摘要：传统停车管理采用人工识别方式，存在效率低下、人力成本高、易因疲劳产生误判等问题，难以满足海量实时车辆信息处理需求。为此，本文研究并开发了一款适应复杂环境、具备高精度与高实时性的车牌自动识别系统。该系统基于Python开发，包含车牌定位、字符分割、字符识别三大核心模块：车牌定位结合OpenCV库，通过图像预处理、颜色特征与轮廓分析提取车牌区域；字符分割经二值化、形态学操作去干扰后，采用投影法或连通域分析分割字符；字符识别对比采用模板匹配算法或轻量级卷积神经网络，完成字符特征提取与分类。系统可实现停车管理、缴费管理等功能，经真实场景测试，识别率达95%，具备全天候稳定运行能力，对提升交通管理效率、降低人力成本、推动城市智慧化具有重要现实意义与广阔应用前景。

关键词：Python；车牌自动识别；OpenCV；字符分割；停车管理；智慧交通

Design and Implementation of License Plate Recognition System Based on Python

Abstract: Traditional parking management relies on manual identification, which suffers from inefficiency, high labor costs, and fatigue-induced misjudgments, making it difficult to meet the demands of real-time processing for massive vehicle data. To address this, this paper researches and develops an automatic license plate recognition system designed for complex environments, featuring high accuracy and real-time performance. Built on Python, the system comprises three core modules: license plate localization, character segmentation, and character recognition.  License plate localization integrates the OpenCV library, extracting the plate area through image preprocessing, color feature analysis, and contour analysis. Character segmentation employs binarization and morphological operations to eliminate interference, followed by projection or connected component analysis for character separation. Character recognition compares template matching algorithms or lightweight convolutional neural networks to achieve feature extraction and classification.  The system supports functions such as parking management and payment processing. Real-world testing demonstrates a recognition rate of 95%, with stable operation under all weather conditions. It holds significant practical value and broad application prospects for improving traffic management efficiency, reducing labor costs, and advancing urban smartization.

Key words: Python;Automatic license plate recognition;OpenCV;Character segmentation; Parking management; intelligent transportation

目  录

1 绪论

1.1研究背景意义

1.2研究现状

1.3研究内容

2 车牌识别系统相关理论

2.1 Python语言

2.2 OpenCV预处理技术

2.3 PaddleOCR模型技术

2.4 Streamlit系统集成技术

2.5 YOLO技术

3 车牌识别系统需求分析

3.1可行性分析

3.2功能需求分析

3.3性能分析

4 车牌识别系统系统设计

4.1总体功能

4.2流程设计

4.3数据库设计

5 车牌识别系统实现

5.1图片预处理

5.2车牌识别

5.3识别记录管理

5.4停车管理

5.5收费规则管理

5.6停车会员信息管理

5.7停车统计可视化

6 系统测试

6.1测试目的意义

6.2测试用例

7 总结

参考文献

致  谢

1 绪论

1.1研究背景意义

随着我国社会经济持续快速发展以及城镇化进程持续加快，汽车已从往昔的奢侈品演变为寻常的代步工具，走入了千家万户，依据公安部的统计数据，中国机动车保有量已然突破数亿辆，并且仍在稳步递增，这一方面体现出人民生活水平有了明显提升，另一方面也给城市交通管理、公共安全以及环境保护给予了前所未有的较大压力[1]。交通拥堵、违章驾驶、肇事逃逸、停车场管理效率低下等问题变得日益突出，成为妨碍城市发展的“顽固病症”，在这样的背景状况下，构建以信息化、智能化作为核心的智能交通系统已成为破解这些难题的必然选择，而车牌，作为车辆唯一且法定的“数字身份证”，是达成车辆身份精准识别与高效管理的核心纽带[2]。可自动、快速、准确地从复杂交通场景里识别出车牌信息的技术——也就是车牌识别技术，便成为了智能交通系统中不可或缺的基础与关键部分。

车牌识别技术深度应用与普及有着深远的经济和社会价值，在经济效益方面该技术达成了停车场、高速公路收费站无人化及自动化管理，大幅削减人力成本，提高通行效率，避免人工计费产生错误和纠纷，在社会治理与公共安全方面它是电子警察系统核心，能7×24小时不间断高效取证查处超速、闯红灯、违章停车等行为，提高交通法规威慑力与执行力[3]。同时在侦破肇事逃逸、追踪涉案车辆、布控重点目标等公安实战中车牌识别技术可快速锁定车辆轨迹，为案件侦破提供关键线索，成为维护社会稳定的有力工具，车牌识别技术不只是提升交通管理现代化水平的技术引擎，是保障人民生命财产安全、推动“智慧城市”建设与可持续发展的关键技术支撑，其战略意义与应用价值不容小觑[4]。

