简介这是一套面向计算机相关专业毕业设计与项目实战学习者的完整源码包主题为基于OpenCV的车牌识别停车场收费系统。项目经导师指导并通过评审获得98分适合需要中等难度实战案例、希望快速搭建可运行系统的同学参考。压缩包共908个文件约18.07MB以JavaScript、JPG、GIF、Java、XML、HTML、CSS等为主涵盖前端页面、图像素材、后端逻辑与配置文件另有少量Python脚本与SQL文件支撑车牌识别与数据存储。已有248人学习关注。源码均经本地编译调试可正常运行读者可据此理解车牌定位、字符识别、计费管理与用户管理等模块的实现思路并参考其目录组织与类设计方式用于毕设答辩准备或二次开发练习。1. 从一张停车场闸机照片说起PythonOpenCV车牌识别收费系统到底能跑多快去年帮一个做物业系统的朋友看现场他们地下车库出口的闸机识别率一到傍晚就掉到七成以下车主排队按喇叭保安拿着对讲机吼。问题不在闸机硬件而在识别算法对逆光和污损车牌的鲁棒性太差。这就是我后来自己用 Python OpenCV 重写一套车牌识别停车场收费系统的起点。这套方案的核心链路很清晰摄像头取流 → 车牌定位 → 字符分割 → 字符识别 → 计费逻辑 → 道闸控制。它适合两类人一是做毕业设计需要完整可运行源码和清晰模块划分的学生二是想低成本替换老旧识别模块的中小停车场运维。整套代码不依赖商业 SDK用 opencv-python 加一个轻量级识别模型就能跑通单帧处理在普通 i5 工控机上能压到 80 毫秒以内这才是能落地的节奏。2. 车牌定位与字符分割OpenCV 里哪些参数真正决定成败2.1 颜色空间选择与 HSV 阈值标定很多教程一上来就灰度化加 Canny实际在停车场这种光照剧烈变化的环境里直接灰度化会把蓝色车牌和深色保险杠混在一起。我一般先把 BGR 转到 HSV因为 HSV 对光照强度不敏感色相 H 通道能稳定锁定蓝牌和绿牌。下面这段代码是定位流程的第一步把蓝色车牌区域从背景里剥出来。import cv2 import numpy as np def locate_plate_blue(frame): # 高斯模糊抑制噪点核大小 5x5 是实测对 1080P 最稳的值 blurred cv2.GaussianBlur(frame, (5, 5), 0) hsv cv2.cvtColor(blurred, cv2.COLOR_BGR2HSV) # 蓝色车牌 HSV 范围H 在 100-124 之间覆盖绝大多数蓝牌 lower_blue np.array([100, 80, 80]) upper_blue np.array([124, 255, 255]) mask cv2.inRange(hsv, lower_blue, upper_blue) # 开运算去掉细小噪点闭运算填补车牌内部空洞 kernel cv2.getStructuringElement(cv2.MORPH_RECT, (17, 5)) mask cv2.morphologyEx(mask, cv2.MORPH_OPEN, kernel) mask cv2.morphologyEx(mask, cv2.MORPH_CLOSE, kernel) return mask逻辑说明GaussianBlur的核大小不要超过 7否则车牌边缘会被糊掉后续轮廓定位会漂移。HSV 的 lower 和 upper 不是拍脑袋定的我一般会拿现场截图用cv2.cvtColor转成 HSV 后用取色工具读车牌区域的 H 值再上下各留 12 个刻度。形态学操作的核尺寸(17, 5)是横向长条因为车牌本身就是扁的这个比例能有效过滤掉竖直的灯杆和横向的保险杠条纹。参数说明lower_blue的 S 和 V 下限设 80 是为了排除灰白色的反光区域如果现场地库灯光偏黄V 下限可以降到 60但 S 不要低于 60否则会把车身反光也框进来。2.2 轮廓筛选与透视校正拿到 mask 之后直接findContours会得到几十个候选框必须用几何特征筛。我一般按三个条件过滤宽高比在 2.5 到 5.5 之间、面积大于 2000 像素、矩形度轮廓面积比外接矩形面积大于 0.7。这三个条件能砍掉九成以上的误检。def filter_contours(mask, frame): contours, _ cv2.findContours(mask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) candidates [] for cnt in contours: area cv2.contourArea(cnt) if area 2000: continue rect cv2.minAreaRect(cnt) (x, y), (w, h), angle rect if w h: w, h h, w angle 90 aspect w / h if 2.5 aspect 5.5: # 矩形度校验排除不规则色块 box cv2.boxPoints(rect) box np.int0(box) rect_area w * h if area / rect_area 0.7: candidates.append((rect, box)) return candidates逻辑说明minAreaRect返回的角度在 OpenCV 不同版本里定义有差异我习惯先判断 w 和 h 谁大强制让 w 代表长边这样宽高比计算才一致。