简介这是一套面向Python初学者与计算机专业学生的智能停车场车牌识别计费系统完整源码基于百度AI开放平台图片识别接口实现车牌自动识别、车辆出入场判断、收入统计与车位满预警等核心业务适合作为课程设计、毕业设计或Python项目实战的参考案例。压缩包共2003个文件以1777个py源码文件为主体辅以pyc编译文件、txt配置说明、h与c底层依赖、xml与json配置、js/html/css前端页面及pdf/doc文档整体约189.59MB目录结构完整便于按模块阅读与二次开发。资源内附程序使用说明文档详细讲解在PyCharm中的运行方式、百度AI Key的申请与key.txt替换方法并配有主界面、车辆入场出场、收入统计柱状图、满预警提示等效果图帮助读者快速理解识别流程与计费逻辑。目前已有247人学习下载适合希望掌握车牌识别与停车场管理业务整合的开发者参考借鉴。1. 从一张闸机照片说起Python 车牌识别计费系统到底在做什么小区门口那台闸机摄像头拍下一张车头照两秒内抬杆放行出场时屏幕跳出「停车 1 小时 23 分收费 8 元」。这套动作背后其实是一条完整的流水线图像采集、车牌定位、字符分割、字符识别、业务计费、数据落库。用 Python 把这条线串起来就是标题里说的智能停车场车牌识别计费系统。它解决的不是「识别一张图」这么简单而是把识别结果变成一笔可结算、可查询、可对账的停车订单。适合谁做智慧社区、园区门禁、商场停车管理的开发者以及想拿一个完整 Python 项目练手的学生。源码加使用说明的组合意味着你拿到的不只是算法片段而是一套能跑起来、能改参数、能接自己数据库的工程骨架。下面我按自己搭这套东西的顺序把选型、代码、参数和踩过的坑讲清楚。2. 车牌识别这条链路从 OpenCV 预处理到字符识别怎么选2.1 为什么不用端到端深度学习一把梭很多人第一反应是上 YOLO 加 CRNN端到端出车牌字符串。这条路精度上限高但对停车场场景未必划算。原因有三个一是训练数据难搞你得标注几千张带车牌的图还要覆盖蓝牌、绿牌、黄牌、新能源牌二是部署成本停车场闸机往往是低功耗工控机跑不动大模型三是可解释性差识别错了你很难定位是定位歪了还是字符分错了。我一般会走传统 CV 加轻量识别的组合OpenCV 做颜色和边缘定位再对字符做模板匹配或轻量 CNN。这样在普通 CPU 上单张图 100 毫秒内能出结果调试时每一步都能可视化。常见做法是先用 HSV 颜色空间把蓝色、绿色区域抠出来再用形态学操作连成候选框最后按长宽比筛掉非车牌区域。2.2 环境准备与依赖安装的最小命令先把环境搭起来。Python 版本建议 3.8 到 3.10太新的版本有些 CV 库轮子还没跟上。下面这组命令我用了很多次基本不会翻车# 创建虚拟环境避免污染系统 Python python -m venv parking_env # 激活环境Windows 用 parking_env\Scripts\activate source parking_env/bin/activate # 安装核心依赖opencv-python 用 headless 版省去 GUI 依赖 pip install opencv-python-headless4.8.1.78 pip install numpy1.24.3 pip install pillow10.1.0 pip install flask3.0.0 pip install sqlalchemy2.0.23这里每个包都有明确分工。opencv 负责图像读写和形态学处理numpy 做矩阵运算pillow 用于生成计费小票图片flask 提供查询和计费接口sqlalchemy 管数据库。版本号不是随便写的opencv 4.8 和 numpy 1.24 搭配在多数 Linux 发行版上编译通过率最高。如果你用 python 官网下载的安装包记得勾选 Add Python to PATH否则后面命令行找不到 python。装完可以跑一句python -c import cv2; print(cv2.__version__)验证能打印版本号就说明 cv2 装好了。2.3 车牌定位的核心代码与参数含义定位是整条链路最影响成功率的一步。