（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，1.2和2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：
（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
（六）入口识别流程
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，1.2和2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
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，1.2和2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
数据库结构预览
当入口扫描进入一辆车后，会在数据库中存入其信息
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
微信扫码支付后，就会显示
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
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
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
