简介这份资源是面向计算机相关专业毕业设计学生与项目实战学习者的Python停车场收费系统源码核心采用OpenCV实现车牌识别将图像处理、车牌定位与计费管理整合为完整可运行项目。项目经导师指导并通过评审获98分源码均经本地编译与严格调试难度适中适合作为高分毕设参考或课程设计练手。压缩包共908个文件约18.07MB以584个js、86个jpg、76个gif等前端与素材文件为主同时包含43个java、24个xml、18个class及4个py等后端与识别逻辑代码另有sql建表脚本、html页面和配置文件结构覆盖前后端与数据库。已有248人学习下载。读者可获取完整项目源码、车牌识别与收费管理模块实现思路、可运行工程结构及调试经验便于快速理解业务闭环并完成二次开发。1. 从一张模糊的入场照说起这套 OpenCV 车牌识别停车场系统到底能跑出什么很多同学做毕设时都遇到过这种场景摄像头架在道闸旁边车一进来画面里车牌歪着、反光、还带运动模糊后台却要立刻给出「京A·12345入场时间 14:03计费开始」。这套基于 Python OpenCV 的车牌识别停车场收费系统解决的正是这条从「图像」到「账单」的完整链路。它不是单纯调个 OCR 接口的玩具而是把车牌定位、字符分割、识别、入场出场记录、计费规则、用户与现金管理都串了起来源码里能看到carPlateRecognition、Parking、Record、ManageCashController这些类说明它是一套有业务闭环的工程而不是只跑一张图的 demo。适合两类人一是计算机相关专业正在找毕设项目的同学二是想拿一个「图像处理 后台管理」综合案例练手的开发者。难度适中但前提是你得把环境依赖和识别参数调明白否则很容易卡在「图能读、牌认不出」这一步。2. 拆开源码看结构OpenCV 车牌识别与停车场收费系统是怎么拼起来的2.1 从类名反推模块划分识别、计费、管理三条线拿到一份源码我习惯先看类名和目录而不是急着跑。这套项目里出现的类大致能分成三组carPlateRecognition负责图像处理与车牌识别Parking、Record负责车辆进出场记录和停车时长UserController、ManageController、ManageCashController以及对应的ServiceImpl、Mapper负责用户、后台管理和现金收费。这种分层说明它大概率是「Web 后台 图像识别模块」的组合识别部分可能被包装成一个服务由 Controller 调用。从技术选型上看用 OpenCV 做车牌识别而不是直接上深度学习模型原因很现实毕设环境通常没有 GPU装 PyTorch 或 TensorFlow 动辄几个 G而 OpenCV 轻量、跨平台配合 HSV 颜色空间和形态学操作就能把蓝色车牌的区域框出来。常见做法是先转灰度、高斯模糊、边缘检测再按颜色阈值筛出蓝色区域最后用轮廓筛选和长宽比过滤出候选车牌。字符分割则靠垂直投影识别阶段可以用模板匹配也可以接 Tesseract。这套源码里carPlateRecognition这个类名很直白说明识别逻辑集中在这里改参数时优先看它。提示如果你拿到的源码里识别准确率不稳定先别怀疑算法八成是输入图像的分辨率、光照或者车牌颜色阈值没适配你手头的测试图。2.2 环境搭起来Python、OpenCV、依赖库的版本对齐这类项目最怕的就是「代码没问题环境跑不起来」。我一般会先确认 Python 版本3.8 是比较稳的选择很多老教程和库都兼容。OpenCV 用opencv-python就够不需要编译源码除非你要用某些 contrib 模块。安装命令如下# 建议先建虚拟环境避免污染系统 Python python -m venv venv # Windows 激活 venv\Scripts\activate # Linux / macOS 激活 source venv/bin/activate # 安装核心依赖版本不要盲目追新 pip install opencv-python4.5.5.64 pip install numpy1.21.6 pip install pytesseract0.3.10 pip install flask2.0.3 pip install pymysql1.0.2这里每个包都有原因opencv-python提供图像处理函数numpy是 OpenCV 的底层数组依赖版本太新有时会报np.bool之类的兼容错误pytesseract是 Tesseract 的 Python 封装用来做字符识别flask可能是后台 Web 框架pymysql用于连接 MySQL 数据库。装完后用下面这段代码验证 OpenCV 和 Tesseract 是否就绪import cv2 import pytesseract # 打印 OpenCV 版本确认不是 headless 版本导致 imshow 报错 print(OpenCV:, cv2.__version__) # 指定 Tesseract 路径Windows 下通常需要手动指定 # pytesseract.pytesseract.tesseract_cmd rC:\Program Files\Tesseract-OCR\tesseract.exe # 简单测试读一张图并转灰度 img cv2.imread(test_plate.jpg) if img is None: print(图片没读到检查路径和文件名) else: gray cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) print(图像尺寸:, gray.shape)逻辑说明先确认 OpenCV 能正常导入且版本符合预期再检查 Tesseract 是否在系统路径里Windows 下经常需要手动指定tesseract_cmd最后用一张测试图验证读图和灰度转换。参数上cv2.imread的路径不要带中文否则在某些 Windows 环境下会返回None这是血泪经验。2.3 车牌定位与字符分割参数怎么调才不翻车识别流程里车牌定位是第一个坎。常见做法是把图像转到 HSV 空间用蓝色范围做掩膜。