下面这段代码把一张车头图转成候选车牌框import cv2 import numpy as np def locate_plate(image_path): # 读取图片统一缩放到宽度 640减少计算量 img cv2.imread(image_path) img cv2.resize(img, (640, int(img.shape[0] * 640 / img.shape[1]))) # 转 HSV蓝色车牌 H 在 100-124 之间 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) # 开运算去掉噪点闭运算把断裂的车牌字符连成块 kernel cv2.getStructuringElement(cv2.MORPH_RECT, (17, 5)) mask cv2.morphologyEx(mask, cv2.MORPH_CLOSE, kernel) mask cv2.morphologyEx(mask, cv2.MORPH_OPEN, kernel) # 找轮廓按面积和长宽比筛选 contours, _ cv2.findContours(mask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) candidates [] for cnt in contours: x, y, w, h cv2.boundingRect(cnt) ratio w / float(h) area w * h # 车牌长宽比经验值 2.5 到 5.5面积过滤掉小噪点 if 2.5 ratio 5.5 and area 2000: candidates.append((x, y, w, h)) return img, candidates逻辑说明HSV 比 RGB 更适合做颜色分割因为光照变化主要影响亮度 V对色相 H 影响小。lower_blue 和 upper_blue 这两个数组是蓝色车牌的色相范围如果你要识别新能源绿牌把范围改成 [35, 43, 46] 到 [77, 255, 255] 即可。kernel 的 (17, 5) 是形态学核大小横向长是为了把车牌上分散的字符连成一条纵向短是为了不把相邻车道连进来。长宽比 2.5 到 5.5 是国标车牌的经验区间面积 2000 是过滤远处小牌和噪点的阈值这两个参数要根据你的摄像头分辨率微调。跑完这个函数candidates 里就是候选框坐标通常一张图会有 1 到 3 个候选取面积最大的那个基本就是真车牌。2.4 字符分割与识别的落地写法定位到车牌后要把字符一个个切出来再识别。常见做法是灰度化、二值化、垂直投影找字符间隙def split_characters(plate_img): # 转灰度并做自适应二值化应对光照不均 gray cv2.cvtColor(plate_img, cv2.COLOR_BGR2GRAY) binary cv2.adaptiveThreshold(gray, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY_INV, 19, 5) # 垂直投影统计每列白色像素数 projection np.sum(binary, axis0) / 255 # 找到投影从低到高的跳变点作为字符边界 chars [] in_char False start 0 for i, val in enumerate(projection): if val 2 and not in_char: in_char True start i elif val 2 and in_char: in_char False if i - start 5: # 宽度太小的当噪点丢掉 chars.append(binary[:, start:i]) return charsadaptiveThreshold 的 blockSize 取 19C 取 5这两个值决定二值化对局部光照的敏感度blockSize 必须是奇数。投影阈值 2 表示某列白色像素超过 2 个才算字符区域这个值太小会把噪点当字符太大又会把细笔画字符漏掉。字符宽度小于 5 像素的直接丢弃因为正常车牌字符在 640 宽度下至少有 15 像素宽。切出来的字符图再送进识别模块识别可以用模板匹配也可以训一个小的 CNN。模板匹配适合固定字体CNN 适合字体有磨损的情况。我一般先用模板匹配跑通流程等准确率不够了再换 CNN这样调试成本最低。3. 计费逻辑与数据落库把识别结果变成一笔订单3.1 计费规则怎么抽象成可配置的表识别出车牌只是第一步真正决定这套系统能不能用的是计费逻辑。停车场计费规则五花八门有的前 30 分钟免费有的按小时阶梯计价有的夜间封顶。硬编码在代码里是自找麻烦我一般把规则抽成一张配置表字段名类型说明示例值rule_idint规则主键1free_minutesint免费时长分钟30first_hour_feedecimal首小时费用5.00per_hour_feedecimal后续每小时费用3.00daily_capdecimal单日封顶40.00night_starttime夜间时段开始22:00night_endtime夜间时段结束08:00night_feedecimal夜间一口价10.00这张表的好处是运营人员改价格不用动代码直接改数据库就行。free_minutes 控制免费时长first_hour_fee 和 per_hour_fee 实现阶梯计价daily_cap 防止停一整天费用爆炸night_fee 处理夜间时段。