1.2研究现状

车牌识别技术历经了数十年的发展历程，已从早期单纯的理论探索阶段，逐步迈向大规模的实际应用阶段，其技术路线主要历经了从传统图像处理方式向深度学习方法的转变过程，整体而言，识别精度以及鲁棒性均实现了质的提升。

在传统方法占据主导地位的阶段，车牌识别系统一般依照清晰的流水线式处理流程运行，主要涉及车牌定位、字符分割以及字符识别这三个核心步骤，在该阶段，研究者们对数字图像处理技术以及手工设计的特征存在较大程度的依赖，于车牌定位环节而言，主要方法包含色素匹配法、边缘检测法、纹理特征法以及基于数学形态学的区域提取方法等[5]。这些方法在光照条件良好且背景简单的理想环境中可呈现出一定成效，然而一旦遭遇光照不均、天气恶劣、车牌污损或者复杂背景干扰的状况，定位的准确率便会出现急剧下降的态势，在字符分割环节，最为常用的是垂直投影法，借助字符间隙处的投影波谷来实施切分，不过对于字符粘连、断裂或者车牌边框干扰等情形的处理能力相对较弱。在字符识别环节，主要运用模板匹配法或者一些简单的机器学习分类器，模板匹配尽管速度较快，但是对字符的轻微形变以及噪声干扰极为敏感，泛化能力欠佳，即便借助精心优化每一步的算法，传统方法在一定约束条件下可达成较高的识别率，但其整体性能严重依赖众多预设参数以及人工设计的特征，很难适应现实世界中纷繁复杂、千变万化的应用场景[6]。

随着深度学习卷积神经网络取得革命性突破，车牌识别技术迈入了全新的发展时期，深度学习有端到端学习能力，借助此能力系统可直接从海量数据里自动学习更具判别力的特征，极大程度上提升了系统的鲁棒性以及准确率，当下的研究与应用呈现出两大主流技术范式，一种是基于检测与识别的两阶段方法，另一种是端到端的统一模型[7]。两阶段方法首先借助强大的深度目标检测网络直接取代传统的定位与分割步骤，这些模型可以很高的精度在复杂图像中框出车牌位置，甚至可直接回归出倾斜的车牌区域并给予矫正，之后针对裁剪出的车牌图像，再运用另一个专门训练的深度学习模型进行序列识别，直接输出整个车牌字符串，有效规避了繁琐且容易出错的单字符分割步骤[8]。这种方法模块清晰，方便分阶段进行优化，是目前工业界应用最为广泛且最为成熟的方案，而端到端的统一模型更为先进，它尝试运用一个单一的、更为复杂的神经网络模型，直接从整张车辆图像中一次性输出车牌号码，达成了真正意义上的端到端识别，这类方法虽说简化了流程，然而对数据标注质量以及模型结构设计的要求极高，训练难度也更大，是当前学术研究的前沿热点。

深度学习已然取得了较大成功，然而车牌识别技术依旧面临着一些挑战，举例来说，针对极端小目标、严重遮挡或者极度模糊车牌的识别效果，目前仍有提升的空间，对于中国新能源车牌这类新样式以及不同国家地区格式各异的多类别车牌识别需求，模型的泛化能力还需要提高，另外，怎样在计算资源有限的边缘设备上部署高性能的轻量级模型，实现实时识别，这也是当前产业应用的一个关键研究方向[9]。未来随着Transformer等新架构的引入、自监督学习等新范式的运用，以及多模态信息融合技术的发展，车牌识别系统必定会在精度、速度以及适应性方面达成新的突破。

