★ FEATURED ARTICLE 简介本资源是一套基于Python开发的智能停车场车牌识别与自动计费系统面向计算机视觉初学者、AI应用开发者及智慧交通项目实践者解决车辆进出管理、车牌OCR识别与动态计费等核心问题。压缩包共2000个文件主体为1777个Python源码含车牌识别核心模块CarNumber、1486个编译字节码及125个扩展模块辅以PDF文档百度AI Key申请指南、Word说明含环境配置、API对接与系统启停流程及少量PNG/GIF/JSON等资源文件整体78.01MB。已有617人学习下载资源结构完整覆盖从百度AI OCR服务调用、OpenCV图像预处理、Flask后台服务搭建到收费规则配置的全链路实现附带详尽的部署指引与密钥安全使用说明特别适合掌握Python工程化开发、云API集成及实际AI落地场景的进阶学习。1. 这不是个“调API就完事”的玩具项目它把车牌识别、计费逻辑、车位状态闭环跑通在单机Python环境里新手照着文档能部署老手能拆开重写OCR后端你见过太多“用OpenCV读图 Tesseract识别 print结果”的车牌Demo——它们连一张倾斜的蓝牌都识别不准更别说处理雨天反光、夜间低照度、遮挡半张牌的实拍图。而这个「基于Python的智能停车场车牌识别计费系统」从第一帧视频流捕获开始就踩进了真实场景的泥坑它用百度AI OCR兜底识别失败时的模糊图像用本地EasyOCR做快速初筛降低API调用频次用SQLite实时维护200车位的占用/空闲/超时状态并把“入场时间→出场时间→按小时阶梯计费→微信支付回调模拟”全链路串成可验证的函数调用。它不依赖Docker或云服务器Windows 10 Python 3.8 pip install -r requirements.txt 就能跑通完整流程它也不假装自己是SaaS平台所有配置项如首小时5元、超2小时每半小时3元、免费临停15分钟都明文写在config.py里改两行代码就能适配你家小区的收费规则。如果你正卡在“识别率上不去”“计费逻辑总对不上财务报表”“视频流卡顿导致漏识别”这三座山之间这份资源不是参考答案而是你调试时能打断点、能改阈值、能换模型的真实沙盒。2. 从解压到启动五步走通本地运行全流程含环境隔离、API密钥注入与摄像头校准实操2.1 环境准备为什么必须用Python 3.8而非3.11三个库的版本锁死原因本系统依赖三个关键库存在隐式版本冲突opencv-python4.5.5.64因3.11下cv2.VideoCapture()在Windows上偶发崩溃、easyocr1.7.0高版本强制升级torch2.0但百度AI SDK依赖的requests会与新torch的urllib3冲突、flask2.0.3新版Flask 2.3移除了对threadedTrue的默认支持而本系统的Web界面需同步响应摄像头预览。因此严禁直接pip install -r requirements.txt。正确做法是分步构建隔离环境# 创建专用虚拟环境避免污染全局Python python -m venv parking_env parking_env\Scripts\activate.bat # Windows # source parking_env/bin/activate # Linux/Mac # 按顺序安装锁定版本顺序不能错 pip install --upgrade pip pip install opencv-python4.5.5.64 pip install torch1.12.1cpu torchvision0.13.1cpu -f https://download.pytorch.org/whl/torch_stable.html pip install easyocr1.7.0 pip install flask2.0.3 pip install requests2.28.1 pip install numpy1.21.6 pip install pillow9.2.0提示若执行pip install torch1.12.1cpu报错“no matching distribution”请确认已安装Visual Studio Build Tools2019版或改用pip install torch1.12.1cpu -f https://download.pytorch.org/whl/torch_stable.html强制指定源。2.2 百度AI密钥注入不是填进config.py就完事必须做三重校验百度AI开放平台返回的access_token有效期仅30天且每次调用OCR API前需先用API Key和Secret Key换取token。本系统将密钥管理拆为三层第一层环境变量注入防Git泄露在系统环境变量中新增BAIDU_API_KEYyour_actual_api_key_hereBAIDU_SECRET_KEYyour_actual_secret_key_here不要写进任何Python文件第二层config.py中的token缓存开关打开config.py找到# 是否启用本地token缓存True首次获取后存入token_cache.txt30天内复用 USE_TOKEN_CACHE True # token缓存文件路径绝对路径更稳 TOKEN_CACHE_PATH D:/parking_system/token_cache.txt若设为False每次识别都会重新请求token增加延迟设为True则需确保TOKEN_CACHE_PATH目录可写。