停车场无人值守管理系统

停车场无人值守管理系统这里就简单的记录一下我的毕业设计

(一)简介

该停车场无人系统是一种基于车牌识别的控制管理系统。系统通过识别车辆进出场时的车牌号码来确定车辆的进出许可,并确定车辆的停车时间和支付停车。车主可以选择自助支付机或者微信平台等方式支付停车费用。该系统主要由入口控制管理系统、出口控制管理系统和服务器中控系统组成。其实核心就是车牌识别和车辆数据的管理。这里用到的硬件是树莓派4b和云服务器,其实本来是不需要用到云服务器的,但是需要的一些第三方模块在树莓派上编译一直没有通过,所以具体的车牌号码的识别就交给了云服务来做了,树莓派负责一个车牌图片的采集,以及车牌号码的定位和车辆信息的管理系统服务。

(二)车牌定位

这里用到的是opencv-python内置的机器学习训练好的车牌识别器进行车牌识别(精度一般,但速度快),它会将识别到的车牌位置以数组的形式返回,但考虑到精度问题,只保留宽高比为2.7-3.3之间的车牌。然后将车牌部分的图像信息截取出来转为灰度图,送给服务器端的车牌识别模型进行预测,代码如下:


import time
import os
import cv2


cap = cv2.VideoCapture(0)  # 调用摄像头(一般电脑自带摄像头index为0)
numberPlates = cv2.CascadeClassifier("haarcascade_russian_plate_number.xml")


while True:
    while cap.isOpened():
        cat, frame = cap.read()  # 读取每一帧图片
        if not cat:
            # 判断是否读取到图片
            break

        # print(cap.get(3),cap.get(4))

        # 转换为灰度图片
        gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
        gray = cv2.medianBlur(gray, 5)  # 中值滤波,这个中值滤波
        # img = cv2.GaussianBlur(gray, (3, 3), 0)  # 高斯滤波降噪处理
        # th1 = cv2.adaptiveThreshold(gray, 255,cv2.ADAPTIVE_THRESH_GAUSSIAN_C,cv2.THRESH_BINARY, 17, 6) # 自适应二值化  # 自适应二值化处理
        # 车牌检测,1.22分别为图片缩放比例和需要检测的有效点数
        numberPlate = numberPlates.detectMultiScale(gray, scaleFactor=1.1, minNeighbors=10)

        # 只有在检测到只有一个车牌时,才进入
        if len(numberPlate) == 1:
            x, y, w, h = numberPlate[0]  # numberPlate未检测到车牌是个元组,检测到车牌是个数组套数组
            ratio = w / float(h)
            if 2.7 < ratio < 3.3:  # 这里过滤一下
                cv2.rectangle(frame, (x, y), (x + w, y + h), (0, 255, 0), 3)
                imgRoi = frame[y:y + h, x:x + w]
                imgRoi_gray = gray[y:y + h, x:x + w]
                # font = cv2.FONT_HERSHEY_SIMPLEX  # 创建摄像头前置的文字框
                # cv2.putText(frame, 'face', (x + 30, y + 30), font, 1, (255, 0, 255), 3)
                cv2.imshow("ROI", imgRoi)
                

这里将定位到的车牌号码的图片截取

(三)将车牌图片发送到云服务器端,并处理返回结果

这里将图片做base64转码发送到云服务器端,代码如下:

import requests
import json
import cv2
import base64


def cv2_to_base64(image):
    data = cv2.imencode('.jpg', image)[1]
    return base64.b64encode(data.tostring()).decode('utf8')

def send_target_gray(img):
    # 发送HTTP请求
    data = { 
   'images': [cv2_to_base64(img)]}
    headers = { 
   "Content-type": "application/json"}
    url = "http://ip:8866/predict/chinese_ocr_db_crnn_server"
    r = requests.post(url=url, headers=headers, data=json.dumps(data))

    return r.json()["results"]

