简介：这是一套面向计算机相关专业毕业设计、课程设计与期末大作业场景的停车场收费管理系统源码，以Java为开发语言，结合OpenCV实现车牌识别功能，适合正在做毕设或需要项目实战练习的学生直接参考与二次开发。压缩包共164个文件，约25.04MB，包含24个java源文件与对应class文件、47个jar依赖库、20个xml配置、15个jsp页面，以及properties、js、css、图片等资源，覆盖控制层、业务服务、实体封装与前端展示等模块，结构完整。目前已有198人学习下载。项目经过严格调试，下载即用，可直接作为毕设方案使用；读者能从中获取车牌识别与收费管理结合的完整实现思路、分层代码组织方式与依赖配置参考，便于快速理解系统架构、对照调试并在此基础上完成功能扩展与论文撰写。

1. 停车场收费系统里，车牌识别到底卡在哪一步

很多做毕业设计的同学，第一反应是「Java 调 OpenCV 识别车牌」，听起来就是几行imread加imshow的事。真动手才发现，卡住你的从来不是识别算法本身，而是从摄像头一帧图像到「皖A12345」这七个字符之间那条链路：车牌在哪、怎么切出来、字符怎么分割、识别错了收费金额怎么算。这套「基于 Java 和 OpenCV 实现车牌识别的停车场收费管理系统」，本质是把图像处理、字符识别、计费逻辑、数据持久化四件事串成一条能跑通的业务流，而不是单纯调个库。

它适合两类人：一类是毕业设计需要完整可演示系统的同学，另一类是想用 Java 做图像处理入门、又不想一上来啃深度学习框架的工程师。OpenCV 的 Java 绑定（JavaCV 或官方opencv-4xx.jar+ native 库）能让你在纯 Java 工程里完成灰度、边缘、形态学、轮廓这些经典操作，配合一个轻量 OCR 就能出结果。下面按「环境怎么搭 → 车牌怎么定位 → 字符怎么识别 → 计费怎么落地 → 坑在哪」这条线讲透，参数和代码都能直接抄。

2. Java 接 OpenCV 的环境搭建与最小可跑通验证

2.1 为什么用 JavaCV 而不是硬啃官方 native 库

官方 OpenCV 给 Java 的只有一层 JNI 封装，你得自己处理System.loadLibrary(Core.NATIVE_LIBRARY_NAME)、dll/so 路径、平台差异，Windows 上还要把opencv_java4xx.dll塞进java.library.path，稍有不慎就是UnsatisfiedLinkError。JavaCV 是 bytedeco 做的预编译打包，把 OpenCV、FFmpeg 等 native 库按平台打进 jar，Maven 一引就能跑，省掉 90% 的环境玄学。

常见做法是 Maven 引org.bytedeco:javacv-platform，它会按当前平台拉对应 native 包。缺点是包大（几百 MB），但毕业设计机器上无所谓。如果你坚持用官方库，那就得手动配-Djava.library.path，跨平台部署时血泪经验特别多。

2.2 Maven 依赖与第一个能跑通的读图程序

<dependency> <groupId>org.bytedeco</groupId> <artifactId>javacv-platform</artifactId> <version>1.5.9</version> </dependency>

import org.bytedeco.opencv.opencv_core.Mat; import org.bytedeco.opencv.global.opencv_imgcodecs; import org.bytedeco.opencv.global.opencv_imgproc; public class FirstRun { public static void main(String[] args) { // 读图，第二个参数 IMREAD_COLOR 表示按三通道彩色读入 Mat src = opencv_imgcodecs.imread("car.jpg", opencv_imgcodecs.IMREAD_COLOR); if (src.empty()) { System.out.println("图片没读到，检查路径和格式"); return; } Mat gray = new Mat(); // 转灰度，车牌定位几乎都从灰度图开始 opencv_imgproc.cvtColor(src, gray, opencv_imgproc.COLOR_BGR2GRAY); System.out.println("尺寸: " + src.cols() + "x" + src.rows()); } }

逻辑说明：imread返回的Mat是 OpenCV 的核心数据结构，empty()判断是否读成功，这一步能挡掉一半「路径写错」的问题。cvtColor的第三个参数是转换码，COLOR_BGR2GRAY把三通道压成单通道，后续边缘检测、二值化都在灰度图上做，计算量直接降到三分之一。

参数说明：IMREAD_COLOR是默认彩色读入；如果只关心形状可以用IMREAD_GRAYSCALE直接读灰度，省一次转换。JavaCV 里常量都在opencv_imgcodecs类下，别去Imgcodecs找，版本不同类名会变，这是新手第一个翻车点。

