简介：面向学习Python应用开发与计算机视觉入门实践的学生及开发者，这套智能停车场车牌识别计费系统以可运行源码和配套说明为核心，围绕车牌识别、车辆进出场判定、停车计费、收入统计与车位满预警等业务展开，适合课程设计、毕业设计原型及Python桌面项目练手。压缩包共2003个文件，约189.59MB，其中1777个py文件承载主程序与依赖模块，另有pyc、txt、pdf、xml、json及前端css/js等资源，兼顾源码运行、配置说明与界面素材。已有248人学习，配套文档可辅助理解项目结构、百度AI图片识别Key的配置方式以及各功能模块的调用关系。读者可据此获得一套完整的停车场计费系统实现参考，包括车牌识别流程、进出场记录处理、柱状图收入汇总和基于历史数据的满预警逻辑，便于在此基础上做功能扩展或二次开发。

1. 智能停车场车牌识别计费系统：先看清它解决的是哪一段账

一个停车场从摄像头到道闸之间，真正难的不是识别出一串字符，而是把“哪辆车、什么时候进场、按什么规则计费、什么时候放行”串成可对账的链路。这份 Python 实现的智能停车场车牌识别计费系统，把车牌定位、字符识别、出入场状态和计费规则打包成一个可直接跑的软件/插件式项目，适合做原型验证、课程设计二次开发，也适合需要给现有停车场加一层识别计费能力的小团队。它不追求实验室里的最高识别率，重点在把识别、计费、存储和开闸事件拆开，让每一笔金额都能回查到原图和规则；新手能照着跑通最小链路，熟手更该关注状态机和事务边界。

2. 从视频流到账单：先跑通最小可复现链路

拿到这类源码包，我一般不会先接摄像头，也不会急着装一堆深度学习全家桶。先用一段固定视频回放，把“读帧、找车牌、OCR、算一笔模拟费用”跑通，确认输入输出格式，再去改参数和接道闸。原因是摄像头现场光照、角度、曝光每次都不一样，直接上线调阈值很容易把问题搅成玄学。

2.1 依赖与运行环境：别一上来就装全家桶

这套项目的核心依赖并不复杂：OpenCV 做图像预处理和轮廓筛选，NumPy 处理数组，Tesseract 做 OCR 基线，Pillow 处理图片读写。源码包如果自带 ONNX 或轻量检测模型，再补一个 onnxruntime 即可；没有模型时，传统边缘检测加 OCR 也能先跑通。Python 建议用 3.9 到 3.11 这类主流区间，虚拟环境隔离，别把系统 Python 直接装乱。Tesseract 是外部可执行程序，不是 pip 包装完就结束，安装后还要确认中文语言包路径，否则chi_sim会报找不到。

python -m venv venv source venv/bin/activate # Windows 用 venv\Scripts\activate pip install opencv-python numpy pytesseract pillow # 如果源码包带 ONNX 模型，再补： pip install onnxruntime

逻辑说明：先创建虚拟环境，再装最小依赖，避免不同项目的 OpenCV 版本互相覆盖。参数说明：opencv-python是常用包，不写死版本号；pytesseract只是 Python 封装，真正干活的是系统里的 Tesseract。装完后用一条命令验证 OCR 是否可用：

python -c "import pytesseract; print(pytesseract.get_tesseract_version())"

如果这条命令报错，先别改代码，去检查 Tesseract 可执行文件是否在 PATH 里，或者是否需要在代码里指定pytesseract.pytesseract.tesseract_cmd。配置文件我一般单独放，不把摄像头地址、ROI、OCR 语言、费率写死在函数里：

camera: source: "demo.mp4" roi: [200, 120, 900, 520] frame_skip: 5 ocr: lang: "chi_sim+eng" psm: 7 min_confidence: 60 billing: free_minutes: 30 first_hour_fee: 5.00 per_hour_fee: 2.00 daily_cap: 30.00

逻辑说明：ROI 是感兴趣区域，只在画面中大概率出现车牌的位置做检测，能显著减少误检和耗时；frame_skip控制隔几帧处理一次。参数说明：ROI 用[x, y, w, h]，不是右下角坐标；psm 7表示按单行文本识别，适合车牌；min_confidence是后处理过滤线，不是 OCR 引擎自带置信度，需要自己算或根据候选框打分。