下面是一段可抄的定位代码import cv2 import numpy as np def locate_plate(image_path): img cv2.imread(image_path) if img is None: return None # 转 HSV蓝色车牌的大致范围 hsv cv2.cvtColor(img, cv2.COLOR_BGR2HSV) lower_blue np.array([100, 80, 80]) upper_blue np.array([124, 255, 255]) mask cv2.inRange(hsv, lower_blue, upper_blue) # 形态学操作把车牌区域连成一片 kernel cv2.getStructuringElement(cv2.MORPH_RECT, (17, 5)) mask cv2.morphologyEx(mask, cv2.MORPH_CLOSE, kernel) # 找轮廓按面积和长宽比筛选 contours, _ cv2.findContours(mask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) for cnt in contours: x, y, w, h cv2.boundingRect(cnt) ratio w / float(h) area w * h # 车牌长宽比一般在 2.5 到 5.5 之间面积别太小 if 2.5 ratio 5.5 and area 2000: plate img[y:yh, x:xw] return plate return None逻辑说明lower_blue和upper_blue是 HSV 阈值不同摄像头和光照下要微调如果识别不到就把范围放宽比如下限降到[90, 60, 60]。kernel的尺寸决定形态学闭运算的强度太大容易把相邻区域粘在一起太小则车牌内部断裂。长宽比和面积是过滤非车牌区域的关键参数要根据你的图像分辨率调整1080P 下面积阈值可以设到 5000 以上。字符分割一般用垂直投影把车牌灰度图二值化后统计每列白色像素数波谷处就是字符间隙。这一步容易受车牌边框和铆钉干扰常见做法是先裁掉上下各 10% 再投影。3. 把识别接进收费业务入场、出场、计费与后台管理的落地步骤3.1 数据库表与实体类映射Record、Parking、User 怎么对应这套系统既然有Record、Parking、UserMapper说明数据持久层用的是 MyBatis 风格的映射只不过换成了 Python 侧的 ORM 或手写 SQL。我一般会先找建表语句或实体类定义确认字段。典型表结构如下表名关键字段用途userid, username, password, role后台管理员和普通用户parkingid, plate_number, entry_time, exit_time, status车辆进出场记录recordid, plate_number, fee, pay_time, cashier收费流水cash_manageid, operator, amount, type现金收支管理如果源码里没有.sql文件就去Mapper对应的 XML 或 Python 文件里找 SQL 语句反推表结构。Parking类通常对应parking表status字段用来标记车辆是「在场」还是「已出场」。入场时插入一条记录出场时更新exit_time并计算费用。计费规则常见的是「首小时 X 元之后每小时 Y 元不足一小时按一小时算」这段逻辑一般在Parking或Record的服务类里。注意如果数据库连接报Access denied先检查pymysql.connect里的用户名、密码、库名再确认 MySQL 是否允许本地连接。别一上来就改代码。3.2 入场识别到计费写库一条完整调用链把识别模块接进业务核心是「识别出车牌后拿车牌号去查是否已有在场记录」。如果没有就新建入场记录如果有就说明是出场计算费用并写收费流水。下面是一段模拟调用链的代码import datetime from carPlateRecognition import locate_plate, recognize_text def handle_vehicle(image_path, db): plate_img locate_plate(image_path) if plate_img is None: return {code: 400, msg: 未定位到车牌} plate_number recognize_text(plate_img) if not plate_number: return {code: 400, msg: 车牌识别失败} cursor db.cursor() # 查询该车牌是否有未出场的记录 cursor.execute( SELECT id, entry_time FROM parking WHERE plate_number%s AND statusin, (plate_number,) ) row cursor.fetchone() if row is None: # 入场插入新记录 now datetime.datetime.now() cursor.execute( INSERT INTO parking (plate_number, entry_time, status) VALUES (%s, %s, in), (plate_number, now) ) db.commit() return {code: 200, msg: 入场成功, plate: plate_number} else: # 出场计算费用 entry_time row[1] now datetime.datetime.now() duration (now - entry_time).total_seconds() / 3600.0 fee calculate_fee(duration) cursor.execute( UPDATE parking SET exit_time%s, statusout WHERE id%s, (now, row[0]) ) cursor.execute( INSERT INTO record (plate_number, fee, pay_time) VALUES (%s, %s, %s), (plate_number, fee, now) ) db.commit() return {code: 200, msg: 出场成功, fee: fee} def calculate_fee(hours): # 首小时 5 元之后每小时 3 元不足一小时按一小时算 if hours 1: return 5.0 return 5.0 (int(hours - 1) (1 if hours % 1 0 else 0)) * 3.0逻辑说明handle_vehicle是入口函数先定位再识别识别失败直接返回错误码。