提示：JavaCV 的Mat用完最好手动close()或release()，虽然它有 GC 兜底，但图像处理循环里不释放，内存涨得比你想象快。

2.3 验证 native 库是否真的加载成功

跑通上面那段只是第一步，真正要确认的是 native 层没问题。可以在启动时打印org.bytedeco.opencv.global.opencv_core.CV_VERSION，能打出版本号说明 native 库加载正常。如果报NoClassDefFoundError或UnsatisfiedLinkError，八成是 Maven 只引了javacv没引javacv-platform，或者 IDE 没刷新依赖。这一步过了，后面所有图像操作才有意义。

3. 车牌定位：从一帧彩色图到候选矩形框

3.1 颜色与边缘双路定位的取舍

车牌定位主流两条路：颜色定位和边缘定位。中国蓝牌底色是蓝色，HSV 空间里 H 分量集中在 200~260 度附近，用inRange一卡就能出候选区域，快但受光照影响大，晚上或者逆光直接失效。边缘定位靠 Sobel 或 Canny 找竖直边缘，再做形态学闭运算把字符连成块，鲁棒性好但计算量大、参数敏感。

我一般两条路都跑，颜色结果优先，颜色失败再退回边缘。毕业设计演示场景光照可控，颜色定位足够，但你要知道它的边界在哪。

3.2 用 HSV 阈值卡出蓝色车牌区域

Mat hsv = new Mat(); opencv_imgproc.cvtColor(src, hsv, opencv_imgproc.COLOR_BGR2HSV); Mat mask = new Mat(); // 蓝色车牌 H 大致在 100~124（OpenCV 的 H 范围是 0~180） opencv_core.inRange(hsv, new Scalar(100, 43, 46, 0), // 下限 new Scalar(124, 255, 255, 0), // 上限 mask); // 形态学闭运算，把断裂的字符区域连成整块 Mat kernel = opencv_imgproc.getStructuringElement( opencv_imgproc.MORPH_RECT, new Size(17, 5)); opencv_imgproc.morphologyEx(mask, mask, opencv_imgproc.MORPH_CLOSE, kernel);

逻辑说明：cvtColor转到 HSV 后，inRange把落在蓝色区间的像素置 255，其余置 0，得到二值掩膜。闭运算先膨胀后腐蚀，作用是填补字符之间的空隙，让车牌变成一个连通的白色矩形，方便后面找轮廓。

参数说明：H 的上下限 100 和 124 是蓝牌的常见区间，S 下限 43、V 下限 46 是为了滤掉灰暗和过曝区域。kernel 的17x5是宽扁矩形，因为车牌本身是横向长条，用方形 kernel 会把相邻区域也连进来。这几个数不是死的，换数据集要微调，调参时先把 mask 存图看一眼最直观。

3.3 轮廓筛选：长宽比和面积才是关键判据

MatVector contours = new MatVector(); Mat hierarchy = new Mat(); opencv_imgproc.findContours(mask, contours, hierarchy, opencv_imgproc.RETR_EXTERNAL, opencv_imgproc.CHAIN_APPROX_SIMPLE); for (int i = 0; i < contours.size(); i++) { Rect r = opencv_imgproc.boundingRect(contours.get(i)); double ratio = (double) r.width() / r.height(); double area = (double) r.width() * r.height(); // 中国车牌长宽比约 3:1 到 4:1，面积过滤掉噪点 if (ratio > 2.5 && ratio < 5.0 && area > 2000) { opencv_imgproc.rectangle(src, r, new Scalar(0, 0, 255, 0), 2, 0, 0); } }

逻辑说明：findContours找出所有外轮廓，boundingRect给每个轮廓套一个正矩形。车牌的长宽比是强特征，蓝牌标准 440x140 约 3.14:1，实际拍摄有透视变形，放宽到 2.5~5.0 比较稳。面积阈值挡掉小噪点。

参数说明：RETR_EXTERNAL只取最外层轮廓，避免字符内部轮廓干扰；CHAIN_APPROX_SIMPLE压缩轮廓点，省内存。面积 2000 是经验值，图像分辨率高时要按比例放大，比如 1080p 图里车牌面积轻松上万，这个阈值就得跟着调。

注意：定位阶段宁可多留候选框，也别漏。后面识别阶段可以用置信度再筛，定位漏了后面全白搭。

4. 字符分割与识别：把矩形框变成七个字符

4.1 灰度、二值化、垂直投影三步切字符

拿到车牌矩形后，先裁出来，转灰度，用大津法（OTSU）自动二值化，再做垂直投影统计每列白色像素数，字符之间的空隙投影值接近 0，据此切分。

Mat plate = new Mat(src, rect); // 裁出车牌 Mat gray = new Mat(); opencv_imgproc.cvtColor(plate, gray, opencv_imgproc.COLOR_BGR2GRAY); Mat binary = new Mat(); // OTSU 自动找阈值，适合光照不均的场景 opencv_imgproc.threshold(gray, binary, 0, 255, opencv_imgproc.THRESH_BINARY + opencv_imgproc.THRESH_OTSU); // 垂直投影 int[] colSum = new int[binary.cols()]; for (int x = 0; x < binary.cols(); x++) { for (int y = 0; y < binary.rows(); y++) { if (binary.ptr(y, x).get() != 0) colSum[x]++; } }