2.2 模块拆分：识别、计费、存储、接口各管一段

源码包如果没有明显分层，我会先按职责拆成五块：输入层负责视频流和抓拍图，检测层负责候选框，识别层负责字符归一化，计费层负责规则和金额，存储层负责会话与事件，接口层负责道闸和显示屏。拆完再读入口脚本，比从头到尾顺着main.py读要快得多。尤其是计费系统，识别错一位只是少收一笔，状态机写错会导致重复扣费或出场找不到入场记录，后者更难补。

读源码时先找数据库初始化脚本和费率配置，确认金额单位是元还是分；再看识别函数返回的是原始 OCR 文本还是已经清洗过的车牌；最后看开闸调用是在数据库事务里还是事务外。常见做法是数据库事务只包数据库写入，串口或网络开闸放在事务提交之后，失败写事件表重试，别在持锁期间等硬件响应。

2.3 最小链路代码：一帧图像走完检测、识别和模拟计费

下面这段是基线链路，不依赖项目自带模型，目的是先验证输入输出。真实源码包如果带检测模型，把find_candidates换成模型推理即可，后面的 OCR 清洗和计费逻辑不用动。

import re import cv2 import numpy as np import pytesseract from decimal import Decimal PLATE_RE = re.compile(r"^[\u4e00-\u9fa5][A-Z][A-Z0-9]{5,6}$") def normalize_plate(text: str) -> str: # 去掉空格、标点，统一大写；中文首字保留 return re.sub(r"[^A-Z0-9\u4e00-\u9fa5]", "", text.upper()) def find_candidates(frame, roi): x, y, w, h = roi img = frame[y:y+h, x:x+w].copy() gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) gray = cv2.bilateralFilter(gray, 7, 50, 50) sob = cv2.Sobel(gray, cv2.CV_8U, 1, 0, ksize=3) _, th = cv2.threshold(sob, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU) kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (17, 5)) closed = cv2.morphologyEx(th, cv2.MORPH_CLOSE, kernel) contours, _ = cv2.findContours(closed, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) boxes = [] H, W = gray.shape for c in contours: x2, y2, w2, h2 = cv2.boundingRect(c) area_ratio = (w2 * h2) / float(W * H) aspect = w2 / float(h2) if h2 else 0 if 0.008 < area_ratio < 0.12 and 2.2 < aspect < 5.5: pad = 6 boxes.append((max(0, x2-pad), max(0, y2-pad), min(W, x2+w2+pad), min(H, y2+h2+pad))) return img, boxes def ocr_plate(img, box): x1, y1, x2, y2 = box crop = img[y1:y2, x1:x2] crop = cv2.resize(crop, None, fx=3, fy=3, interpolation=cv2.INTER_CUBIC) gray = cv2.cvtColor(crop, cv2.COLOR_BGR2GRAY) gray = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8, 8)).apply(gray) _, gray = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU) # 不要全局限定字母数字白名单，否则中文首字会被过滤 raw = pytesseract.image_to_string(gray, lang="chi_sim+eng", config="--psm 7") return normalize_plate(raw) def simple_fee(minutes, free=30, first=Decimal("5"), per_hour=Decimal("2")): if minutes <= free: return Decimal("0") hours = max(1, int((minutes + 59) // 60)) return first + max(0, hours - 1) * per_hour cap = cv2.VideoCapture("demo.mp4") roi = (200, 120, 900, 520) frame_id = 0 while True: ok, frame = cap.read() if not ok: break frame_id += 1 if frame_id % 5 != 0: continue img, boxes = find_candidates(frame, roi) for box in boxes[:3]: plate = ocr_plate(img, box) if PLATE_RE.match(plate): fee = simple_fee(95) print({"plate": plate, "box": box, "fee_demo": str(fee)}) break cap.release()