实际计算时先判断入场时间是否落在夜间时段是就按 night_fee 算不是再走阶梯逻辑。注意时间要统一用 UTC 存储展示时再转本地时区否则跨时区部署会算错。3.2 入场出场配对与订单生成代码计费的核心是找到同一辆车的入场记录和出场记录配对后算时长。下面这段用 SQLAlchemy 实现from datetime import datetime from sqlalchemy import create_engine, Column, Integer, String, DateTime, Numeric from sqlalchemy.orm import declarative_base, sessionmaker Base declarative_base() class ParkingRecord(Base): __tablename__ parking_record id Column(Integer, primary_keyTrue) plate_no Column(String(16), indexTrue) # 车牌号建索引加速查询 entry_time Column(DateTime, nullableFalse) exit_time Column(DateTime) fee Column(Numeric(10, 2), default0) engine create_engine(sqlite:///parking.db) Base.metadata.create_all(engine) Session sessionmaker(bindengine) def vehicle_entry(plate_no): session Session() # 同一车牌如果已有未出场记录说明重复入场直接返回 exist session.query(ParkingRecord).filter_by( plate_noplate_no, exit_timeNone).first() if exist: session.close() return None record ParkingRecord(plate_noplate_no, entry_timedatetime.utcnow()) session.add(record) session.commit() session.close() return record.id def vehicle_exit(plate_no, rule): session Session() record session.query(ParkingRecord).filter_by( plate_noplate_no, exit_timeNone).order_by( ParkingRecord.entry_time.desc()).first() if not record: session.close() return None record.exit_time datetime.utcnow() minutes (record.exit_time - record.entry_time).total_seconds() / 60 record.fee calc_fee(minutes, rule) session.commit() fee record.fee session.close() return fee逻辑说明vehicle_entry 里先查有没有未出场的同车牌记录有就说明这辆车还在场内重复入场不新建记录避免一车多单。vehicle_exit 按入场时间倒序取最近一条未出场记录配对后算分钟数。plate_no 字段建索引很关键停车场高峰期每秒可能好几次查询没索引会拖慢整个系统。calc_fee 是纯计算函数把分钟数和规则表传进去返回费用这样计费逻辑和数据库操作解耦方便单元测试。3.3 计费函数的边界处理def calc_fee(minutes, rule): # 免费时长内直接返回 0 if minutes rule[free_minutes]: return 0 # 判断是否夜间时段简化处理按入场小时判断 hour datetime.utcnow().hour if hour 22 or hour 8: return min(rule[night_fee], rule[daily_cap]) # 阶梯计费首小时 超出部分按小时向上取整 billable minutes - rule[free_minutes] hours int(billable // 60) (1 if billable % 60 0 else 0) if hours 1: fee rule[first_hour_fee] else: fee rule[first_hour_fee] (hours - 1) * rule[per_hour_fee] return min(fee, rule[daily_cap])这里有几个容易忽略的点。