逻辑说明：OTSU 会根据图像直方图自动算一个阈值，比手动写 127 稳得多。垂直投影把二维问题降成一维，字符列白点多、间隙列白点少，找连续的低值区间就是切分点。

参数说明：THRESH_BINARY + THRESH_OTSU组合使用时，threshold 参数传 0 即可，OTSU 会覆盖它。投影数组长度等于图像宽度，遍历时注意ptr(y, x)的行列顺序，OpenCV 是行优先，写反了结果全错。

4.2 用 Tesseract 还是模板匹配

字符识别两条路：Tesseract OCR 和模板匹配。Tesseract 对印刷体车牌识别率不错，但需要训练数据、配置tessdata路径，Java 里通过 Tess4J 调用，环境依赖多。模板匹配是自己准备 0-9 和 A-Z 的标准字符图，逐个算相似度，简单可控但换字体就废。

毕业设计我一般推荐模板匹配，因为字符集固定（车牌不含 I、O），代码全在 Java 里，不依赖外部引擎，演示时不会因为环境问题翻车。识别率靠字符归一化到统一尺寸来保证。

4.3 模板匹配的核心代码与归一化

// 把切出的字符统一缩放到 20x40 Mat ch = new Mat(binary, charRect); Mat norm = new Mat(); opencv_imgproc.resize(ch, norm, new Size(20, 40)); // 与模板库逐个比对，取最大相似度 double best = -1; char bestChar = '?'; for (Map.Entry<Character, Mat> e : templates.entrySet()) { Mat result = new Mat(); opencv_imgproc.matchTemplate(norm, e.getValue(), result, opencv_imgproc.TM_CCOEFF_NORMED); double score = result.ptr(0, 0).getDouble(); if (score > best) { best = score; bestChar = e.getKey(); } }

逻辑说明：resize把字符拉到统一尺寸，消除大小差异，这是模板匹配能工作的前提。matchTemplate用归一化相关系数，返回值越接近 1 越像，取最高分对应的字符。

参数说明：TM_CCOEFF_NORMED对亮度变化不敏感，比TM_SQDIFF更适合车牌。模板库要提前用同字体生成，尺寸必须和resize目标一致，否则matchTemplate直接抛异常。相似度低于 0.6 的可以标记为「不确定」，交给人工或二次识别。

提示：中文车牌第一个是汉字（省份简称），模板匹配对汉字效果差，常见做法是单独训练一个汉字分类器，或者干脆只识别字母数字部分，汉字用固定映射表。毕业设计里能识别出「皖A12345」的字母数字部分通常就够演示了。

5. 收费逻辑与数据落地：识别结果怎么变成钱

5.1 计费模型：按时长还是按次

停车场计费常见两种：按次固定收费，和按时长阶梯收费。毕业设计里按时长更显专业，也更能体现「识别—入库—出场—结算」的完整闭环。典型规则：入场记录时间，出场算差值，前 30 分钟免费，之后每小时 X 元，不足一小时按一小时算，设每日封顶。

这套逻辑用 Java 写就是个纯计算函数，和图像处理完全解耦，这也是分层设计的好处——识别模块只负责吐车牌号，计费模块只认车牌号和时间。

5.2 数据库表设计与入场出场流程

CREATE TABLE parking_record ( id BIGINT PRIMARY KEY AUTO_INCREMENT, plate_no VARCHAR(10) NOT NULL COMMENT '车牌号', entry_time DATETIME NOT NULL COMMENT '入场时间', exit_time DATETIME DEFAULT NULL COMMENT '出场时间', fee DECIMAL(10,2) DEFAULT 0 COMMENT '费用', status TINYINT DEFAULT 0 COMMENT '0在场 1已出场', INDEX idx_plate (plate_no) );

逻辑说明：一条记录代表一次停车，入场时插入entry_time、status=0，出场时按车牌查最新在场记录，更新exit_time、fee、status=1。plate_no建索引，因为出场查询全靠它。

参数说明：plate_no长度 10 够放「皖A12345」这类 7~8 位车牌，新能源 8 位也够。fee用DECIMAL不用FLOAT，金额计算别用浮点，这是常识但每年都有人踩。