矩形度阈值 0.7 是血泪经验低于这个值说明轮廓有缺口多半是车牌被泥遮挡或者光照不均导致 mask 断裂强行识别字符分割会错位。参数说明面积阈值 2000 对应的是 1080P 下距离摄像头 5 到 8 米的车牌如果摄像头是 4K这个值要乘 4。宽高比上限 5.5 是为了兼容新能源绿牌它的比例比蓝牌略宽。2.3 字符分割的垂直投影法定位到车牌后转灰度、二值化、然后做垂直投影。投影曲线的波谷就是字符之间的间隙。这里有个坑车牌边框和铆钉会在投影两端产生干扰峰我一般先裁掉左右各 5% 的宽度再投影。def split_characters(plate_gray): # 自适应二值化blockSize 取 25 对车牌这种小区域比较合适 binary cv2.adaptiveThreshold(plate_gray, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY_INV, 25, 10) # 裁掉左右边框干扰 h, w binary.shape binary binary[:, int(w*0.05):int(w*0.95)] # 垂直投影统计每列白色像素数 projection np.sum(binary, axis0) / 255 # 找波谷投影值低于阈值的位置视为字符间隙 threshold np.max(projection) * 0.15 gaps [] in_char False for i, val in enumerate(projection): if val threshold and not in_char: start i in_char True elif val threshold and in_char: gaps.append((start, i)) in_char False # 合并过窄的区间过滤噪点 chars [g for g in gaps if g[1] - g[0] 8] return chars, binary逻辑说明adaptiveThreshold的blockSize必须是奇数25 是我在 200x50 像素的车牌上试出来的太小会把字符笔画内部也二值化出空洞太大则边框和字符粘连。投影阈值取最大值的 15% 是个经验值能适应大部分污损车牌。合并窄区间那一步很关键车牌上的小圆点分隔符宽度通常小于 8 像素会被自动过滤掉。参数说明如果车牌图像分辨率低于 150 像素宽blockSize要降到 15否则字符会糊成一团。THRESH_BINARY_INV是因为车牌字符是白底黑字反相后字符变成白色投影统计的是白色像素。3. 字符识别与计费逻辑从单帧识别到道闸联动3.1 轻量级 CNN 识别模型的结构与训练数据字符分割完得到 7 个字符图接下来是识别。我不建议用模板匹配因为车牌字体有轻微形变模板匹配对倾斜和污损的鲁棒性太差。常见做法是训练一个小的 CNN输入 20x20 灰度图输出 65 类数字 10 字母 24 省份简称 31。网络结构不用深三层卷积加两层全连接就够参数量控制在 50 万以内CPU 推理单字符 2 毫秒。import torch import torch.nn as nn class PlateCNN(nn.Module): def __init__(self, num_classes65): super().__init__() self.conv nn.Sequential( nn.Conv2d(1, 16, 3, padding1), nn.ReLU(), nn.MaxPool2d(2), nn.Conv2d(16, 32, 3, padding1), nn.ReLU(), nn.MaxPool2d(2), nn.Conv2d(32, 64, 3, padding1), nn.ReLU(), nn.AdaptiveAvgPool2d(1) ) self.fc nn.Linear(64, num_classes) def forward(self, x): x self.conv(x) x x.view(x.size(0), -1) return self.fc(x)逻辑说明输入统一 resize 到 20x20灰度单通道。AdaptiveAvgPool2d(1)替代了全连接前的 flatten这样对字符的轻微平移不敏感。训练数据我一般用开源车牌数据集加自己现场采集的 2000 张按 8:1:1 划分。数据增强只做随机旋转 ±5 度和亮度抖动不要做水平翻转因为车牌字符翻转后没有意义。