1.3研究内容

在系统设计过程中研究内容主要包含车牌识别、字符分割、字符识别、系统优化与部署、应用扩展等，具体如下：

（1）车牌检测：采用YOLO等深度学习算法或传统图像处理方法定位车牌位置。

（2）字符分割：通过投影法、连通域分析等技术分离车牌中的单个字符。

（3）字符识别（OCR）：使用PaddleOCR等工具识别分割后的字符，输出车牌号码。  

（4）系统优化与部署：结合OpenCV、TensorFlow/PyTorch实现算法，优化速度与准确率，并部署到本地PC机或边缘设备等。  

（5）应用扩展：应用背景模拟为停车场计费系统，保证数据库存储及使用flask等进行后台可视化界面展示。

2 车牌识别系统相关理论

2.1 Python语言

Python作为一种高级编程语言，秉持简洁优雅且高效灵活的核心设计理念，其技术关键之处，首先呈现在清晰直观的语法方面，借助强制缩进等方式，较大提高了代码的可读性以及可维护性，Python有强大且统一的标准库，以及以PyPI为核心的庞大第三方生态系统，这使得它可从容应对科学计算、数据分析、Web开发、自动化运维以及人工智能等诸多领域的任务[10]。特别关键的是，Python身为动态解释型语言，支持多种编程范式，而且因其拥有丰富的C语言API接口，能保证开发效率，又可借助C扩展来契合高性能的要求，另外它的垃圾回收机制以及对迭代器、生成器的原生支持，优化了资源管理以及数据处理的能力，这些特性共同塑造了Python的核心竞争力，使其在快速原型开发以及大型项目构建过程中都可表现出色，持续引领着技术发展的潮流[10]。

2.2 OpenCV预处理技术

在车牌识别系统里，OpenCV所提供的图像预处理技术是保障后续字符分割以及识别准确率的关键基础，其流程紧密相连，借助图像灰度化把彩色图像转变为单通道，极大地降低数据量，随后运用高斯模糊或者中值滤波来进行平滑去噪，以此抑制图像采集时产生的椒盐噪声和高斯噪声[11]，为边缘检测营造干净的环境。关键的边缘检测步骤于此开展，它可精确地描绘出车牌、字符等目标的轮廓，基于此，系统运用形态学操作连接相邻边缘，填充细小空洞，让车牌区域更为完整，为了应对复杂光照条件，大多时候会引入直方图均衡化或者自适应阈值化，用以提高车牌区域的对比度，保证字符与背景清晰分开[12]。借助轮廓查找与几何筛选，从众多边缘轮廓中准确地定位出候选车牌区域，并把它的透视变换校正为规整矩形，这一系列严密的预处理操作，就好像为车牌制作了一张高度标准化的“身份证照片”，为后续的精确字符分割与识别奠定了不可替代的坚实基础。

2.3 PaddleOCR模型技术

PaddleOCR在图像识别领域得以应用，充分彰显出它作为工业级OCR解决方案所有的出色技术特性，它的核心优势在于给出了一套从检测直至识别、从训练到部署的完整且高效、高度优化的端到端技术栈，在实际运用时，它先是借助其核心的超轻量PP - OCR系列模型解决落地难题，该系列模型运用了一系列独具匠心的优化策略，像是采用轻量级骨干网络、更高效的特征金字塔结构、巧妙的教师 - 学生知识蒸馏以及精心设计的增广策略，在保证高精度的情况下，达成了模型体积与推理速度的极致平衡，让其可在手机、嵌入式设备等资源受限环境中实时运行[13]。对于更为复杂的场景，其集成的前沿检测算法可精准定位任意形状的文本区域，而SVTR等新型识别模型则可有效应对模糊、弯曲、遮挡等挑战，直接提高了在自然场景图像中提取文字信息的成功率，其强大易用的数据合成工具集，可生成接近真实场景的多样本数据，大幅缓解了特定领域数据稀缺的痛点。在部署环节，PaddleOCR凭借对飞桨原生推理库和多端部署框架的深度支持，提供了一键式多平台部署能力，这种把顶尖算法、系统工程与便捷工具融合在一起的特性，使得开发者可快速构建并稳定部署适用于各类图像识别任务的强大OCR能力，极大地推动了文字识别技术的产业化普及[14]。