5.3 计费函数与边界处理

public BigDecimal calcFee(LocalDateTime entry, LocalDateTime exit) { long minutes = Duration.between(entry, exit).toMinutes(); if (minutes <= 30) return BigDecimal.ZERO; // 免费时段 long hours = (minutes - 30 + 59) / 60; // 不足一小时按一小时 BigDecimal fee = new BigDecimal(hours).multiply(new BigDecimal("5")); BigDecimal cap = new BigDecimal("50"); // 每日封顶 return fee.min(cap); }

逻辑说明：Duration.between算分钟差，(minutes - 30 + 59) / 60是向上取整的写法，避免用Math.ceil引入浮点。封顶用min一行搞定。

参数说明：免费 30 分钟、每小时 5 元、封顶 50 都是可配置项，实际项目里应该抽到配置文件或数据库，别硬编码。跨天停车要按自然日拆分计算，这里简化成单日封顶，真实场景要循环处理。

注意：识别错误会导致计费错误，所以出场时如果识别置信度低，应该允许人工输入车牌兜底，别让系统「认死理」。

6. 这套系统最容易翻车的五个地方

现象：程序启动报UnsatisfiedLinkError或NoClassDefFoundError。原因：Maven 只引了javacv没引javacv-platform，或者 IDE 没重新导入依赖，native 库没下载下来。 解决：确认pom.xml里是javacv-platform，执行mvn dependency:resolve强制拉取，IDE 里刷新 Maven 项目。还不行就删本地仓库里org/bytedeco目录重新下。

现象：白天识别正常，晚上或逆光全挂。原因：颜色定位依赖 HSV 阈值，光照一变蓝色区间就漂移，mask 里全是噪点或空白。 解决：加一路边缘定位做兜底，或者对图像先做直方图均衡化equalizeHist再进 HSV。演示场景尽量控制光源，别在窗边逆光拍。

现象：字符切分多切或少切，识别结果串位。原因：二值化后字符粘连或断裂，垂直投影找不到干净的空隙。 解决：切分前做一次开运算去掉细噪点，投影时设一个最小间隙宽度（比如 3 像素）再判定切分点。车牌有铆钉或污渍时，先做中值滤波medianBlur平滑。

现象：模板匹配识别率低，A 认成 4，8 认成 B。原因：字符归一化尺寸和模板不一致，或者模板本身质量差、字体不统一。 解决：确保resize目标和模板尺寸严格一致，模板用清晰的标准字体生成，必要时对字符做细化或加粗预处理。相似度阈值调到 0.6 以上，低于阈值的标记为待确认。

现象：内存持续上涨，跑几百帧后 OOM。原因：JavaCV 的Mat底层是 native 内存，GC 管不到，循环里不断 new 却不释放。 解决：每个Mat用完调close()，或者用 try-with-resources（JavaCV 的 Mat 实现了 AutoCloseable）。循环里复用 Mat 对象，别在循环内反复创建。

7. 让识别率再上一个台阶的两个实用技巧

第一个技巧是 ROI 预裁剪。如果摄像头位置固定，车牌永远出现在画面某个区域，那就别对整帧做检测，直接裁出下半部分或中间区域再处理。计算量降一半，误检也少一半。这个思路在真实停车场里几乎是标配，因为相机装好后角度基本不动。

第二个技巧是识别结果做业务校验。车牌有固定格式：第一位汉字，第二位字母，后面五位字母数字混合，且不含 I 和 O。识别完拿正则过一遍，不符合格式的直接判为失败，触发重拍或人工输入。这一步能挡掉大量「看起来像但其实是噪点」的误识别。

// 中国车牌正则：省份简称 + 字母 + 5位字母数字（不含I、O） private static final Pattern PLATE_PATTERN = Pattern.compile("^[\\u4e00-\\u9fa5][A-HJ-NP-Z][A-HJ-NP-Z0-9]{4,5}[A-HJ-NP-Z0-9]$"); public boolean isValidPlate(String plate) { return plate != null && PLATE_PATTERN.matcher(plate).matches(); }

逻辑说明：正则里[A-HJ-NP-Z]排除了 I 和 O，{4,5}兼容普通车牌和新能源车牌的长度差异。识别结果先过这个校验，不通过就不入库、不计费。

参数说明：汉字范围\u4e00-\u9fa5覆盖常用汉字，省份简称都在内。如果你的系统只服务某个省，可以把第一位直接限定成该省简称，进一步收紧。

我自己做这类系统最大的教训是：别一上来就追求识别率 99%，先把「识别失败时系统怎么优雅处理」想清楚。停车场场景里，一次识别错误导致的计费纠纷，比识别率低几个百分点麻烦得多。留好人工兜底入口，比调参调到凌晨更值钱。希望帮到你。

本文还有配套的精品资源，点击获取