逻辑说明：先裁剪 ROI，再做双边滤波保留边缘，Sobel 取水平边缘，Otsu 二值化后用长矩形核闭运算把字符连成车牌块，最后按面积比和宽高比过滤候选框。OCR 前放大 3 倍并做 CLAHE，是为了让低照度下的字符笔画更清楚。参数说明：bilateralFilter(7, 50, 50)中 7 是邻域直径，两个 50 是颜色和空间 sigma，车牌小可以把直径降到 5；Sobel ksize=3是常用值，噪声大时换 Scharr；形态学核(17, 5)偏向横向连接，车牌在画面中较宽时可以加到(21, 5)；面积比0.008~0.12和宽高比2.2~5.5需要按现场分辨率改，4K 画面里车牌面积占比会更小。simple_fee只是演示，正式计费要按第 4 章的分单位计算和费率快照来。

3. 车牌定位与字符识别：阈值不是玄学，得按场景分组

车牌识别最容易翻车的地方，是拿白天的阈值去跑晚上的画面。蓝色车牌在 HSV 空间有相对稳定的区间，但夜间补光、逆光、雨雪、脏污都会让颜色掩膜漂移；只靠颜色会框到蓝色车身，只靠边缘会框到栅栏和广告牌。我的习惯是颜色和边缘各出一路候选，再按宽高比、面积、字符密度做二次校验，宁可多留候选给 OCR 打分，也不要把真正车牌提前过滤掉。

3.1 颜色掩膜与边缘检测怎么选

蓝色车牌、绿色新能源牌、黄色车牌可以分三组 HSV 区间，但不要把区间写死成唯一真理。下面给的是调试起点，现场要用抓拍图回放微调。颜色掩膜适合画面干净、车牌颜色明显的场景；边缘检测适合光照变化大但车牌轮廓清楚的场景。两路结果取并集，再统一做轮廓筛选。

import cv2 import numpy as np def build_plate_mask(bgr, mode="blue"): hsv = cv2.cvtColor(bgr, cv2.COLOR_BGR2HSV) if mode == "blue": lower, upper = np.array([100, 80, 70]), np.array([130, 255, 255]) elif mode == "green": lower, upper = np.array([45, 60, 60]), np.array([90, 255, 255]) else: lower, upper = np.array([15, 80, 80]), np.array([40, 255, 255]) color = cv2.inRange(hsv, lower, upper) color = cv2.morphologyEx(color, cv2.MORPH_CLOSE, cv2.getStructuringElement(cv2.MORPH_RECT, (9, 3))) gray = cv2.cvtColor(bgr, cv2.COLOR_BGR2GRAY) edge = cv2.Canny(cv2.GaussianBlur(gray, (5, 5), 0), 80, 200) edge = cv2.dilate(edge, np.ones((3, 3), np.uint8), iterations=1) return cv2.bitwise_or(color, edge) def filter_boxes(mask, min_area_ratio=0.006, max_area_ratio=0.15): cnts, _ = cv2.findContours(mask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) H, W = mask.shape[:2] out = [] for c in cnts: x, y, w, h = cv2.boundingRect(c) area_ratio = (w * h) / float(W * H) aspect = w / float(h) if h else 0 if min_area_ratio < area_ratio < max_area_ratio and 2.0 < aspect < 6.0: out.append((x, y, w, h)) return out

逻辑说明：build_plate_mask把颜色掩膜和 Canny 边缘做并集，闭运算把车牌字符之间的空隙连起来，膨胀让边缘更连续。filter_boxes只做粗筛，不在这里判断是不是车牌，后面用 OCR 结果和置信度再筛。参数说明：蓝色区间H 100~130是常见起点，偏紫或偏青要调整；绿色新能源牌区间和蓝色有重叠，现场最好按颜色分组跑两套；Canny 80/200是通用起点，夜间噪声大时提高低阈值；面积比下限0.006别设太大，远处车牌会被漏掉。表格里列出常见分组：