2.4 Streamlit系统集成技术

Streamlit是一款专门针对机器学习以及数据科学领域所设计的应用开发框架，它的技术关键之处在于可把数据脚本快速转变为交互式Web应用，极大地简化了原型开发以及部署的流程，它有着“脚本即应用”这样有革新意义的设计理念，开发者不需要有前端知识，仅仅依靠纯Python代码，借助一系列简洁的API就能创建控件、渲染图表以及展示数据。每一次用户进行交互的时候，都会引发脚本从顶部开始重新执行，这种看上去简单但实际上很高效的设计，让应用状态管理以及界面更新变得十分直观，它原生集成了主流的数据科学生态，支持缓存机制来对数据加载以及模型推理性能进行优化，保证应用响应灵敏，Streamlit借助组件化架构来支持功能扩展，并且凭借云原生部署能力，可很轻松地发布分享应用[15]。它的核心价值在于消除了从模型到产品过程中的“最后一公里”妨碍，使得数据科学家可把精力集中在逻辑本身，以极快的速度构建、迭代以及交付功能完善的交互式工具。

2.5 YOLO技术 

YOLO（You Only Look Once）是一种开创性的实时目标检测算法，自2016年提出以来，已迭代至YOLOv11、YOLO26等版本。其核心创新在于将目标检测重构为单一的回归问题，通过神经网络一次前向传播即可同时预测图像中所有物体的边界框和类别概率，实现了速度与精度的革命性平衡。该技术摒弃了传统的“先区域提议后分类”的两阶段范式，采用独特的网格划分策略处理图像。历经多年发展，YOLO家族持续进化，引入了多尺度特征融合、解耦头、无锚框检测等先进技术。凭借其极高的实时性和不断优化的准确性，YOLO已广泛赋能于自动驾驶、工业质检、医疗影像分析及边缘计算等众多领域。

3 车牌识别系统需求分析

3.1可行性分析

从技术层面剖析，基于Python开发车牌识别系统有相当高的可行性，Python身为人工智能领域的主流编程语言，有着成熟且强大的开源技术生态，其核心计算机视觉库为图像预处理奠定了坚实基础，深度学习框架及其丰富的预训练模型，为车牌定位与字符识别这两项核心任务提供了先进、可靠且可复用的解决办法。整个开发流程可支持快速迭代和原型验证，从数据标注、模型训练到系统集成，都有相应工具链给予支持，大幅降低了技术门槛并缩短了开发周期，虽说在极端场景下的精度以及嵌入式部署的效率方面仍需不断优化，但现有技术完全可支撑一个在常规场景下达到商用级识别准确率的系统原型，技术风险可控制，可行性清晰明确。

从市场层面剖析，车牌识别系统面临着规模庞大且不断递增的市场需求，其应用场景丰富多样，它的核心市场涉及但不限于智慧停车场的无人值守收费及管理、高速公路的不停车电子收费系统、智慧社区与园区的车辆出入口管控，以及4S店、加油站等商业场所的会员车辆识别，这些领域随着全球“智慧城市”与“智能交通”的建设潮流而迅速拓展[16]。传统的硬件识别设备一般成本较高、部署不够灵活，而本项目基于Python和通用计算设备的软件解决办法，拥有成本低、易于定制、易于集成以及可远程升级的优势，可契合中小型停车场、特定园区等对成本敏感且有定制化服务需求的增量市场要求，不管是从现有需求的急切程度还是未来应用的扩展可能性来看，该项目的市场可行性都很突出。

从经济层面剖析，该项目的可行性呈现于低投入、高回报的特性之中，在投入这一维度，主要成本是前期的人力研发成本，鉴于Python及其开源生态有免费的特质，在软件许可以及开发工具方面的直接资金投入近乎为零，用于模型训练的硬件资源，可选用成本相对较低的本地GPU工作站，也可依据需求租用云服务，有灵活的弹性[17]。在收益这一方面，该系统一旦开发成功，可凭借多种模式达成经济价值：其一，作为完整的软件解决方案，直接售卖予停车场管理公司、物业公司等终端客户，其二，提供API调用服务，按照识别次数向中小企业收取服务费用，形成可持续的现金流，总体而言，该项目拥有启动资金要求低、商业模式多样、投资回报周期短且潜力巨大的特点，经济可行性颇高。

3.2功能需求分析

根据系统功能需求进行用例图分析设计，用例图如下：

图3-1 系统用例图

（1）在针对车牌识别系统所展开的论文功能需求分析工作里，各个核心模块的需求呈现出清晰明确的状态，其中图片上传模块有一项关键功能，即可支持多种格式的批量上传以及单张上传操作，同时还会提供实时预览功能，借助该功能可以确认图像的有效性。