返回的结果是json串,处理代码如下:

data_list = send_target_gray(imgRoi_gray)[0].get('data')  # 将roi区域送到服务器端进行预测
if data_list:
    data = data_list[0]  # 取置信度最大的结果
    text = data.get('text').replace(' ', '').replace('·', '').replace('-', '')  # 去除.-和前后可能产生的空格
    if len(text) == 7:  # 只有检测到的字符串长度为7(这里只检测一般的车牌)
        if text[0] in provinces:  # 只有第一个字符在省份列表里才继续
            print(text)
            if old_text:  # 如果有,则对比检测
                if old_text == text:  # 如果相等,则次数加一
                    detection_times = detection_times + 1
                    if detection_times >= 3:  # 连续三次相同,则跳出本次循环,进入大循环
                        if not Statistics.objects.filter(car_plate=text,
                                                         state=True).exists():  # 只有该车牌号不存在时,才创建
                            Statistics.objects.create(car_plate=text, state=True)

                            detection_times = 0
                            old_text = None
                            cv2.rectangle(frame, (140, 220), (530, 330), (0, 255, 0), cv2.FILLED)
                            cv2.putText(frame, "Scan Saved", (150, 300), cv2.FONT_HERSHEY_DUPLEX,
                                        2, (0, 0, 255), 2)
                            WillInNum.objects.filter(id=1).update(car_plate=text)
                            print('扫描成功')
                            cv2.imshow("frame", frame)
                            cv2.waitKey(5000)  # waitKey会阻塞程序
                            cv2.destroyWindow('frame')
                            cv2.destroyWindow('ROI')
                            WillInNum.objects.filter(id=1).update(car_plate='')
                            break
                else:  # 如果不相等,则清空次数和车牌号
                    detection_times = 0
                    old_text = None
            else:  # 如果没有,则将检测到车牌号赋值给old_text
                old_text = text

结果如图所示:
在这里插入图片描述

(四)服务器端的车牌号码识别模型

这里直接用到的是百度的paddlepaddle下的paddleocr,这里直接使用paddlehub提供预测的web服务,具体可参考
https://www.paddlepaddle.org.cn/hubdetail?name=chinese_ocr_db_crnn_server&en_category=TextRecognition,提供预测的方式有很多种,不局限于此。

(五)总的系统架构

该系统由三部分组成,入口控制管理系统,出口控制管理系统,服务器中控系统组成,具体结构如下图

在这里插入图片描述

(六)入口识别流程

在这里插入图片描述

import time

import django
import os
import cv2
from send import send_target_gray

# 设置django离线环境
os.environ.setdefault("DJANGO_SETTINGS_MODULE", "graduation_design.settings")  # 加载项目的配置文件
django.setup()  # 启动django

from app01.models import Statistics,WillInNum
from graduation_design.settings import provinces

cap = cv2.VideoCapture(0)  # 调用摄像头(一般电脑自带摄像头index为0)
numberPlates = cv2.CascadeClassifier("haarcascade_russian_plate_number.xml")

old_text = None
detection_times = 0

while True:
    while cap.isOpened():
        cat, frame = cap.read()  # 读取每一帧图片
        if not cat:
            # 判断是否读取到图片
            break

        # print(cap.get(3),cap.get(4))

        # 转换为灰度图片
        gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
        gray = cv2.medianBlur(gray, 5)  # 中值滤波,这个中值滤波
        # img = cv2.GaussianBlur(gray, (3, 3), 0)  # 高斯滤波降噪处理
        # th1 = cv2.adaptiveThreshold(gray, 255,cv2.ADAPTIVE_THRESH_GAUSSIAN_C,cv2.THRESH_BINARY, 17, 6) # 自适应二值化  # 自适应二值化处理
        # 车牌检测,1.22分别为图片缩放比例和需要检测的有效点数
        numberPlate = numberPlates.detectMultiScale(gray, scaleFactor=1.1, minNeighbors=10)