3.2 透视矫正与二值化：OCR 前的两次归一化

检测框往往是斜的，直接把矩形裁剪图丢给 OCR，字符会倾斜、压缩。常见做法是先找车牌四边形的四个角点，做透视变换拉正，再统一到固定尺寸。尺寸不要盲目拉得很大，字符高度保持在 20 到 40 像素之间通常够 OCR 用；拉得太大只会增加耗时和噪声。二值化优先用 Otsu，光照不均时改用自适应阈值，但自适应阈值容易把字符笔画打断，中文字符尤其明显。

import cv2 import numpy as np def order_points(pts): pts = np.array(pts, dtype="float32") rect = np.zeros((4, 2), dtype="float32") s = pts.sum(axis=1) rect[0] = pts[np.argmin(s)] # 左上 rect[2] = pts[np.argmax(s)] # 右下 d = np.diff(pts, axis=1) rect[1] = pts[np.argmin(d)] # 右上 rect[3] = pts[np.argmax(d)] # 左下 return rect def warp_plate(crop, out_size=(240, 80)): gray = cv2.cvtColor(crop, cv2.COLOR_BGR2GRAY) edges = cv2.Canny(cv2.GaussianBlur(gray, (5, 5), 0), 80, 200) cnts, _ = cv2.findContours(edges, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) for c in sorted(cnts, key=cv2.contourArea, reverse=True)[:5]: peri = cv2.arcLength(c, True) approx = cv2.approxPolyDP(c, 0.02 * peri, True) if len(approx) == 4: rect = order_points(approx.reshape(4, 2)) dst = np.array([[0, 0], [out_size[0], 0], [out_size[0], out_size[1]], [0, out_size[1]]], dtype="float32") M = cv2.getPerspectiveTransform(rect, dst) return cv2.warpPerspective(crop, M, out_size) return cv2.resize(crop, out_size) def preprocess_for_ocr(plate_bgr): gray = cv2.cvtColor(plate_bgr, cv2.COLOR_BGR2GRAY) gray = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8, 8)).apply(gray) _, binary = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU) return binary

逻辑说明：order_points用坐标和与差值给四个角点排序，warp_plate在裁剪图里再找一次四边形，找到就拉正，找不到就退回普通缩放，避免因为角点检测失败整条链路断掉。preprocess_for_ocr先 CLAHE 增强局部对比度，再 Otsu 二值化。参数说明：approxPolyDP的0.02 * peri是轮廓逼近精度，车牌边缘毛刺多时可以调到0.03；输出240x80是便于 OCR 的常用比例，实际按字符高度调；clipLimit=2.0别开太高，否则噪点会被放大。现场如果反光严重，先做cv2.inpaint或局部 gamma 校正，比硬调二值化阈值有效。

3.3 识别后处理：把 O/0、I/1 这类混淆压下去

OCR 原始输出不能直接入库。常见脏数据是空格、换行、标点、大小写混用，还有把数字 0 认成字母 O、数字 1 认成字母 I、数字 8 认成 B。我的做法是先做字符清洗，再按位置修正：车牌第二位通常是字母，后面的字符按字母数字混合处理，别全局替换，否则真车牌里的字母会被改错。多帧投票比单帧置信度更稳：同一车牌在连续 3 到 5 帧里出现 2 次以上一致，才触发业务动作。

import re PLATE_RE = re.compile(r"^[\u4e00-\u9fa5][A-Z][A-Z0-9]{5,6}$") CONFUSION = {"O": "0", "I": "1", "Z": "2", "S": "5", "B": "8"} def clean_and_fix(raw: str) -> str: s = re.sub(r"[^A-Z0-9\u4e00-\u9fa5]", "", raw.upper()) if len(s) < 2: return s head, body = s[0], s[1:] # 只在后段数字位做混淆修正，第二位字母位保持原样 fixed = [] for idx, ch in enumerate(body): if idx >= 1 and ch in CONFUSION: fixed.append(CONFUSION[ch]) else: fixed.append(ch) return head + "".join(fixed) def vote_plate(candidates, min_votes=2): counts = {} for p in candidates: if PLATE_RE.match(p): counts[p] = counts.get(p, 0) + 1 if not counts: return None plate, n = max(counts.items(), key=lambda kv: kv[1]) return plate if n >= min_votes else None

逻辑说明：clean_and_fix先去掉非车牌字符，再只对后段做混淆修正，避免把第二位字母改坏。vote_plate用多帧计票，低于min_votes不返回，交给下一轮或人工。参数说明：min_votes=2适合 5 帧窗口，车流快时降到 2，慢时可以升到 3；PLATE_RE里{5,6}覆盖普通牌和新能源牌的尾部长度，首字用汉字范围，不写死具体省份简称。常见误识别处理如下：