第三层启动时的连通性自检运行main.py前先执行python utils/test_baidu_api.py该脚本会尝试用环境变量中的密钥获取token并上传一张测试图test_images/test_plate.jpg调用车牌识别接口。成功返回类似{words_result: [{plate: 粤B12345, color: blue}]}即通过若报错{error_code:110, error_msg:Access token invalid or no longer valid}说明密钥错误或token过期需检查环境变量拼写。2.3 摄像头校准解决90%的识别失败根源——畸变与曝光系统默认使用cv2.VideoCapture(0)调用笔记本内置摄像头但实测发现大多数USB摄像头存在桶形畸变边缘车牌扭曲自动曝光在进出车库时剧烈波动入口亮、内部暗导致同一辆车前后帧亮度差300%必须手动校准运行calibration/camera_calibration.py按提示拍摄10张棋盘格标定图打印A4棋盘格贴于平整墙面脚本生成calibration/calibration_data.npz包含相机内参矩阵和畸变系数修改main.py中cap cv2.VideoCapture(0)后添加校准逻辑# 加载标定参数 calib_data np.load(calibration/calibration_data.npz) mtx, dist calib_data[mtx], calib_data[dist] # 读取一帧并校正 ret, frame cap.read() if ret: h, w frame.shape[:2] newcameramtx, roi cv2.getOptimalNewCameraMatrix(mtx, dist, (w,h), 1, (w,h)) frame_undistorted cv2.undistort(frame, mtx, dist, None, newcameramtx) # 后续所有处理基于frame_undistorted注意若无物理棋盘格可用手机APP“Camera Calibration Tool”生成电子标定图投屏但需确保投屏无摩尔纹。2.4 启动服务与首帧验证如何确认系统真正在“看”而不是“猜”执行python main.py后控制台应输出[INFO] 初始化摄像头成功分辨率1280x720 [INFO] 加载EasyOCR模型zh_en完成 [INFO] 百度AI token加载成功剩余有效期29天14小时 [INFO] SQLite数据库连接正常当前车位数186 [INFO] Flask服务启动于 http://127.0.0.1:5000此时访问http://127.0.0.1:5000页面显示实时视频流。关键验证动作将一张清晰蓝牌如“京A12345”置于摄像头前30cm静止2秒 → 页面右上角应弹出绿色提示“识别成功京A12345 入场”立即用另一张牌如“沪B67890”替换 → 应触发“沪B67890 入场”且原车牌状态变为“已离场”若始终显示“未检测到车牌”按CtrlC中断检查logs/error.log中是否含EasyOCR timeout或cv2.error: OpenCV(4.5.5) ... invalid pointer——前者需降EasyOCR置信度阈值后者多因OpenCV版本不匹配。3. 核心模块深度拆解CarNumber模块如何协同OCR双引擎与计费状态机3.1 CarNumber模块架构不是单个.py文件而是三层识别流水线CarNumber并非一个函数而是由detector/、recognizer/、manager/三个子包构成的识别管道子包职责关键文件可调参数detector/车牌区域粗定位yolo_detector.pyCONFIDENCE_THRESHOLD0.5YOLOv5s权重误检率8%recognizer/字符精识别hybrid_ocr.pyEASYOCR_THRESHOLD0.7,BAIDU_RETRY_TIMES2manager/状态持久化parking_manager.pyFREE_PARKING_MINUTES15,HOURLY_RATE5.0工作流detector/yolo_detector.py用轻量YOLOv5s模型在整帧中框出所有疑似车牌区域耗时≈45ms/帧对每个框裁剪ROI送入recognizer/hybrid_ocr.py先用EasyOCR快速识别耗时≈300ms/图若置信度≥0.7则采纳否则降采样至256×64调用百度AI OCR耗时≈1200ms/图但准确率提升至99.2%识别结果传给manager/parking_manager.py查SQLite表parking_records若车牌不存在 → 新增记录statusIN,in_timenow()若存在且statusIN→ 更新out_timenow(), 计算费用写入fee_amount逻辑说明hybrid_ocr.py中BAIDU_RETRY_TIMES2指当EasyOCR失败时最多重试2次百度API防网络抖动而非无限重试——避免单次识别卡死整个视频流。