（2）图片预处理模块对提升识别率起着关键作用，需要集成灰度化、滤波去噪以及图像提高等基础算法来优化图像质量，这个模块要可自动开展边缘检测以及形态学操作，以此突出车牌区域的轮廓，另外它还应当有倾斜校正和亮度均衡化功能，用以应对复杂拍摄环境所带来的挑战。

（3）车牌识别模块在整个系统里占据核心地位，需要集成高精度的OCR模型来达成车牌字符的精确位置确定与分割，此模块要可支持中国大陆各种类型车牌的识别，并且拥有一定程度的模糊容错能力，还要给出识别置信度的输出以及人工复核的接口，以此保证关键数据的准确。

（4）停车管理模块要达成车辆入场记录和出场记录的自动关联，借助车牌识别来自动实现道闸控制，此模块还要整合车位状态监控以及引导功能，并且和数据库实时保持同步，以此提高车位周转效率。

（5）缴费管理模块应有支持依据停车时长以及费率来进行自动计费的能力，并且要集成多种支付方式，该系统可自动生成缴费记录以及电子票据，还可提供欠费追缴和账单查询的相关功能。

（6）停车统计模块应拥有多维数据可视化的能力，像是日流量曲线、月流量曲线、车位利用率热以此来以及收入趋势分析等，此模块所生成的报表要可支持导出以及定制，为运营决策给予精准的数据洞察。

3.3性能分析

（1）识别准确性和鲁棒性属于系统极为关键的性能要求，于标准测试集当中，车牌定位准确率应当不低于98%，字符识别整体准确率要达到95%以上，并且系统需要拥有强大的环境适应性，也就是在各种各样的光照条件、天气状况以及面对车牌轻微污损、倾斜和不同拍摄角度时，识别成功率不应出现明显下降，其波动范围要控制在可接受的阈值之内，以此保证在复杂现实场景里的实用性。

（2）处理速度与实时性方面：系统的响应速度对用户体验以及应用场景的广度有着直接的决定性作用，系统从接收单帧图像开始，直至完成识别并返回结果，这中端到端的平均处理时间，需要被控制在500毫秒以内，针对视频流处理而言，系统应当可支持不低于25帧每秒的处理速率，以此达成真正的实时识别与反馈，契合停车场道闸、道路卡口等场景下无感通行的严格要求，防止出现车辆拥堵的情况。

（3）系统并发性与资源效率方面：当面对多路视频流或者高并发用户请求之时，系统要维持稳定状态，其架构应当可支持至少达到百级的并发请求，在这样的压力环境下，服务响应延迟的增长应当呈现出线性且可控的态势，绝不能出现服务崩溃或者请求大量超时的状况。

                       

4 车牌识别系统系统设计

4.1总体功能

根据前期的需求分析，系统设计模块如下：

图4-1 系统模块图

（1）车牌截图上传识别功能

该功能可让用户以手动方式上传含有车牌的图片来开展识别工作，系统借助图像预处理、车牌定位、字符分割以及OCR技术，会自动提取出车牌号码的相关信息，这作为实时扫描的一种有效补充手段，保障了车牌识别有灵活性以及覆盖率，为事后查证或者特殊情况的处理提供了便利。

（2）扫描停车功能

这属于系统核心的实时识别功能范畴，借助安置在出入口处的摄像头，针对进出车辆展开连续视频流分析或者实时抓拍操作，一旦车辆进入到识别区域内，系统可即刻自动检测车牌所处位置，并且精确识别出车牌号码，达成秒级响应效果。

（3）停车记录管理

此模块承担着对每一次停车事件数据进行全面记录与管理的职责，它会详细记录如车牌号、车辆入场时间、车辆出场时间、车辆停放时长、所使用的车位以及应支付的费用等一系列关键信息，所有这些记录会共同构成一个可供查询的历史数据库，便于管理员开展追溯、核查以及统计分析等工作。

（4）缴费管理

缴费管理功能负责处理与停车费用有关的全部财务流程，该系统依据停车记录自动算出费用，并且支持多种支付方式，像现金支付、扫码支付、无感支付以及预充值扣款等，它还可对优惠券、会员折扣进行管理，并且自动生成收费记录。

（5）停车统计

该功能依靠所积累的停车数据，可为管理者给予多维度的数据可视化分析以及报表，其可对每日、每月以及每年的车流量、高峰时段、车位周转率、总收入、免费车辆占比等关键指标展开统计。

