[0] * width / plate_img.shape[1]) resized cv2.resize(plate_img, (width, height)) # 转灰度后二值化注意 cv2.THRESH_BINARY cv2.THRESH_OTSU gray cv2.cvtColor(resized, cv2.COLOR_BGR2GRAY) _, binary cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY | cv2.THRESH_OTSU) # 垂直投影统计每列有多少白色像素 col_sum np.sum(binary 255, axis0) # 找连续非零区间的起点和终点 in_char False char_ranges [] for i, val in enumerate(col_sum): if val 0 and not in_char: start i in_char True elif val 0 and in_char: end i in_char False # 过滤掉太窄的噪声区间 if end - start 5: char_ranges.append((start, end)) if in_char: char_ranges.append((start, len(col_sum))) # 按起点排序按宽度过滤异常区间 char_ranges.sort() widths [r[1] - r[0] for r in char_ranges] median_w np.median(widths) chars [] for start, end in char_ranges: w end - start # 宽度在 0.5-1.5 倍中位数之间的才保留 if 0.5 * median_w w 1.5 * median_w: chars.append(binary[:, start:end]) return charssegment_chars最容易出问题的地方是最后的宽度过滤。如果车牌图片本身有倾斜投影出来的字符区间会变窄或互相粘连“京A12345”的 7 个字符可能变成 6 个或 8 个。我常做的一个补救是当切出来的字符数量不是 7 个时直接把这张图送去做一次倾斜矫正用 cv2.minAreaRect 算出车牌的旋转角度再仿射变换回正然后再重新分割一遍。3.3 字符识别模板匹配及尺寸归一化参数模板匹配的做法是把每个待识别字符和模板库里的所有模板逐一比较选相似度最高的。模板库可以自己用画图工具生成也可以用之前分割好的字符图手工归类后保存下来。每个模板和待识别字符都要统一到相同尺寸否则相似度没有意义。import os def recognize_chars(chars, template_dirtemplates): 用模板匹配识别分割好的字符 chars: segment_chars 返回的字符图列表 template_dir: 模板图片所在目录每个模板命名形如 京_0.png, A_1.png # 加载模板库模板尺寸统一为 50x100 templates {} for fname in os.listdir(template_dir): if not fname.endswith(.png): continue label fname.split(.)[0] # 去掉扩展名 tpl cv2.imread(os.path.join(template_dir, fname)) tpl_gray cv2.cvtColor(tpl, cv2.COLOR_BGR2GRAY) tpl_gray cv2.resize(tpl_gray, (50, 100)) # 二值化模板保证和待识别字符同样的处理口径 _, tpl_bin cv2.threshold(tpl_gray, 0, 255, cv2.THRESH_BINARY | cv2.THRESH_OTSU) templates[label] tpl_bin result [] for char_img in chars: # 统一尺寸和类型 char_img cv2.resize(char_img, (50, 100)) best_score -1 best_label None for label, tpl in templates.items(): # TM_CCOEFF_NORMED 对亮度变化不敏感 score cv2.matchTemplate(char_img, tpl, cv2.TM_CCOEFF_NORMED)[0][0] if score best_score: best_score score best_label label result.append(best_label) return .join(result)这里有两个参数直接影响识别率。第一个是模板和目标字符的统一尺寸50x100 是我常用的字符太小会损失细节太大又会让模板匹配对轻微位移过度敏感。第二个是cv2.TM_CCOEFF_NORMED这个匹配方法它对图像的亮度和对比度变化有归一化处理比TM_SQDIFF稳定得多。匹配得分低于 0.6 的结果基本不可信建议在系统中打一条日志这种低置信度车牌重拍一帧再识别一次。3.4 把识别流程串起来入口函数与测试脚本上面三个函数组合成完整流程。入口函数负责读图、调用三步识别、返回车牌字符串。写测试脚本时我会刻意准备几张包含正常蓝色车牌、倾斜车牌、夜间灯光下车牌、绿牌新能源车牌的图片每一张都打印出中间结果路径方便后来者对照排查。