        # 只有在检测到只有一个车牌时,才进入
        if len(numberPlate) == 1:
            x, y, w, h = numberPlate[0]  # numberPlate未检测到车牌是个元组,检测到车牌是个数组套数组
            ratio = w / float(h)
            if 2.7 < ratio < 3.3:  # 这里过滤一下
                cv2.rectangle(frame, (x, y), (x + w, y + h), (0, 255, 0), 3)
                imgRoi = frame[y:y + h, x:x + w]
                imgRoi_gray = gray[y:y + h, x:x + w]
                # font = cv2.FONT_HERSHEY_SIMPLEX  # 创建摄像头前置的文字框
                # cv2.putText(frame, 'face', (x + 30, y + 30), font, 1, (255, 0, 255), 3)
                cv2.imshow("ROI", imgRoi)
                data_list = send_target_gray(imgRoi_gray)[0].get('data')  # 将roi区域送到服务器端进行预测
                if data_list:
                    data = data_list[0]  # 取置信度最大的结果
                    text = data.get('text').replace(' ', '').replace('·', '').replace('-', '')  # 去除.-和前后可能产生的空格
                    if len(text) == 7:  # 只有检测到的字符串长度为7(这里只检测一般的车牌)
                        if text[0] in provinces:  # 只有第一个字符在省份列表里才继续
                            print(text)
                            if old_text:  # 如果有,则对比检测
                                if old_text == text:  # 如果相等,则次数加一
                                    detection_times = detection_times + 1
                                    if detection_times >= 3:  # 连续三次相同,则跳出本次循环,进入大循环
                                        if not Statistics.objects.filter(car_plate=text,
                                                                         state=True).exists():  # 只有该车牌号不存在时,才创建
                                            Statistics.objects.create(car_plate=text, state=True)

                                            detection_times = 0
                                            old_text = None
                                            cv2.rectangle(frame, (140, 220), (530, 330), (0, 255, 0), cv2.FILLED)
                                            cv2.putText(frame, "Scan Saved", (150, 300), cv2.FONT_HERSHEY_DUPLEX,
                                                        2, (0, 0, 255), 2)
                                            WillInNum.objects.filter(id=1).update(car_plate=text)
                                            print('扫描成功')
                                            cv2.imshow("frame", frame)
                                            cv2.waitKey(5000)  # waitKey会阻塞程序
                                            cv2.destroyWindow('frame')
                                            cv2.destroyWindow('ROI')
                                            WillInNum.objects.filter(id=1).update(car_plate='')
                                            break
                                else:  # 如果不相等,则清空次数和车牌号
                                    detection_times = 0
                                    old_text = None
                            else:  # 如果没有,则将检测到车牌号赋值给old_text
                                old_text = text
                time.sleep(0.5)
        # else:
        #     print('未检测到车辆')
        # cv2.flip(frame, 1, frame)

        cv2.imshow("in", frame)
        c = cv2.waitKey(10)
        if c & 0xFF == ord('q'):
            # 按q退出
            break
    print('进入了一辆车')

(七)出口识别流程

在这里插入图片描述

import time
import django
import os
import cv2
from send import send_target_gray

# 设置django离线环境
os.environ.setdefault("DJANGO_SETTINGS_MODULE", "graduation_design.settings")  # 加载项目的配置文件
django.setup()  # 启动django

from app01.models import Statistics, WillOutNum
from graduation_design.settings import provinces, locals_ip
from qr_code import code_generator

cap = cv2.VideoCapture(0)  # 调用摄像头(一般电脑自带摄像头index为0)
numberPlates = cv2.CascadeClassifier("haarcascade_russian_plate_number.xml")

old_text = None
detection_times = 0

while True:
    while cap.isOpened():
        cat, frame = cap.read()  # 读取每一帧图片
        if not cat:
            # 判断是否读取到图片
            break

        # 转换为灰度图片
        gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
        gray = cv2.medianBlur(gray, 5)  # 中值滤波,这个中值滤波,小伙伴可以尝试将它去掉看看
        # img = cv2.GaussianBlur(gray, (3, 3), 0)  # 高斯滤波降噪处理,是不是感觉有图像处理的地方,就有高斯滤波
        # th1 = cv2.adaptiveThreshold(gray, 255,cv2.ADAPTIVE_THRESH_GAUSSIAN_C,cv2.THRESH_BINARY, 17, 6) # 自适应二值化  # 自适应二值化处理
        # 车牌检测,1.22分别为图片缩放比例和需要检测的有效点数
        numberPlate = numberPlates.detectMultiScale(gray, scaleFactor=1.1, minNeighbors=10)