4.2流程设计

基于Python的车牌识别系统是一个多阶段处理的复杂过程。首先通过图像采集模块获取车辆图像，随后进行预处理操作，包括灰度化、噪声过滤和边缘增强，为后续处理奠定基础。关键的车牌定位阶段综合运用颜色特征分析、纹理检测和形态学运算，从复杂背景中准确提取车牌区域。获取车牌图像后，系统进行角度矫正和尺寸归一化处理，确保字符识别的准确性。

在字符处理阶段，采用投影法和连通域分析实现单个字符的精确分割，然后通过特征提取和模式识别技术对每个字符进行识别。系统通常集成多种识别方法，包括传统的模板匹配、机器学习分类器以及基于深度学习的CNN模型，以提高识别率和鲁棒性。最后通过结果校验和后处理模块输出最终的车牌号码。整个系统在OpenCV、NumPy等Python库的支持下，实现了从图像输入到文字输出的完整自动化处理流程，在智能交通和车辆管理领域具有重要应用价值。

图4-2 系统流程图

4.3数据库设计

在数据库设计中要对第三范式遵守设计，要对每个表字段的长度以及对应的类型信息和存储默认值等考虑，同时也要对多表之间的字段关联进行设计，设计中可以进行1对n关系也可进行m对n关系模式，每个表都有自己的唯一主键id，通过自增的模式设计，系统中通过E-R图绘制可以直观提现表关系。

图4-3 系统E-R图

管理员信息表用于存储系统管理员的账号、密码及账户状态等关键数据。其中adminid作为主键，唯一标识每一位管理员，保障数据管理的准确性与完整性。表4-1管理员信息表如下：

表4-1 管理员信息表

字段	描述	设计要求	标识
adminid	管理员主键	int(11)	主键
adminuser	管理人员账号	varchar(96)
adminpwd	管理人员密码	varchar(96)
adminstatus	人员状态	int(11)

停车记录信息表用于记录车辆的入场、出场时间、停车时长、总费用及支付状态等核心停车数据。其中id作为主键，确保每条停车记录的唯一性，便于系统对车辆进出场信息进行高效管理与查询。表4-2停车记录表如下：

表4-2 停车记录信息表

字段	描述	设计要求	标识
id	主键	int(11)	主键
Platenumber	停车车牌号	varchar(20)
entrytime	入场时间	datetime
exittime	出厂时间	datetime
parkingtime	停车时长	int(11)
totlefee	总费用	int(11)
paystatus	支付状态	int(2)

缴费规则信息表用于存储停车收费的计费规则，包括规则名称、最低计费小时数、每小时费率、每日最高收费及启用状态等参数。其中id作为主键，确保每条缴费规则记录的唯一性，便于系统灵活调用不同规则进行费用计算。表4-3缴费规则记录表如下：

表4-3 缴费规则信息表

字段	描述	设计要求	标识
id	主键	int(11)	主键
Rulename	规则名称	varchar(20)
minhours	最低计费小时数	int(11)
hourlyrate	每小时费率	int(11)
maxdailyfee	最高收费	int(11)
isactive	状态	int(2)

操作日志信息表用于记录系统用户的登录账号、密码哈希值、邮箱、角色、最后登录时间及账号状态等关键信息。其中id作为主键，确保每条记录的唯一性，便于系统追踪用户登录行为及账号变更情况。表4-4操作日志记录表如下：

表4-4 操作日志信息表

字段	描述	设计要求	标识
id	主键	int(11)	主键
Username	登录账号	varchar(20)
passwordhash	密码哈希值	varchar(100)
email	邮箱	int(30)
role	角色	int(11)
lastlogin	最后登录时间	Date
isactive	状态	int(2)

5 车牌识别系统实现

5.1图片预处理

在车牌识别的图像预处理流程里，OpenCV技术链起着相当关键的作用，这个流程一开始是利用cv2.cvtColor把图像转变为灰度图，然后借助cv2.GaussianBlur进行平滑去噪操作，接下来，运用cv2.Canny或者cv2.Sobel算子开展边缘检测工作，以此勾勒出图像的轮廓。为了让车牌区域得到强化，会采用cv2.morphologyEx进行形态学闭运算，连接图像中的间隙，并且结合cv2.equalizeHist来提高图像的对比度以及进行二值化处理，依靠cv2.findContours查找图像的轮廓，再依据宽高比、面积等几何特征挑选出候选区域，最终达成精准定位。