billable 是先减掉免费时长再算不是直接拿总时长算。向上取整用//加取余判断停 61 分钟算 2 小时这是停车场行业惯例。min(fee, daily_cap) 保证不会超过封顶价。夜间判断这里简化成按当前小时实际项目里应该按入场时间落在哪个时段来算因为跨夜停车可能一部分在夜间一部分在白天需要分段累计。这个函数我建议单独写测试用例把 0 分钟、30 分钟、61 分钟、跨夜这些边界都覆盖一遍不然上线后对账会发现金额对不上。4. 避坑与排查车牌识别计费系统上线后最容易翻车的 5 个点4.1 现象白天识别正常晚上全部识别失败原因HSV 颜色分割依赖色相夜间补光灯偏黄或偏白蓝色车牌的色相会偏移出 [100, 124] 区间mask 全黑自然找不到车牌。解决夜间切换到基于边缘检测的定位方式用 Canny 加形态学或者把摄像头补光灯换成白光并固定曝光。我一般会在代码里加一个亮度判断平均亮度低于 60 就走边缘检测分支。4.2 现象同一辆车出场时找不到入场记录原因入场时车牌识别错了一位比如把「京A12345」识别成「京A1234S」出场时识别正确两个字符串对不上配对失败。解决车牌匹配不要用精确相等用编辑距离距离小于等于 1 就认为是同一辆车。同时入场记录里存一份原始识别置信度低置信度的记录标记出来人工复核。4.3 现象数据库里出现大量重复入场记录原因车辆在闸机前停留时摄像头连续抓拍每抓一帧就调一次 vehicle_entry同一辆车生成了多条记录。解决入场接口加去重窗口同一车牌 5 分钟内只允许创建一条入场记录。用 Redis 存一个带过期时间的 key或者直接在数据库查最近 5 分钟有没有同车牌记录。4.4 现象计费金额和人工算的对不上原因时间用了本地时区存储但服务器时区是 UTC算出来的时长差了几个小时。或者免费时长扣减逻辑写错把免费时长重复扣了。解决所有时间统一用 UTC 存展示层再转。计费函数写单元测试把免费时长边界、跨天、跨夜都测一遍。我习惯在订单表里额外存一个计费明细字段记录扣了多少免费时长、算了几个小时对账时一目了然。4.5 现象高峰期接口响应超过 3 秒原因每次识别都同步跑完整 CV 流程加上数据库查询没走索引请求堆积。解决识别和计费拆成异步识别结果先写消息队列计费服务从队列消费。数据库给 plate_no 和 entry_time 建联合索引。如果不想引入队列至少把识别放到线程池里别阻塞 Flask 主线程。5. 进阶技巧用置信度过滤和模拟数据把系统调稳5.1 给识别结果加置信度低置信度走人工通道模板匹配或 CNN 输出都会带一个相似度分数这个分数别浪费。我一般设两个阈值高于 0.85 直接放行0.6 到 0.85 之间标记为待确认低于 0.6 直接拒绝并提示重拍。待确认的记录在后台管理页面高亮运营人员看一眼就能改。这样既保证了通行效率又不会因为误识别产生错误订单。置信度阈值不是拍脑袋定的拿 200 张测试图跑一遍画出准确率随阈值变化的曲线选准确率和召回率平衡的那个点。5.2 用模拟数据做压力测试上线前一定要压测。写一个脚本批量生成车牌号和进出时间灌进数据库然后跑计费查询import random import string from datetime import datetime, timedelta def gen_plate(): # 生成京A开头加5位数字的模拟车牌 return 京A .join(random.choices(string.digits, k5)) def gen_records(n): records [] for _ in range(n): entry datetime.utcnow() - timedelta(hoursrandom.randint(1, 48)) exit_t entry timedelta(minutesrandom.randint(10, 600)) records.append((gen_plate(), entry, exit_t)) return records生成 10 万条记录灌进去然后测三个查询按车牌查历史订单、按时间段统计收入、查当前在场车辆。这三个查询覆盖了停车场系统 90% 的读操作。如果哪个查询超过 500 毫秒就加索引或者改查询方式。我踩过的坑是「查当前在场车辆」用了exit_time is None数据量大了之后全表扫描后来改成单独维护一张在场车辆表出场时删除查询就是主键查找快了两个数量级。5.3 一个我坚持了很久的习惯每次改完计费规则我一定会手动造三笔订单一笔刚好卡在免费时长边界一笔跨夜一笔停满 24 小时触发封顶。这三笔算对了基本就不会出大问题。车牌识别那边我会把识别失败的图自动存到一个失败样本目录每周看一次看看是不是又有新的车牌样式或者光照条件没覆盖到。这套系统没有一劳永逸的调参只有持续盯着失败样本改。希望帮到你。本文还有配套的精品资源点击获取 Python车牌识别计费系统实战：从OpenCV定位到订单生成