def recognize_plate(img_path): 完整识别流程入口 img_path: 图像文件路径 返回: 车牌字符串例如 京A12345 img cv2.imread(img_path) plate locate_plate(img) if plate is None: return None chars segment_chars(plate) if len(chars) ! 7: return None plate_number recognize_chars(chars) return plate_number # 测试脚本 if __name__ __main__: test_images [imgs/plate_blue.jpg, imgs/plate_green.jpg, imgs/plate_night.jpg] for img_path in test_images: number recognize_plate(img_path) print(f{img_path}: {number})跑通之后你会发现真正影响系统稳定性的不是识别函数本身而是输入图像质量。入口摄像头的安装高度、角度、帧率都必须保证车牌在画面里占足够大的面积。如果车牌区域在整幅图中只占不到 1%上面这套基于颜色和投影的方法基本无能为力这不是调参能解决的需要按“摄像头到车辆距离 3-5 米、车牌宽度占画面 1/3 以上”的基线去调安装位置。提示不要把定位、分割、识别三个模块写在一个大函数里。每个阶段都要输出中间结果图这是后期定位问题唯一可靠的手段。4. 收费逻辑与数据落库从识别结果到应收金额4.1 数据表设计车辆入场记录与收费明细识别出的车牌字符串要落库才能支撑收费结算。停车场系统核心数据表就两张一张记录车辆每次入场的状态一张记录每次出场的收费结果。-- 车辆入场记录表 CREATE TABLE parking_records ( id INT AUTO_INCREMENT PRIMARY KEY, plate_number VARCHAR(10) NOT NULL, -- 车牌号如 京A12345 entry_time DATETIME NOT NULL, -- 入场时间 exit_time DATETIME NULL, -- 出场时间未出场为 NULL fee DECIMAL(6,2) DEFAULT 0.00, -- 应收金额 status TINYINT DEFAULT 1, -- 1在场内, 0已离场 UNIQUE KEY uk_plate_active (plate_number, status) ); -- 收费明细表 CREATE TABLE payment_logs ( id INT AUTO_INCREMENT PRIMARY KEY, record_id INT NOT NULL, -- 关联 parking_records.id plate_number VARCHAR(10) NOT NULL, entry_time DATETIME NOT NULL, exit_time DATETIME NOT NULL, fee DECIMAL(6,2) NOT NULL, created_at DATETIME DEFAULT CURRENT_TIMESTAMP );注意parking_records里的唯一键设计同一车牌同时只有一条status1的记录才能防止同一辆车重复入场导致计费错乱。实际开发中很多同学会漏掉这个唯一键结果一辆车连续被识别两次库里多出一条无出口记录出场结算时查到的却是最早那条费用差出一倍。4.2 计费规则与边界免费时长、跨天、起步价计费规则每个停车场都不一样但核心公式相同总时长减去免费时长按小时向上取整再乘以单价。还要处理跨天封顶和不足起步价的场景。以下函数可以放在billing.py里直接复用。from datetime import datetime, timedelta FREE_MINUTES 15 # 免费时长 15 分钟 HOURLY_RATE 3.00 # 每小时单价 3 元 DAY_MAX_FEE 30.00 # 24 小时封顶 30 元 START_FEE 2.00 # 起步价 2 元停车不超过 15 分钟免费 def calculate_fee(entry_time: datetime, exit_time: datetime) - float: 根据入场和出场时间计算停车费用 支持跨天封顶按分钟计费后向上取整到小时 duration_minutes (exit_time - entry_time).total_seconds() / 60 if duration_minutes FREE_MINUTES: return 0.0 billable_minutes duration_minutes - FREE_MINUTES # 向上取整到整小时不足 1 小时按 1 小时算 hours int(billable_minutes // 60) if billable_minutes % 60 0: hours 1 fee max(START_FEE, hours * HOURLY_RATE) # 跨天封顶超过 24 小时后有封顶价每 24 小时按 DAY_MAX_FEE 计 days int(duration_minutes // (24 * 60)) remainder_fee fee - days * 24 * HOURLY_RATE if days 0 and remainder_fee DAY_MAX_FEE: remainder_fee DAY_MAX_FEE return days * DAY_MAX_FEE max(0, remainder_fee)这里有个细节值得注意免费时长怎么算不同停车场定义不同。有的停车场是“前 15 分钟免费”有的是“入场后 15 分钟内出场不收费超出则从入场时间全额计费”。上面代码实现的是后者因为后者对停车场更公平——避免有人为了蹭免费时长反复出入。