        # 只有在检测到只有一个车牌时,才进入
        if len(numberPlate) == 1:
            x, y, w, h = numberPlate[0]  # numberPlate未检测到车牌是个元组,检测到车牌是个数组套数组
            ratio = w / float(h)
            if 2.7 < ratio < 3.3:  # 这里过滤一下
                cv2.rectangle(frame, (x, y), (x + w, y + h), (0, 255, 0), 3)
                imgRoi = frame[y:y + h, x:x + w]
                imgRoi_gray = gray[y:y + h, x:x + w]
                # font = cv2.FONT_HERSHEY_SIMPLEX  # 创建摄像头前置的文字框
                # cv2.putText(frame, 'face', (x + 30, y + 30), font, 1, (255, 0, 255), 3)

                cv2.imshow("ROI", imgRoi)
                data_list = send_target_gray(imgRoi_gray)[0].get('data')
                if data_list:
                    data = data_list[0]  # 取置信度最大的结果
                    text = data.get('text').replace(' ', '').replace('·', '').replace('-', '')  # 去除.-和前后可能产生的空格
                    if len(text) == 7:
                        if text[0] in provinces:  # 只有第一个字符在省份列表里才继续
                            print(text)
                            if old_text:  # 如果有,则对比检测
                                if old_text == text:
                                    detection_times = detection_times + 1
                                    if detection_times >= 3:  # 连续三次相同,则跳出本次循环,进入大循环
                                        target_obj = Statistics.objects.filter(car_plate=text).first()
                                        if Statistics.objects.filter(car_plate=text, state=True):
                                            WillOutNum.objects.filter(id=1).update(car_plate=text)
                                            # 生成二维码
                                            code_generator(locals_ip, text)

                                            detection_times = 0
                                            old_text = None

                                            cv2.rectangle(frame, (140, 220), (530, 330), (0, 255, 0), cv2.FILLED)
                                            cv2.putText(frame, "Scan Saved", (150, 300), cv2.FONT_HERSHEY_DUPLEX,
                                                        2, (0, 0, 255), 2)

                                            print('扫描成功')
                                            cv2.imshow("frame", frame)
                                            cv2.waitKey(5000)  # waitKey会阻塞程序
                                            cv2.destroyWindow('frame')
                                            cv2.destroyWindow('ROI')
                                            break
                                else:  # 如果不相等,则清空次数和车牌号
                                    detection_times = 0
                                    old_text = None
                            else:  # 如果没有,则将检测到车牌号赋值给old_text
                                old_text = text

                time.sleep(0.5)
        # else:
        #     print('未检测到车辆')
        # cv2.flip(frame, 1, frame)
        cv2.imshow("out", frame)
        c = cv2.waitKey(10)
        if c & 0xFF == ord('q'):
            # 按q退出
            break

(八)停车场管理系统

管理系统由web服务提供,先将web服务跑起来,命令如下:
python manage.py runserver 0.0.0.0:8000
然后在浏览器中输入:http://ip:8000/admin/,登录后台管理系统
用户登录界面
在这里插入图片描述
数据库结构预览
在这里插入图片描述
当入口扫描进入一辆车后,会在数据库中存入其信息
在这里插入图片描述
但车辆在出口识别到车牌号后,出口终端显示器,就会显示收款二维码,以及一些提示信息
在这里插入图片描述

微信扫码支付后,就会显示
在这里插入图片描述
停车场数据统计系统,数据就会显示如下数据,方便管理员查看
在这里插入图片描述

这里就不提供web服务的代码里,web服务就是django提供的,加入了websocket等,写的比较烂,虽然跑起来效果还不错

(九)结语

这里就简单的记录一下我的毕业设计,答辩时最有意思的事就是在答辩完后,导师告诉我让我准备二辩(补充一下:我们学校二辩往往就是一辩太差了,其实还有一种情况,就是一辩时是太优秀了,当我当时不知道这种情况),我心想不应该啊,答辩时,老师提的问题我都答出来了啊,然后导师跟我说,是你答辩的太优秀了,所以二辩,我当时还以为导师在嘲讽我(因为论文该格式时,被塔喷的不敢说话,没敢往好的方向想)。其实就这件事,我感觉就真的世事难料啊,就离谱,这TM就更你跑完了1km后,体育老师说,你跑的很好,在跑一遍一样🙃,唉,去年开始就忙于工作,今年也是

最后,如果有什么错误的地方,还请大家批评指正。最后,希望小伙伴们都能有所收获。码字不易,喜欢的话,点赞关注一波在走吧 ,就别关注了,我感觉没什么营养,哈哈
在这里插入图片描述

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 举报,一经查实,本站将立刻删除。
如需转载请保留出处:https://bianchenghao.cn/37512.html

(0)
编程小号编程小号

相关推荐

发表回复

您的电子邮箱地址不会被公开。 必填项已用*标注