图5-1 图片与处理界面图

5.2车牌识别

在车牌识别系统里，借助OpenCV实现的预处理以及PaddleOCR模型的识别技术一同构建起了高效的技术闭环，其具体实现过程是，先运用cv2模块开展图像预处理工作，借助灰度化、高斯滤波以及Canny边缘检测来定位车牌候选区域，接着经过透视变换把该区域校正为规整的矩形。随后经过这样处理后的图像区域会被送入PaddleOCR的识别流水线，系统会调用其paddleocr工具的ocr函数，该函数内部整合了文本检测、方向分类以及文本识别模块，可自动完成字符的精确切分与识别。

图5-2 车牌识别界面图

5.3识别记录管理

Python 车牌识别记录查询管理系统的实现过程，第一步是借助 ORM 框架定义数据模型，该模型覆盖车牌号、出入时间、图像路径以及识别结果等字段，接着系统运用 Flask 或者 Django 框架搭建 RESTful API，最关键的是编写一个查询视图函数，借助 filter 方法依据车牌号、时间范围等条件对数据库开展查询操作，并且依靠 pagination 实现结果分页。把查询结果序列化为 JSON 格式或者渲染到前端模板，以此完成记录的检索与管理工作。

图5-3 车牌识别日志管理界面图

5.4停车管理

在运用Python实现的停车管理系统里，其核心要点是针对停车数据的增添、删除、修改以及查询操作来开展建模工作与流程控制，当有车辆进入停车场时，系统借助POST请求启动业务逻辑，调用datetime.now()函数获取当下时间当作入库时间戳，再结合识别出的license_plate以及assign_parking_space()分配的车位号，生成一条结构化记录。之后运用SQLAlchemy session.add()或者Django ORM的create()方法，把包含entry_time等字段的记录提交到数据库进行持久化处理，在车辆处于停车场期间，系统依靠定时任务或者实时请求，依据当前时间和入库时间计算timedelta，接着按照预设的计费规则动态计算parking_fee，并且可依靠update()方法实时更新记录状态，以此保证数据的准确性与一致性。

图5-4 停车管理界面图

5.5收费规则管理

Python实现的停车规则设置模块里，最关键的是打造一个灵活且能配置的计费规则模型，一般是借助数据库表来界定关键字段，像初始金额、计费单位时长以及单位费用等，实现时系统会给出一个配置界面或者API，让管理员调用create()方法，对上述参数开展增删改查操作。核心逻辑函数calculate_fee()会依照这些预先设定的规则，根据输入的停车时长，动态算出最终费用，达成停车时间与金额的精准绑定。

图5-5 停车收费规则管理界面图

5.6停车会员信息管理

在借助Python所实现的停车会员管理模块里，其核心要点在于借助ORM来定义Member数据模型，该模型囊括了姓名、车牌号、联系方式以及余额等多个字段，此模块设有RESTful API接口，会员新增操作借助POST请求调用create方法来达成数据持久化，信息查询方面则借助GET请求并运用get方法，依据车牌号或者会员ID等条件实施精确或者模糊查询，最终把结果序列化为JSON格式给予返回，达成对会员基础信息的高效管理。

图5-6 停车会员信息管理界面图

5.7停车统计可视化

Python实现停车统计功能时，核心过程是后端服务借助ORM或者原生SQL语句，按照定时或者实时的方式查询数据库，系统会对停车记录表里的数据加以聚合，运用func.count、func.date以及时间函数strftime去计算总车流量、当前在场车辆数以及每日分时段停车数量等关键指标，之后把聚合结果以JSON格式返回给前端，或者利用Matplotlib、Plotly等库生成可视化图表给予展示。

图5-7 停车统计界面图

6 系统测试

6.1测试目的意义

软件测试的核心目的在于通过系统性地执行程序来发现软件中存在的缺陷、错误与不足，同时验证软件产品是否满足预先定义的需求规格，从而评估并提升软件的整体质量。其意义远不止于“找bug”，它是一项至关重要的质量保证活动。通过在产品发布前尽可能多地识别和修复问题，测试能有效降低项目后期及上线后因故障引发的巨大修复成本、商业风险与安全威胁。一个经过充分测试的稳定产品，是保障用户体验、维护企业声誉和市场成功的基石。此外，测试过程所产生的客观质量报告，也为项目管理者的决策提供了关键依据。因此，软件测试的终极意义在于，它是对软件质量的一项关键投资，通过预防和消除缺陷，确保交付物能够真正满足用户期望并创造商业价值。