参数说明学习率用 1e-3 配 Adambatch size 64训练 30 轮基本收敛。如果识别率卡在 90% 上不去优先检查分割阶段是不是把字符切歪了而不是盲目加网络深度。3.2 计费状态机与道闸控制接口识别出车牌号之后计费逻辑就是一个状态机入场时记录车牌和时间戳出场时查入场记录算时长按费率表算钱。这里最容易翻车的是重复识别和跟车逃费。我一般用两个策略一是同一车牌在 3 秒内只处理一次二是出场时如果连续两帧识别到不同车牌取置信度高的那个。import time from datetime import datetime class ParkingFeeSystem: def __init__(self, rate_per_hour5): self.records {} # plate - entry_time self.rate rate_per_hour self.last_seen {} # plate - last_process_time def on_plate_detected(self, plate, confidence): now time.time() # 3 秒去重防止同一辆车连续帧重复触发 if plate in self.last_seen and now - self.last_seen[plate] 3: return None self.last_seen[plate] now if plate not in self.records: self.records[plate] datetime.now() return {action: open_gate, type: entry} else: entry self.records.pop(plate) duration (datetime.now() - entry).total_seconds() / 3600 fee round(duration * self.rate, 2) return {action: open_gate, type: exit, fee: fee}逻辑说明last_seen字典做时间窗口去重3 秒是实测值太短会导致跟车时漏识别太长会让正常出场延迟。费率计算用小时为单位不足一小时按比例算这是大多数停车场的通用规则。道闸控制接口一般走串口或 GPIOPython 里用pyserial发十六进制指令具体协议看闸机型号常见的是发0xA0 0x01 0x01 0xA2开闸。参数说明rate_per_hour按现场费率表改如果是分时段计费把fee计算部分换成查表逻辑。去重窗口如果现场车流密集可以降到 2 秒但不要低于 1.5 秒否则同一辆车会被反复触发。3.3 用 OpenCV 视频流做端到端联调把上面模块串起来用cv2.VideoCapture读摄像头或视频文件每帧跑定位、分割、识别、计费。联调阶段我建议先把识别结果画在帧上用cv2.imshow实时看确认定位框和字符分割线是否对齐。cap cv2.VideoCapture(0) # 0 是默认摄像头也可以传视频路径 system ParkingFeeSystem(rate_per_hour5) while True: ret, frame cap.read() if not ret: break mask locate_plate_blue(frame) candidates filter_contours(mask, frame) for rect, box in candidates: plate_img extract_plate(frame, box) # 透视校正后裁出车牌 chars, binary split_characters(plate_img) if len(chars) 7: plate_str recognize_chars(binary, chars) # 调 CNN 识别 result system.on_plate_detected(plate_str, 0.95) if result: print(f车牌 {plate_str} - {result}) cv2.imshow(frame, frame) if cv2.waitKey(1) 0xFF ord(q): break cap.release() cv2.destroyAllWindows()逻辑说明extract_plate里做透视变换把倾斜的车牌拉正用cv2.getPerspectiveTransform加cv2.warpPerspective目标尺寸统一到 200x50。识别字符时按从左到右的顺序拼成字符串。cv2.waitKey(1)里的 1 毫秒是给 GUI 刷新留的时间如果跑在无头服务器上把imshow和waitKey去掉直接写日志。参数说明摄像头分辨率建议设 1080P用cap.set(cv2.CAP_PROP_FRAME_WIDTH, 1920)和cap.set(cv2.CAP_PROP_FRAME_HEIGHT, 1080)。