数据库查询用参数化写法避免 SQL 注入。calculate_fee里的计费规则可以根据实际需求改比如改成「前 30 分钟免费」。参数上status字段的取值要统一别一会儿in一会儿entry否则查询会漏。时间计算用total_seconds() / 3600.0得到小时数注意时区问题本地测试一般没问题。3.3 后台管理接口UserController 与 ManageCashController 的职责UserController和ManageCashController这类命名说明系统有后台管理页面可能用 Flask 或 Django 提供 REST 接口。常见接口包括用户登录、车辆记录查询、收费统计、现金收支录入。如果你要二次开发先跑通登录接口拿到 token 或 session再调其他接口。下面是一个用 Flask 暴露识别接口的示例from flask import Flask, request, jsonify import pymysql app Flask(__name__) def get_db(): return pymysql.connect( hostlocalhost, userroot, passwordyour_password, databaseparking_db, charsetutf8mb4 ) app.route(/api/vehicle, methods[POST]) def vehicle(): file request.files.get(image) if not file: return jsonify({code: 400, msg: 没有上传图片}) file.save(temp.jpg) db get_db() result handle_vehicle(temp.jpg, db) db.close() return jsonify(result) if __name__ __main__: app.run(host0.0.0.0, port5000, debugTrue)逻辑说明/api/vehicle接收 multipart 表单上传的图片保存到本地临时文件后调用识别和计费逻辑。debugTrue方便开发时看报错但上线要关掉。数据库连接每次请求新建简单但低效练手够用。参数上host0.0.0.0允许局域网访问如果只想本机测试改成127.0.0.1。4. 避坑与排查车牌识别停车场系统最容易翻车的五个地方4.1 现象ModuleNotFoundError: No module named cv2→ 原因OpenCV 没装或装到了别的 Python 环境 → 解决确认虚拟环境激活用pip list看有没有opencv-python没有就重装别用conda和pip混装。4.2 现象图片读进来是None→ 原因路径含中文、文件不存在或格式不支持 → 解决把图片放到纯英文路径下用cv2.imread前先os.path.exists判断或者改用cv2.imdecode(np.fromfile(path, dtypenp.uint8), -1)读中文路径。4.3 现象车牌定位框到了车身或背景 → 原因HSV 蓝色阈值太宽或者形态学核太大 → 解决把lower_blue和upper_blue的范围收窄先用cv2.imshow看掩膜效果再调kernel尺寸别一次改太多参数。4.4 现象字符识别结果乱码或只识别出一半 → 原因字符分割不干净或者 Tesseract 语言包没装中文 → 解决检查分割后的字符图是否完整Tesseract 需要chi_sim语言包安装时勾选或者用--psm 7单行模式识别。4.5 现象出场计费金额不对 → 原因入场时间存的是字符串计算时没转datetime或者时区差 → 解决数据库用DATETIME类型Python 里统一用datetime.datetime.now()别混用时间戳和字符串。5. 进阶技巧把识别准确率再往上提一档的验证方法如果你已经把系统跑通但觉得识别率不够稳我一般会做两件事一是建立一个小测试集二是给识别结果加置信度过滤。测试集不用大20 到 50 张不同光照、不同角度的车牌图就够每张手动标好真实车牌号然后写个脚本批量跑统计准确率。下面这个脚本可以抄import os import cv2 from carPlateRecognition import locate_plate, recognize_text def evaluate(test_dir): total 0 correct 0 for fname in os.listdir(test_dir): if not fname.lower().endswith((.jpg, .png)): continue # 文件名格式真实车牌_序号.jpg例如 京A12345_01.jpg true_plate fname.split(_)[0] img_path os.path.join(test_dir, fname) plate_img locate_plate(img_path) if plate_img is None: total 1 continue pred recognize_text(plate_img) total 1 if pred and pred.replace( , ) true_plate: correct 1 else: print(f识别错误: {fname} - 预测 {pred}) print(f总数 {total}正确 {correct}准确率 {correct / total:.2%}) if __name__ __main__: evaluate(test_plates)逻辑说明文件名里带真实车牌方便自动比对。locate_plate返回None说明定位失败也计入总数但不计正确。跑完后看错误样本如果是定位失败就回去调 HSV 阈值如果是字符识别错就换 Tesseract 的--psm参数或者自己训练模板。参数上测试集要覆盖白天、夜晚、顺光、逆光别只用一张图反复调那样调出来的参数换张图就废了。另一个技巧是给识别结果加长度和字符集校验。中国车牌一般是 7 位第一位是汉字后面是字母数字。如果识别结果长度不对或者出现非法字符直接判为失败让系统走人工输入兜底。这个逻辑加在recognize_text后面就行几行代码的事但能挡掉不少玄学错误。从那以后我每次拿到这类图像识别项目都先跑一遍小测试集再谈优化不然改了半天参数可能只是过拟合了一张图。希望帮到你。本文还有配套的精品资源点击获取