简介这是一套面向Python初学者与计算机专业学生的智能停车场车牌识别计费系统完整源码基于百度AI开放平台图片识别接口实现车牌自动识别、车辆出入场判断、收入统计与车位满预警等核心业务适合作为课程设计、毕业设计或Python项目实战的参考案例。压缩包共2003个文件以1777个py源码文件为主体辅以pyc编译文件、txt配置说明、h与c底层依赖、xml与json配置、js/html/css前端页面及pdf/doc文档整体约189.59MB目录结构完整便于按模块阅读与二次开发。资源内附程序使用说明文档详细讲解在PyCharm中的运行方式、百度AI Key的申请与key.txt替换方法并配有主界面、车辆入场出场、收入统计柱状图、满预警提示等效果图帮助读者快速理解识别流程与计费逻辑。目前已有247人学习下载适合希望掌握车牌识别与停车场管理业务整合的开发者参考借鉴。1. 从一张闸机照片说起Python 车牌识别计费系统到底在做什么小区门口那台闸机摄像头拍下一张车头照两秒内抬杆放行出场时屏幕跳出「停车 1 小时 23 分收费 8 元」。这套动作背后其实是一条完整的流水线图像采集、车牌定位、字符分割、字符识别、业务计费、数据落库。用 Python 把这条线串起来就是标题里说的智能停车场车牌识别计费系统。它解决的不是「识别一张图」这么简单而是把识别结果变成一笔可结算、可查询、可对账的停车订单。适合谁做智慧社区、园区门禁、商场停车管理的开发者以及想拿一个完整 Python 项目练手的学生。源码加使用说明的组合意味着你拿到的不只是算法片段而是一套能跑起来、能改参数、能接自己数据库的工程骨架。下面我按自己搭这套东西的顺序把选型、代码、参数和踩过的坑讲清楚。2. 车牌识别这条链路从 OpenCV 预处理到字符识别怎么选2.1 为什么不用端到端深度学习一把梭很多人第一反应是上 YOLO 加 CRNN端到端出车牌字符串。这条路精度上限高但对停车场场景未必划算。原因有三个一是训练数据难搞你得标注几千张带车牌的图还要覆盖蓝牌、绿牌、黄牌、新能源牌二是部署成本停车场闸机往往是低功耗工控机跑不动大模型三是可解释性差识别错了你很难定位是定位歪了还是字符分错了。我一般会走传统 CV 加轻量识别的组合OpenCV 做颜色和边缘定位再对字符做模板匹配或轻量 CNN。这样在普通 CPU 上单张图 100 毫秒内能出结果调试时每一步都能可视化。常见做法是先用 HSV 颜色空间把蓝色、绿色区域抠出来再用形态学操作连成候选框最后按长宽比筛掉非车牌区域。2.2 环境准备与依赖安装的最小命令先把环境搭起来。Python 版本建议 3.8 到 3.10太新的版本有些 CV 库轮子还没跟上。下面这组命令我用了很多次基本不会翻车# 创建虚拟环境避免污染系统 Python python -m venv parking_env # 激活环境Windows 用 parking_env\Scripts\activate source parking_env/bin/activate # 安装核心依赖opencv-python 用 headless 版省去 GUI 依赖 pip install opencv-python-headless4.8.1.78 pip install numpy1.24.3 pip install pillow10.1.0 pip install flask3.0.0 pip install sqlalchemy2.0.23这里每个包都有明确分工。opencv 负责图像读写和形态学处理numpy 做矩阵运算pillow 用于生成计费小票图片flask 提供查询和计费接口sqlalchemy 管数据库。版本号不是随便写的opencv 4.8 和 numpy 1.24 搭配在多数 Linux 发行版上编译通过率最高。如果你用 python 官网下载的安装包记得勾选 Add Python to PATH否则后面命令行找不到 python。装完可以跑一句python -c import cv2; print(cv2.__version__)验证能打印版本号就说明 cv2 装好了。2.3 车牌定位的核心代码与参数含义定位是整条链路最影响成功率的一步。