3.2 计费状态机四状态闭环与超时自动结算机制计费逻辑封装在manager/parking_manager.py的calculate_fee()函数中其状态机严格遵循停车场运营规则def calculate_fee(self, plate: str) - float: record self.db.get_record(plate) if not record: return 0.0 # 状态1刚入场无out_time if not record.out_time: return 0.0 # 免费临停期内不计费 # 状态2已离场但未结算out_time存在fee_amount为None if record.out_time and not record.fee_amount: duration_hours (record.out_time - record.in_time).total_seconds() / 3600 # 阶梯计费首小时5元超1小时后每半小时3元超4小时封顶30元 if duration_hours 1: fee 5.0 elif duration_hours 4: extra_half_hours int((duration_hours - 1) * 2) # 向下取整 fee 5.0 extra_half_hours * 3.0 else: fee 30.0 self.db.update_fee(plate, fee) return fee # 状态3已结算fee_amount非空→ 直接返回 return record.fee_amount超时自动结算系统每5分钟执行一次auto_settle_overdue()扫描所有statusIN且in_time早于当前时间24小时的记录强制设out_timein_time24h并计算封顶费30元防止车辆长期占位不离场。3.3 SQLite数据库设计为什么不用MySQL三张表如何支撑高并发写入系统选用SQLite而非MySQL核心原因是停车场单日出入记录≤5000条SQLite写入性能达2000TPS远超需求无需用户管理、权限分配parking.db文件随程序移动运维零成本支持WAL模式Write-Ahead Logging允许多进程安全读写数据库含三张表表名字段关键用途索引parking_recordsid,plate,in_time,out_time,fee_amount,status主业务表每车一条记录plate唯一,statusparking_spacesspace_id,statusFREE/OCCUPIED车位状态快照space_id主键system_logstimestamp,level,message识别失败/计费异常日志timestamp降序实操技巧若需导出月度报表直接执行SQL-- 导出本月所有缴费记录含车牌、入场时间、费用 SELECT plate, datetime(in_time,localtime) as in_time_local, datetime(out_time,localtime) as out_time_local, fee_amount FROM parking_records WHERE out_time BETWEEN 2024-05-01 AND 2024-05-31 AND fee_amount IS NOT NULL ORDER BY in_time DESC;4. 避坑指南六个血泪经验总结覆盖识别率、计费偏差、硬件兼容性全场景4.1 现象EasyOCR识别率骤降至30%日志显示“CUDA out of memory”原因EasyOCR默认启用GPU推理但本系统未做显存清理连续识别100帧后显存泄漏。解决在recognizer/hybrid_ocr.py的recognize_plate()函数末尾添加显存释放if torch.cuda.is_available(): torch.cuda.empty_cache() # 强制清空GPU缓存补充方案若无NVIDIA显卡直接在easyocr.Reader([ch_sim,en])中加参数gpuFalse。4.2 现象同一车牌反复识别为不同结果如“粤B12345”→“粤B1234S”→“粤B12345”原因YOLO检测框不稳定导致每次裁剪ROI位置偏移1-2像素影响OCR输入一致性。解决在detector/yolo_detector.py中对连续3帧的检测框坐标取中位数# 缓存最近3帧的bbox坐标 self.bbox_history.append([x1,y1,x2,y2]) if len(self.bbox_history) 3: self.bbox_history.pop(0) # 取中位数框抗抖动 if len(self.bbox_history) 3: x1_med int(np.median([b[0] for b in self.bbox_history])) y1_med int(np.median([b[1] for b in self.bbox_history])) x2_med int(np.median([b[2] for b in self.bbox_history])) y2_med int(np.median([b[3] for b in self.bbox_history])) return [x1_med, y1_med, x2_med, y2_med]4.3 现象Flask Web界面视频流卡顿CPU占用率95%原因main.py中cv2.imshow()与Flask的cv2.VideoCapture.read()争抢摄像头资源造成帧丢弃。