6.2测试用例

表6-1车牌识别测试用例

用例编号	用例描述	操作过程及数据	预期结果	实际结果
parking_01	识别上传车牌图片信息	对带有车牌的图片信息进行上传识别	车牌号识别成功	正确
parking_02	未登录进行车牌图片上传	在未登录情况下进行车牌图片上传操作	提醒跳转到登录界面	正确
parking_03	上传pdf文件	上传非图片格式的pdf文件	提醒文件信息上传错误	正确
parking_04	上传MP4文件	上传视频文件信息	提醒文件错误	正确
parking_05	上传被遮挡的车牌信息	选择一个被遮挡的车牌的信息图片	车牌号识别失败	正确
parking_06	上传非车牌的图片信息	上传没有车牌信息的图片	车牌号未识别	正确
parking_07	上传黄色车牌信息	上传运输车的黄色车辆车牌信息	车牌号识别成功	正确

表6-2 停车测试用例

用例编号	用例描述	操作过程及数据	预期结果	实际结果
carparkin_01	对停车记录信息进行查询	对数据进行点击分页查询	停车数据信息分页展示	正确
carparkin_02	点击停车入库操作	点击停车入库按钮操作	进入到车牌识别界面	正确
carparkin_03	未登录情况操作	操作人在未登录下操作	提醒先进行登录	正确
carparkin_04	用户输入车牌查询	在输入框输入车牌进行停车查询	检索到停车数据信息	正确
carparkin_05	点击进行出库操作	进入到车牌出库的识别界面	跳转到车牌出库识别	正确
carparkin_06	上传停车车牌出库	上传停车的车牌进行出库	识别成功，形成出库记录	正确
carparkin_07	选择出库的会员信息	出库时选择会员进行扣款操作	出库成功，扣款成功	正确

表6-3查看停车统计测试用例

用例编号	用例描述	操作过程及数据	预期结果	实际结果
carcount_01	查询停车统计数据	对数据进行点击分页查询	统计停车数据展示	正确
carcount_02	查询停车可视化	点击进入到停车可视化统计	展示可视化信息	正确
carcount_03	查询停车的统计次数	点击查询停车次数信息	展示停车数据信息	正确
carcount_04	查询停车收费信息	点击查询缴费记录信息	展示缴费信息	正确
carcount_05	未登录操作	人员未登录情况下进行操作	跳转登录界面操作	正确
carcount_06	输入收缴规则信息	保存停车收缴规则信息	停车规则保存	正确
carcount_07	选择不同时间段进行检索	输入检索的时间区间信息进行检索	检索数据展示	正确

总结

在运用Python设计并实现车牌识别系统的全过程里，成功打造出一个结构完备、流程明晰的技术方案，系统核心依照经典图像处理流程，依次包含图像预处理、车牌定位、字符分割以及字符识别这四大关键模块，于技术选型方面，充分借助Python生态里强大的OpenCV等库来开展核心的图像处理工作：借助灰度化以及中值滤波有效消除噪声干扰，运用边缘检测和形态学操作，结合车牌的颜色与纹理特征，达成在复杂背景中对车牌区域的精确找寻与定位，还借助透视变换校正倾斜角度。在字符处理阶段，采用阈值二值化以及投影分析法，稳定地把车牌中的单个字符给予分割，实践说明，深度学习模型凭借其强大的特征学习能力，在面对光照不均、字符形变等复杂状况时，呈现出比传统方法更高的准确性与鲁棒性，这形成了系统的核心技术优势。

经过本项目的实践，验证了Python在计算机视觉领域有着强大的开发效率以及可行性，还深入体会到把理论算法应用于实际问题的完整过程，该系统可较好地处理多种自然场景下的车牌图像，整体识别率达到了预期的目标，不过系统也暴露出一些局限性和优化空间，像对极端模糊、严重遮挡或者非标准车牌的处理能力以及待加强，模型的泛化能力需要凭借在更大规模、更多样化的数据集上训练来提高。本系统有良好的可扩展性，可以考虑集成更先进的深度学习模型，引入注意力机制来提升对关键特征关注度，可以将该系统模块化，封装成RESTful API服务，以便可轻松地集成到智能交通管理、自动化停车场、安防监控等实际应用系统中。