下面这段代码把一张车头图转成候选车牌框import cv2 import numpy as np def locate_plate(image_path): # 读取图片统一缩放到宽度 640减少计算量 img cv2.imread(image_path) img cv2.resize(img, (640, int(img.shape[0] * 640 / img.shape[1]))) # 转 HSV蓝色车牌 H 在 100-124 之间 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) # 开运算去掉噪点闭运算把断裂的车牌字符连成块 kernel cv2.getStructuringElement(cv2.MORPH_RECT, (17, 5)) mask cv2.morphologyEx(mask, cv2.MORPH_CLOSE, kernel) mask cv2.morphologyEx(mask, cv2.MORPH_OPEN, kernel) # 找轮廓按面积和长宽比筛选 contours, _ cv2.findContours(mask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) candidates [] for cnt in contours: x, y, w, h cv2.boundingRect(cnt) ratio w / float(h) area w * h # 车牌长宽比经验值 2.5 到 5.5面积过滤掉小噪点 if 2.5 ratio 5.5 and area 2000: candidates.append((x, y, w, h)) return img, candidates逻辑说明HSV 比 RGB 更适合做颜色分割因为光照变化主要影响亮度 V对色相 H 影响小。lower_blue 和 upper_blue 这两个数组是蓝色车牌的色相范围如果你要识别新能源绿牌把范围改成 [35, 43, 46] 到 [77, 255, 255] 即可。kernel 的 (17, 5) 是形态学核大小横向长是为了把车牌上分散的字符连成一条纵向短是为了不把相邻车道连进来。长宽比 2.5 到 5.5 是国标车牌的经验区间面积 2000 是过滤远处小牌和噪点的阈值这两个参数要根据你的摄像头分辨率微调。跑完这个函数candidates 里就是候选框坐标通常一张图会有 1 到 3 个候选取面积最大的那个基本就是真车牌。2.4 字符分割与识别的落地写法定位到车牌后要把字符一个个切出来再识别。常见做法是灰度化、二值化、垂直投影找字符间隙def split_characters(plate_img): # 转灰度并做自适应二值化应对光照不均 gray cv2.cvtColor(plate_img, cv2.COLOR_BGR2GRAY) binary cv2.adaptiveThreshold(gray, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY_INV, 19, 5) # 垂直投影统计每列白色像素数 projection np.sum(binary, axis0) / 255 # 找到投影从低到高的跳变点作为字符边界 chars [] in_char False start 0 for i, val in enumerate(projection): if val 2 and not in_char: in_char True start i elif val 2 and in_char: in_char False if i - start 5: # 宽度太小的当噪点丢掉 chars.append(binary[:, start:i]) return charsadaptiveThreshold 的 blockSize 取 19C 取 5这两个值决定二值化对局部光照的敏感度blockSize 必须是奇数。投影阈值 2 表示某列白色像素超过 2 个才算字符区域这个值太小会把噪点当字符太大又会把细笔画字符漏掉。字符宽度小于 5 像素的直接丢弃因为正常车牌字符在 640 宽度下至少有 15 像素宽。切出来的字符图再送进识别模块识别可以用模板匹配也可以训一个小的 CNN。模板匹配适合固定字体CNN 适合字体有磨损的情况。我一般先用模板匹配跑通流程等准确率不够了再换 CNN这样调试成本最低。3. 计费逻辑与数据落库把识别结果变成一笔订单3.1 计费规则怎么抽象成可配置的表识别出车牌只是第一步真正决定这套系统能不能用的是计费逻辑。停车场计费规则五花八门有的前 30 分钟免费有的按小时阶梯计价有的夜间封顶。硬编码在代码里是自找麻烦我一般把规则抽成一张配置表字段名类型说明示例值rule_idint规则主键1free_minutesint免费时长分钟30first_hour_feedecimal首小时费用5.00per_hour_feedecimal后续每小时费用3.00daily_capdecimal单日封顶40.00night_starttime夜间时段开始22:00night_endtime夜间时段结束08:00night_feedecimal夜间一口价10.00这张表的好处是运营人员改价格不用动代码直接改数据库就行。free_minutes 控制免费时长first_hour_fee 和 per_hour_fee 实现阶梯计价daily_cap 防止停一整天费用爆炸night_fee 处理夜间时段。