识别结果一定要保留裁剪图和原始 OCR 文本。计费系统不是实验室评测，遇到争议车牌要能回查“当时看到的是什么”，否则只剩一个字符串，排错就是黑匣子。

4. 计费状态机与数据库：把重复扣费挡在事务外

车牌识别计费系统出问题，金额错只是表面，根子通常在状态。入场记录写两次、出场时找不到入场、费率改了历史账单跟着变、开闸失败后重试又扣一笔，这些都是状态和事务没设计好。我的原则是：车牌只是业务键之一，会话才是核心；金额必须存快照，不能只存一个当前费率；开闸是事件，不是数据库事务的一部分。

4.1 表结构：入口记录、出场记录、费率快照

最小可用表结构包括：过车记录、停车会话、费率规则、道闸事件。过车记录保留每次识别结果和图片路径，停车会话只保留一次进场到出场的账，费率规则单独存，会话里再存一份规则快照。这样即使后面改了费率，历史账单也不会被“追溯调整”。时间统一存 epoch 秒，展示时再转本地时间，跨时区和夏令时少很多麻烦。

CREATE TABLE IF NOT EXISTS vehicle_pass ( id INTEGER PRIMARY KEY AUTOINCREMENT, plate_no TEXT NOT NULL, pass_type TEXT NOT NULL CHECK(pass_type IN ('IN','OUT')), occurred_at INTEGER NOT NULL, gate_id TEXT, confidence REAL, image_path TEXT, raw_text TEXT, created_at INTEGER NOT NULL ); CREATE TABLE IF NOT EXISTS parking_session ( id INTEGER PRIMARY KEY AUTOINCREMENT, plate_no TEXT NOT NULL, entry_ts INTEGER NOT NULL, exit_ts INTEGER, amount_cents INTEGER NOT NULL DEFAULT 0, rule_snapshot TEXT, status TEXT NOT NULL DEFAULT 'OPEN' CHECK(status IN ('OPEN','CLOSED','MANUAL')), created_at INTEGER NOT NULL ); CREATE UNIQUE INDEX IF NOT EXISTS ux_open_plate ON parking_session(plate_no) WHERE status = 'OPEN'; CREATE TABLE IF NOT EXISTS gate_event ( id INTEGER PRIMARY KEY AUTOINCREMENT, session_id INTEGER NOT NULL, action TEXT NOT NULL, status TEXT NOT NULL DEFAULT 'PENDING', retry_count INTEGER NOT NULL DEFAULT 0, last_error TEXT, created_at INTEGER NOT NULL, UNIQUE(session_id, action) );

逻辑说明：vehicle_pass是流水，允许同一车牌多次出现；parking_session是在场账本，ux_open_plate部分唯一索引保证同一车牌只能有一个 OPEN 会话，重复入场会直接被数据库挡住。gate_event的UNIQUE(session_id, action)防止同一会话重复开闸。参数说明：amount_cents用分存整数，避免浮点误差；rule_snapshot存 JSON，包含免费时长、首小时、每小时、封顶和计算明细；status='MANUAL'用于无牌车、污损车牌人工放行。临牌或月卡车如果车牌可能重复，不要只靠车牌做唯一键，要加credential_no或卡号字段。

4.2 计费函数：免费时长、向上取整和跨天封顶

计费规则先定清楚再写代码：免费时长内收 0；超过免费时长后，按总停车时长计算首小时和后续小时；不足一个计费单位向上取整；跨自然日按天封顶。最容易扯皮的是“免费时长后首小时怎么算”，有的场子把免费时长从总时长里扣掉，有的不扣。代码里必须把规则写进快照，账单展示时把minutes、bill_hours、first_cents、per_cents都列出来，别只给一个总价。

