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-python==4.5.5.64 pip install numpy==1.21.6 pip install pytesseract==0.3.10 pip install flask==2.0.3 pip install pymysql==1.0.2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 = r"C:\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:y+h, x:x+w] 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 |
|---|---|---|
| user | id, username, password, role | 后台管理员和普通用户 |
| parking | id, plate_number, entry_time, exit_time, status | 车辆进出场记录 |
| record | id, plate_number, fee, pay_time, cashier | 收费流水 |
| cash_manage | id, 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 status='in'", (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, status='out' 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( host="localhost", user="root", password="your_password", database="parking_db", charset="utf8mb4" ) @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(host="0.0.0.0", port=5000, debug=True)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。debug=True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，host="0.0.0.0"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, dtype=np.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