实际计算时先判断入场时间是否落在夜间时段是就按 night_fee 算不是再走阶梯逻辑。注意时间要统一用 UTC 存储展示时再转本地时区否则跨时区部署会算错。3.2 入场出场配对与订单生成代码计费的核心是找到同一辆车的入场记录和出场记录配对后算时长。下面这段用 SQLAlchemy 实现from datetime import datetime from sqlalchemy import create_engine, Column, Integer, String, DateTime, Numeric from sqlalchemy.orm import declarative_base, sessionmaker Base declarative_base() class ParkingRecord(Base): __tablename__ parking_record id Column(Integer, primary_keyTrue) plate_no Column(String(16), indexTrue) # 车牌号建索引加速查询 entry_time Column(DateTime, nullableFalse) exit_time Column(DateTime) fee Column(Numeric(10, 2), default0) engine create_engine(sqlite:///parking.db) Base.metadata.create_all(engine) Session sessionmaker(bindengine) def vehicle_entry(plate_no): session Session() # 同一车牌如果已有未出场记录说明重复入场直接返回 exist session.query(ParkingRecord).filter_by( plate_noplate_no, exit_timeNone).first() if exist: session.close() return None record ParkingRecord(plate_noplate_no, entry_timedatetime.utcnow()) session.add(record) session.commit() session.close() return record.id def vehicle_exit(plate_no, rule): session Session() record session.query(ParkingRecord).filter_by( plate_noplate_no, exit_timeNone).order_by( ParkingRecord.entry_time.desc()).first() if not record: session.close() return None record.exit_time datetime.utcnow() minutes (record.exit_time - record.entry_time).total_seconds() / 60 record.fee calc_fee(minutes, rule) session.commit() fee record.fee session.close() return fee逻辑说明vehicle_entry 里先查有没有未出场的同车牌记录有就说明这辆车还在场内重复入场不新建记录避免一车多单。vehicle_exit 按入场时间倒序取最近一条未出场记录配对后算分钟数。plate_no 字段建索引很关键停车场高峰期每秒可能好几次查询没索引会拖慢整个系统。calc_fee 是纯计算函数把分钟数和规则表传进去返回费用这样计费逻辑和数据库操作解耦方便单元测试。3.3 计费函数的边界处理def calc_fee(minutes, rule): # 免费时长内直接返回 0 if minutes rule[free_minutes]: return 0 # 判断是否夜间时段简化处理按入场小时判断 hour datetime.utcnow().hour if hour 22 or hour 8: return min(rule[night_fee], rule[daily_cap]) # 阶梯计费首小时 超出部分按小时向上取整 billable minutes - rule[free_minutes] hours int(billable // 60) (1 if billable % 60 0 else 0) if hours 1: fee rule[first_hour_fee] else: fee rule[first_hour_fee] (hours - 1) * rule[per_hour_fee] return min(fee, rule[daily_cap])这里有几个容易忽略的点。