from decimal import Decimal def calculate_fee_cents(entry_ts: int, exit_ts: int, rule: dict): minutes = max(0, (exit_ts - entry_ts) // 60) if minutes <= rule["free_minutes"]: return 0, {"minutes": minutes, "reason": "free"} bill_hours = max(1, (minutes + 59) // 60) first_cents = int(Decimal(str(rule["first_hour_fee"])) * 100) per_cents = int(Decimal(str(rule["per_hour_fee"])) * 100) amount = first_cents + max(0, bill_hours - 1) * per_cents daily_cap = rule.get("daily_cap") if daily_cap: days = max(1, (minutes + 24 * 60 - 1) // (24 * 60)) cap_cents = int(Decimal(str(daily_cap)) * 100) * days amount = min(amount, cap_cents) detail = { "minutes": minutes, "bill_hours": bill_hours, "first_cents": first_cents, "per_cents": per_cents, "amount_cents": amount, } return amount, detail

逻辑说明：先把秒级时间差转成分钟，免费时长内直接返回 0；超过后按 60 分钟向上取整得到bill_hours，首小时收first_hour_fee，后续每小时收per_hour_fee；有daily_cap时按跨天数量乘封顶，再和原金额取小。参数说明：free_minutes是免费时长，first_hour_fee和per_hour_fee用元配置、函数内转分；daily_cap为空表示不封顶。注意这里的首小时包含免费时长，如果业务要求“免费时长后重新计首小时”，要把minutes改成minutes - free_minutes再算，规则必须在配置里写清楚。测试用例至少覆盖：

4.3 出入场事务与幂等：先写事件，再开闸

事务边界要克制：数据库事务只包会话和事件的写入，不包串口开闸、不包网络请求。开闸放在事务提交后，用gate_event表驱动重试；重试只重试开闸，不重新计费。并发入场时用BEGIN IMMEDIATE先拿写锁，避免两个进程同时查到“没有 OPEN 会话”然后各插一条。SQLite 适合单机和小型场站，并发上来换 PostgreSQL 或 MySQL，但事务思路不变。

import sqlite3 import time conn = sqlite3.connect("parking.db", isolation_level=None) conn.execute("PRAGMA busy_timeout=5000") def handle_pass(plate: str, pass_type: str, now: int, rule: dict): conn.execute("BEGIN IMMEDIATE") try: row = conn.execute( "SELECT id, entry_ts FROM parking_session WHERE plate_no=? AND status='OPEN'", (plate,) ).fetchone() if pass_type == "IN" and row is None: cur = conn.execute( "INSERT INTO parking_session(plate_no, entry_ts, status, created_at) " "VALUES (?, ?, 'OPEN', ?)", (plate, now, now) ) session_id = cur.lastrowid action = "OPEN_GATE_IN" elif pass_type == "OUT" and row is not None: session_id, entry_ts = row amount, detail = calculate_fee_cents(entry_ts, now, rule) conn.execute( "UPDATE parking_session SET exit_ts=?, amount_cents=?, status='CLOSED', " "rule_snapshot=? WHERE id=? AND status='OPEN'", (now, amount, str(detail), session_id) ) action = "OPEN_GATE_OUT" else: conn.execute("ROLLBACK") return {"ok": False, "reason": "state_mismatch"} conn.execute( "INSERT OR IGNORE INTO gate_event(session_id, action, status, created_at) " "VALUES (?, ?, 'PENDING', ?)", (session_id, action, now) ) conn.execute("COMMIT") return {"ok": True, "session_id": session_id, "action": action} except Exception: conn.execute("ROLLBACK") raise

逻辑说明：入场时如果没有 OPEN 会话就创建，有就返回状态不匹配；出场时有 OPEN 会话就计费并关闭，没有就拒绝。INSERT OR IGNORE配合唯一键保证同一会话同一动作只建一条事件。参数说明：busy_timeout=5000是等锁 5 秒，场站并发低够用；now统一用 epoch 秒；rule从配置或费率表读取，计算明细写进rule_snapshot。开闸线程只查gate_event里PENDING或FAILED且retry_count < 3的记录，成功置SUCCESS，失败累加次数并记last_error。这样即使道闸临时离线，账单状态也不会被拖回滚。

5. 避坑与排查：车牌识别计费系统最容易翻车的 5 个点

这类项目在 demo 阶段看着都能跑，一到现场就各种翻车。

本文还有配套的精品资源，点击获取