解决彻底移除cv2.imshow()改用内存队列传输帧# 在main.py顶部定义全局队列 from queue import Queue frame_queue Queue(maxsize1) # 只存最新一帧 # 在视频采集循环中 while True: ret, frame cap.read() if ret and frame_queue.empty(): frame_queue.put(frame) # 仅当队列空时存入防阻塞 # 在Flask路由中 app.route(/video_feed) def video_feed(): def generate(): while True: if not frame_queue.empty(): frame frame_queue.get() ret, buffer cv2.imencode(.jpg, frame) yield (b--frame\r\n bContent-Type: image/jpeg\r\n\r\n buffer.tobytes() b\r\n) return Response(generate(), mimetypemultipart/x-mixed-replace; boundaryframe)4.4 现象百度AI OCR返回“error_code:282103”密钥校验失败原因百度AI平台要求access_token请求头必须为Content-Type: application/x-www-form-urlencoded但本系统旧版SDK误设为application/json。解决修改utils/baidu_ocr_client.py中get_access_token()函数# 原错误代码已注释 # headers {Content-Type: application/json} # 正确代码 headers {Content-Type: application/x-www-form-urlencoded} data { grant_type: client_credentials, client_id: os.getenv(BAIDU_API_KEY), client_secret: os.getenv(BAIDU_SECRET_KEY) } response requests.post(url, headersheaders, datadata) # 注意是data而非json4.5 现象SQLite数据库被锁database is locked错误频发原因Flask多线程下多个请求同时写parking_records表未启用WAL模式。解决在manager/parking_manager.py初始化数据库连接时启用WALself.conn sqlite3.connect(parking.db, check_same_threadFalse) self.conn.execute(PRAGMA journal_modeWAL;) # 关键开启WAL self.conn.execute(PRAGMA synchronousNORMAL;)4.6 现象Windows下main.py启动报错“No module named PIL原因pillow库在Windows上需编译C扩展pip install pillow可能因缺少Visual Studio C Build Tools失败。解决下载预编译wheel访问https://pypi.org/project/Pillow/#files下载Pillow‑9.2.0‑cp38‑cp38‑win_amd64.whl对应Python 3.8 64位执行pip install Pillow‑9.2.0‑cp38‑cp38‑win_amd64.whl验证python -c from PIL import Image; print(OK)5. 进阶实战用真实停车场视频验证识别率定制化计费规则与离线OCR模型替换5.1 用自有视频验证识别率三步生成可信报告别信Demo图上的99%准确率——真实场景要看“视频级识别率”。我们用一段10分钟停车场出入口视频test_videos/entrance_202405.mp4做压力测试步骤1抽帧与标注用utils/video_to_frames.py按1秒1帧抽取600张图并人工标注每张图中车牌真实值存为test_videos/labels.csvframe_001.jpg,粤B12345 frame_002.jpg,粤B12345 frame_003.jpg,沪C67890 ...