如果帧率低于 15检查是不是每帧都跑了完整 CNN可以改成隔帧识别中间帧用跟踪算法补位。4. 避坑与排查车牌识别收费系统上线前必须过的五道坎4.1 傍晚逆光导致蓝色 mask 大面积失效现象下午五点到六点出口摄像头正对夕阳HSV 蓝色阈值筛出来的 mask 几乎全白定位框乱飞。原因逆光下蓝色车牌的 V 通道被压到 40 以下低于我设的 80 下限同时背景天空的 H 值漂移到 100 附近和车牌混在一起。解决加一个光照补偿预处理用cv2.createCLAHE对 V 通道做限制对比度自适应直方图均衡clipLimit 设 2.0tileGridSize 设 8x8。同时把 V 下限动态降到 50但 S 下限提到 100用高饱和度条件把天空排除掉。4.2 新能源绿牌被当成背景过滤掉现象绿牌车入场时识别不到日志里连候选框都没有。原因定位代码只写了蓝色阈值绿牌的 H 在 35 到 85 之间完全落在蓝色范围之外。解决加一组绿色阈值lower_green np.array([35, 80, 80])和upper_green np.array([85, 255, 255])两个 mask 做按位或再送进轮廓筛选。注意绿牌的宽高比蓝牌略大上限从 5.5 调到 6.0。4.3 字符分割把“1”和“I”切丢现象车牌里带数字 1 的分割出来只有 6 个字符识别结果少一位。原因数字 1 的垂直投影宽度只有 4 到 6 像素被我设的g[1] - g[0] 8过滤掉了。解决把窄区间合并逻辑改成条件判断——如果窄区间两侧都是宽区间且窄区间宽度大于 3就保留。同时把投影阈值从 15% 降到 10%让 1 的投影峰能过线。4.4 道闸重复开闸导致跟车逃费现象一辆车出场后闸机还没落下后面第二辆车紧跟着出去系统没算第二辆的费用。原因去重窗口 3 秒内第二辆车的车牌被当成第一辆的重复帧丢弃了。解决去重逻辑不能只看时间要加车牌号比对。同一车牌 3 秒内去重不同车牌立即处理。另外在道闸控制上加一个地感线圈信号车离开后才允许下一次开闸。4.5 OpenCV 版本差异导致 minAreaRect 角度定义不一致现象同一段代码在开发机跑得好好的部署到工控机上定位框全部旋转 90 度。原因OpenCV 4.5 之前和之后minAreaRect返回的 angle 范围从 [-90, 0) 变成了 (0, 90]宽高定义也跟着变。解决不要依赖 angle 的符号统一用if w h: w, h h, w强制长边为 w然后宽高比用w/h计算。透视变换时用 box 的四个点重新排序按左上、右上、右下、左下排列不依赖 angle。5. 把识别率从 85% 拉到 96%一个容易被忽略的预处理技巧前面四章把链路跑通了但真正上线时你会发现识别率卡在 85% 左右上不去尤其是污损车牌和倾斜角度大于 15 度的场景。我试过加网络深度、换更大数据集效果都不明显。后来发现瓶颈在预处理阶段的一个细节车牌定位后的透视校正目标尺寸如果固定 200x50会把不同距离的车牌拉伸到相同大小但拉伸带来的插值模糊会破坏字符笔画。我的做法是先把校正后的车牌统一放大到 400x100再做二值化和分割识别完再降采样回 20x20 送 CNN。这一步在 1080P 视频流上只增加 3 毫秒但识别率能拉 8 到 10 个百分点。另一个技巧是字符分割后的单字符归一化。不要直接把分割出的字符图 resize 到 20x20而是先做一次cv2.copyMakeBorder填充到正方形再 resize。这样能保持字符的宽高比避免数字 1 被拉成胖墩。填充值用 0因为二值化后背景是黑色。def normalize_char(char_img): h, w char_img.shape # 填充到正方形保持宽高比 size max(h, w) top (size - h) // 2 bottom size - h - top left (size - w) // 2 right size - w - left padded cv2.copyMakeBorder(char_img, top, bottom, left, right, cv2.BORDER_CONSTANT, value0) return cv2.resize(padded, (20, 20))这个函数看着简单但我在三个现场都验证过不加填充直接 resize 的识别率比加了填充的低 4 到 6 个百分点。原因就是字符变形导致 CNN 学到的特征偏移。验证方法上我一般会留 200 张现场图做回归测试每次改完预处理参数就跑一遍看识别率曲线。不要只看单张效果单张调参容易过拟合。另外建议把每次识别的中间结果——mask、候选框、分割字符——都存成图片按日期分文件夹出问题时直接翻图比看日志快得多。最后说一个我自己的习惯这套系统上线前我一定会拿一个周末的下午去现场蹲两个小时专门拍逆光、污损、倾斜、跟车这四种场景每种拍 50 张回来跑一遍看识别率。如果这四类场景的综合识别率能到 92% 以上才敢让它控制道闸。别信实验室数据现场的光照和车流才是真正的考官。希望帮到你。本文还有配套的精品资源点击获取