你如果做毕设答辩能把这种业务规则差异讲清楚说明你是真的在做一个系统而不是背代码。4.3 出入场闭环一个容易被忽略的状态机收费系统最难的不是算钱而是处理异常状态。最常见的场景是出场识别失败车已经走了但库里还是status1或者入口识别成了“京A1234”出口识别成了“京A12345”查不到匹配记录。我的做法是提供一个手动出场接口当车牌查不到入场记录或识别置信度低时管理后台操作员可以用图片人工确认车牌手动补出场。这个接口必须接受两个参数plate_number和manual_confirm_flag。设置这个标志是为了和自动识别区分开方便后续统计车牌识别成功率时把人工介入的数据排除掉。没有这个统计你很难知道系统实际识别率到底是多少优化时也找不到方向。5. 避坑清单OpenCV 车牌识别里最容易翻车的 5 个点5.1 环境问题No module named cv2现象按教程执行pip install opencv-python后在 PyCharm 里import cv2依然报 “ModuleNotFoundError: No module named cv2”。原因最常见的是 PyCharm 的项目解释器和命令行环境用的不是同一个 Python。pip 装到了系统 Python而项目跑在虚拟环境里。解决在 PyCharm 底部 Terminal 里执行python -m pip install opencv-python --user然后打开 Settings - Project - Python Interpreter 确认解释器路径和 Terminal 里的which python结果一致。装完再python -c import cv2; print(cv2.__version__)验证不要在 Jupyter 里验证避免用错内核。5.2 定位框乱跳同一辆车每帧识别结果不同现象摄像画面里车牌稳定不动但连续几帧的定位框位置和大小在抖。原因摄像头自动曝光和自动白平衡导致每一帧的 HSV 数值漂移加上压缩噪声让轮廓边缘不稳定。解决把摄像头调成固定曝光或者取连续多帧做均值后再识别。我一般会设置cap.set(cv2.CAP_PROP_AUTO_EXPOSURE, 0.25)关闭自动曝光并对连续 5 帧的识别结果做投票只有超过 3 次相同的车牌才写入数据库。这样能压掉大量闪烁噪声导致的重复识别。5.3 蓝色车牌能识别新能源绿牌全军覆没现象蓝牌测试集识别率 90%一换绿牌马上降到 20%。原因HSV 过滤只写了蓝色范围绿色车牌直接在前置过滤就被滤掉了。解决增加一组绿色范围np.array([35, 80, 80])到np.array([77, 255, 255])然后在locate_plate里把蓝色掩膜和绿色掩膜用cv2.bitwise_or合并。同时注意绿牌有两个字符是汉字和字母后面带小圆点字符分割时宽度过滤要把这个点滤掉否则会多切出一个假字符。5.4 车牌“京”识别成“京”旁边的字现象模板匹配识别蓝牌数字和字母全部正确唯独第一个汉字经常错而且错得离谱。原因汉字结构复杂模板匹配对笔画偏移极度敏感。同样一个“京”字在车牌上略微偏左或偏右 2 个像素匹配得分就会大幅下降。解决最稳的方案是换用特征匹配比如用轮廓的形状描述子Hu moments或直接改用 SVM 分类器。如果坚持模板匹配就把汉字模板扩到每个字 3-5 个不同粗细的版本再做一次轻微平移匹配取最高分。这个坑是我自己踩过的当年模板库只有一个“京”字识别率惨到看不得后来扩了 4 个版本才算稳住。5.5 字符分割数量不对不是 7 个有时 6 个有时 8 个现象分割函数输出的字符数量在 6-8 之间浮动导致后续识别结果拼接后车牌格式错误。原因车牌图片上的铆钉、车牌边框残留、以及“京A12345”里的点和字粘连都会形成额外区间反过来如果二值化后字符内部出现大量空洞垂直投影会断成多段。解决我的经验是二值化之后先做一次开运算去掉噪点再做一次闭运算把字符内部空洞填上最后再用垂直投影。开运算核用 2x2闭运算核用 3x3。如果切出来还是不对先输出投影图看一眼是铆钉还是边框残留再决定是调形态学校核还是调宽度阈值。注意上面这些问题80% 都可以通过在代码里预留debug_dir参数、把每一步中间结果写成图片来定位。不要上来就怀疑算法本身先看是哪个阶段的输出出了问题。6. 验证方法、识别率指标与进阶方向毕设答辩时老师一定会问“你的系统识别率是多少”。这个数字不能靠嘴说正确做法是准备一个测试集至少 50 张不同场景的车牌图片包括白天顺光、白天逆光、夜间、阴雨天、绿牌、倾斜牌照离线跑一遍统计识别率。指标看两层车牌级准确率即整张车牌 7 个字符完全正确的比例字符级准确率即所有字符中识别正确的比例。车牌级准确率会比字符级低不少——只要错一个字符就算整牌失败所以两个指标都要报。在测试脚本里记录每一张图的识别结果和真实车牌自动统计准确率。不要手动数那个过程会让人崩溃。也不要只挑识别成功的图来算那叫刷分答辩老师随便抽一张你都说不出话。我当年做的时候测试集里有几张夜间车牌始终识别不对后来发现是摄像头帧率太低导致运动模糊换成高帧率采集后才解决。再往后想提升识别率最自然的进阶路线是第一步在定位阶段加入基于边缘密度的候选区检测弥补纯颜色过滤对绿牌和新能源车牌的漏检第二步把字符识别从模板匹配换成 SVM训练一个能区分 31 个省份简称的分类器这不需要 GPUCPU 就能跑第三步如果还想继续深挖把整块定位和识别交给一个轻量级的检测模型。做这个项目卡得最久的一次是我把 HSV 颜色范围从网上抄过来直接用了结果在室内灯光下定位框一片混乱。后来把图像转 HSV 后用cv2.imshow逐个看每一帧的掩膜才明白这个参数必须跟着实际环境走。代码本身不会骗你骗你的是未经验证的参数。希望这套流程和踩坑记录能帮你少走一段弯路让车牌识别停车场收费系统在你的机器上早日跑通。本文还有配套的精品资源点击获取