billable 是先减掉免费时长再算不是直接拿总时长算。向上取整用//加取余判断停 61 分钟算 2 小时这是停车场行业惯例。min(fee, daily_cap) 保证不会超过封顶价。夜间判断这里简化成按当前小时实际项目里应该按入场时间落在哪个时段来算因为跨夜停车可能一部分在夜间一部分在白天需要分段累计。这个函数我建议单独写测试用例把 0 分钟、30 分钟、61 分钟、跨夜这些边界都覆盖一遍不然上线后对账会发现金额对不上。4. 避坑与排查车牌识别计费系统上线后最容易翻车的 5 个点4.1 现象白天识别正常晚上全部识别失败原因HSV 颜色分割依赖色相夜间补光灯偏黄或偏白蓝色车牌的色相会偏移出 [100, 124] 区间mask 全黑自然找不到车牌。解决夜间切换到基于边缘检测的定位方式用 Canny 加形态学或者把摄像头补光灯换成白光并固定曝光。我一般会在代码里加一个亮度判断平均亮度低于 60 就走边缘检测分支。4.2 现象同一辆车出场时找不到入场记录原因入场时车牌识别错了一位比如把「京A12345」识别成「京A1234S」出场时识别正确两个字符串对不上配对失败。解决车牌匹配不要用精确相等用编辑距离距离小于等于 1 就认为是同一辆车。同时入场记录里存一份原始识别置信度低置信度的记录标记出来人工复核。4.3 现象数据库里出现大量重复入场记录原因车辆在闸机前停留时摄像头连续抓拍每抓一帧就调一次 vehicle_entry同一辆车生成了多条记录。解决入场接口加去重窗口同一车牌 5 分钟内只允许创建一条入场记录。用 Redis 存一个带过期时间的 key或者直接在数据库查最近 5 分钟有没有同车牌记录。4.4 现象计费金额和人工算的对不上原因时间用了本地时区存储但服务器时区是 UTC算出来的时长差了几个小时。或者免费时长扣减逻辑写错把免费时长重复扣了。解决所有时间统一用 UTC 存展示层再转。计费函数写单元测试把免费时长边界、跨天、跨夜都测一遍。我习惯在订单表里额外存一个计费明细字段记录扣了多少免费时长、算了几个小时对账时一目了然。4.5 现象高峰期接口响应超过 3 秒原因每次识别都同步跑完整 CV 流程加上数据库查询没走索引请求堆积。解决识别和计费拆成异步识别结果先写消息队列计费服务从队列消费。数据库给 plate_no 和 entry_time 建联合索引。如果不想引入队列至少把识别放到线程池里别阻塞 Flask 主线程。5. 进阶技巧用置信度过滤和模拟数据把系统调稳5.1 给识别结果加置信度低置信度走人工通道模板匹配或 CNN 输出都会带一个相似度分数这个分数别浪费。我一般设两个阈值高于 0.85 直接放行0.6 到 0.85 之间标记为待确认低于 0.6 直接拒绝并提示重拍。待确认的记录在后台管理页面高亮运营人员看一眼就能改。这样既保证了通行效率又不会因为误识别产生错误订单。置信度阈值不是拍脑袋定的拿 200 张测试图跑一遍画出准确率随阈值变化的曲线选准确率和召回率平衡的那个点。5.2 用模拟数据做压力测试上线前一定要压测。写一个脚本批量生成车牌号和进出时间灌进数据库然后跑计费查询import random import string from datetime import datetime, timedelta def gen_plate(): # 生成京A开头加5位数字的模拟车牌 return 京A .join(random.choices(string.digits, k5)) def gen_records(n): records [] for _ in range(n): entry datetime.utcnow() - timedelta(hoursrandom.randint(1, 48)) exit_t entry timedelta(minutesrandom.randint(10, 600)) records.append((gen_plate(), entry, exit_t)) return records生成 10 万条记录灌进去然后测三个查询按车牌查历史订单、按时间段统计收入、查当前在场车辆。这三个查询覆盖了停车场系统 90% 的读操作。如果哪个查询超过 500 毫秒就加索引或者改查询方式。我踩过的坑是「查当前在场车辆」用了exit_time is None数据量大了之后全表扫描后来改成单独维护一张在场车辆表出场时删除查询就是主键查找快了两个数量级。5.3 一个我坚持了很久的习惯每次改完计费规则我一定会手动造三笔订单一笔刚好卡在免费时长边界一笔跨夜一笔停满 24 小时触发封顶。这三笔算对了基本就不会出大问题。车牌识别那边我会把识别失败的图自动存到一个失败样本目录每周看一次看看是不是又有新的车牌样式或者光照条件没覆盖到。这套系统没有一劳永逸的调参只有持续盯着失败样本改。希望帮到你。本文还有配套的精品资源点击获取