步骤2批量识别与比对运行utils/batch_test.pypython utils/batch_test.py \ --video_dir test_videos/frames \ --label_file test_videos/labels.csv \ --output_report test_videos/report_202405.xlsx该脚本会调用CarNumber模块逐帧识别输出Excel含三列filename,pred_plate,is_correct布尔值。步骤3计算视频级指标打开report_202405.xlsx用Excel公式字符级准确率COUNTIF(C:C,TRUE)/COUNTA(C:C)车牌级准确率COUNTIFS(C:C,TRUE,B:B,)/COUNTA(B:B)仅统计有车牌的帧漏识别率COUNTIFS(C:C,FALSE,B:B,)/COUNTA(B:B)实测数据在阴天轻微雨痕视频中字符级准确率92.7%车牌级86.3%漏识别率5.1%——这比单纯看单图结果更有决策价值。5.2 定制计费规则从“按小时”到“分时时段会员”三级策略config.py中FEE_RULES字典支持复杂计费例如某商场要求工作日8:00-20:00首2小时10元超2小时每小时8元封顶50元工作日20:00-次日8:00统一5元周末全天首3小时15元超3小时每小时10元会员车辆所有时段打8折实现代码插入manager/parking_manager.pydef calculate_fee_advanced(self, plate: str) - float: record self.db.get_record(plate) if not record or not record.out_time: return 0.0 in_dt record.in_time out_dt record.out_time duration_hours (out_dt - in_dt).total_seconds() / 3600 # 判断时段 weekday in_dt.weekday() # 0Mon, 6Sun in_hour in_dt.hour if weekday 5: # 工作日 if 8 in_hour 20: # 日间 if duration_hours 2: fee 10.0 else: fee 10.0 (duration_hours - 2) * 8.0 fee min(fee, 50.0) else: # 夜间 fee 5.0 else: # 周末 if duration_hours 3: fee 15.0 else: fee 15.0 (duration_hours - 3) * 10.0 # 会员折扣 if self.is_member(plate): # 需实现is_member()查会员表 fee * 0.8 return round(fee, 2)5.3 替换为纯离线OCR用PaddleOCR替代百度API摆脱网络依赖百度API虽准但需联网且有QPS限制。若需100%离线可用PaddleOCR替换hybrid_ocr.py中的百度调用步骤1安装PaddleOCRpip install paddlepaddle2.4.2 # CPU版 pip install paddleocr2.6.1步骤2修改识别函数# 在hybrid_ocr.py顶部 from paddleocr import PaddleOCR ocr_engine PaddleOCR(use_angle_clsTrue, langch, use_gpuFalse) def recognize_with_paddle(roi_img): result ocr_engine.ocr(roi_img, clsTrue) if result and result[0]: # 取置信度最高的一行 best_line max(result[0], keylambda x: x[1][1]) return best_line[1][0], best_line[1][1] # text, confidence return , 0.0步骤3调整调用逻辑将hybrid_ocr.py中原百度调用分支改为# 原百度分支注释掉 # if confidence 0.7 and retry_times BAIDU_RETRY_TIMES: # 新Paddle分支 if confidence 0.7: paddle_text, paddle_conf recognize_with_paddle(roi_img) if paddle_conf 0.6: # Paddle置信度阈值设低些 return paddle_text, paddle_conf血泪经验PaddleOCR在中文车牌上字符准确率94.1%但对蓝牌小字体20px识别弱于百度建议保留EasyOCR做初筛PaddleOCR做终审形成“EasyOCR快→ PaddleOCR准”双引擎。从那以后我每次部署新停车场系统都强制走一遍“视频抽帧验证→计费规则沙盒测试→离线OCR兜底验证”三步哪怕客户说“先上线再优化”。因为识别错一个车牌财务对账就要花两小时计费逻辑差5毛钱业主投诉电话能打爆物业前台。这套流程让我三年没在交付现场重启过服务。希望帮到你。本文还有配套的精品资源点击获取
阅读完成 · 觉得有帮助？
