Java+OpenCV车牌识别停车场收费系统源码实战

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涵盖24个java源文件、24个class编译文件、47个jar依赖库、20个xml配置、15个jsp页面以及properties、png、gif等资源文件源码、依赖与前端页面齐备结构完整。项目围绕车辆进出识别、计费与后台管理等模块展开包含CarController、UserController、DbService、SignUtil、CarApi及多种Vo数据对象等核心类便于理解车牌识别与业务逻辑的衔接方式。资源已经过严格调试下载即用可直接作为毕设基础框架帮助读者快速搭建运行环境、梳理模块划分与接口设计思路。目前已有198人学习关注适合需要完整项目案例与排错参考的学习者。1. 从一张车牌到一笔停车费JavaOpenCV 这套源码到底在解决什么很多做 Java 课程设计或毕业设计的同学卡在同一个地方想做一个「能跑起来、能演示、还能写进论文」的完整系统但纯 CRUD 的增删改查太单薄纯算法又不知道怎么和业务串起来。车牌识别的停车场收费管理系统恰好是这两者的交叉点——它要求你把图像处理、字符识别、计费规则、数据库持久化、界面交互全部打通。这套基于 Java 和 OpenCV 的源码核心链路是摄像头或本地图片输入 → OpenCV 做车牌定位与字符分割 → 识别出车牌号 → 与数据库中的入场记录比对 → 按停车时长计算费用 → 生成出场记录和收费凭据。它适合三类人一是需要一份有技术含量、能讲清楚原理的毕业设计二是想学 OpenCV 图像处理但不想只跑 Python demo 的 Java 开发者三是需要给小型停车场做一套可二次开发的计费原型。需要提前说清楚的是这套方案不是工业级的高精度识别它的价值在于「全链路可复现、每个环节都能改参数、能写进论文讲清楚」。如果你追求 99% 以上的识别率那得用商业一体机或深度学习模型但那是另一个话题了。下面我从环境搭建开始把这条链路一步步拆开。2. 环境搭建JDK、OpenCV 和 IDE 的版本对齐2.1 为什么 Java 调 OpenCV 最容易在第一步翻车Java 本身不能直接调用 OpenCV 的 C 接口必须通过 JNIJava Native Interface加载 OpenCV 提供的动态链接库。这意味着你的项目里会有两层依赖一层是 Java 侧的opencv-xxx.jar另一层是操作系统侧的.dllWindows或.soLinux。这两层版本必须严格对应否则运行时会抛出UnsatisfiedLinkError而且报错信息往往只告诉你「找不到某个 native 方法」不会直接说版本不匹配。我一般会先确认三件事JDK 位数32 位还是 64 位、OpenCV 版本号、操作系统类型。这三者决定你该下载哪个包。比如 JDK 是 64 位 WindowsOpenCV 就得选opencv-4.x.x-windows.exe这个自解压包解压后build\java目录下才有对应的 jar 和 dll。2.2 从零配置 OpenCV 的 Java 开发环境第一步去 OpenCV 官网下载对应平台的安装包解压到一个不含中文和空格的路径比如D:\opencv。解压后你会看到build\java目录里面有两个关键文件opencv-4xx.jar和x64\opencv_java4xx.dll。第二步在 IDEA 里新建 Java 项目把 jar 加进依赖。如果你用 Maven可以手动 install 到本地仓库也可以直接用 system scope 引入。更稳妥的做法是直接把 jar 放到项目lib目录然后在pom.xml里用systemPath指向它。!-- pom.xml 中引入本地 OpenCV jar -- dependency groupIdorg.opencv/groupId artifactIdopencv/artifactId version4.5.5/version scopesystem/scope !-- 路径按你实际解压位置修改 -- systemPathD:/opencv/build/java/opencv-455.jar/systemPath /dependency第三步加载 native 库。有两种方式一种是在代码里显式调用System.loadLibrary(Core.NATIVE_LIBRARY_NAME)前提是 dll 在java.library.path里另一种是直接System.load(绝对路径)。我一般用后者因为路径明确不容易受环境变量影响。import org.opencv.core.Core; public class OpenCVLoader { static { // 直接加载绝对路径避免 java.library.path 配置问题 System.load(D:/opencv/build/java/x64/opencv_java455.dll); } public static void main(String[] args) { // 打印版本验证 native 库加载成功 System.out.println(OpenCV version: Core.VERSION); } }这段代码的逻辑很简单静态代码块在类加载时执行把 dll 加载进 JVM。如果路径写错或版本不匹配这里就会抛异常。参数说明System.load的参数必须是绝对路径且反斜杠要转义或改用正斜杠。运行后如果控制台打印出OpenCV version: 4.5.5说明环境通了。提示如果你在 Linux 上部署把 dll 换成.so文件路径改成/usr/local/lib/libopencv_java455.so同时确保LD_LIBRARY_PATH包含该目录。2.3 项目目录结构与依赖清单一套能跑的车牌识别系统目录结构建议这样组织src/main/java下按功能分包dao放数据库操作service放业务逻辑ui放界面utils放图像处理和识别工具类。资源文件放src/main/resources包括数据库配置和级联分类器文件。依赖项作用常见版本opencv-4xx.jarJava 侧 API4.5.xopencv_java4xx.dllnative 库与 jar 同版本mysql-connector-java数据库驱动8.0.xhaarcascade_russian_plate_number.xml车牌检测分类器OpenCV 自带Swing 或 JavaFX界面框架JDK 自带这里要特别注意OpenCV 自带的haarcascade_russian_plate_number.xml是针对俄罗斯车牌的对中国蓝牌和绿牌的检测效果一般。很多源码里会换成自己训练的级联分类器或者用颜色分割加形态学处理来定位车牌。如果你拿到的源码里用的是这个 xml别指望它能在复杂背景下稳定工作后面我会讲怎么用颜色和边缘特征做补充。3. 车牌定位与字符分割OpenCV 图像处理的核心参数3.1 从一张停车场照片到候选车牌区域车牌定位的常见做法是「颜色分割 形态学 轮廓筛选」。中国车牌主要有蓝色、黄色、绿色几种底色蓝色车牌在 HSV 色彩空间里的色调范围比较集中可以先转 HSV再用inRange提取蓝色区域。import org.opencv.core.*; import org.opencv.imgproc.Imgproc; public class PlateLocator { public static Mat locateBluePlate(Mat src) { Mat hsv new Mat(); // 转 HSV 色彩空间比 RGB 更适合做颜色分割 Imgproc.cvtColor(src, hsv, Imgproc.COLOR_BGR2HSV); // 蓝色车牌的 HSV 范围H 在 100-124 之间 Scalar lowerBlue new Scalar(100, 43, 46); Scalar upperBlue new Scalar(124, 255, 255); Mat mask new Mat(); Core.inRange(hsv, lowerBlue, upperBlue, mask); // 开运算去掉噪点闭运算连接断裂区域 Mat kernel Imgproc.getStructuringElement(Imgproc.MORPH_RECT, new Size(17, 5)); Imgproc.morphologyEx(mask, mask, Imgproc.MORPH_CLOSE, kernel); // 找轮廓按面积和长宽比筛选 java.util.ListMatOfPoint contours new java.util.ArrayList(); Imgproc.findContours(mask, contours, new Mat(), Imgproc.RETR_EXTERNAL, Imgproc.CHAIN_APPROX_SIMPLE); Mat result new Mat(); src.copyTo(result); for (MatOfPoint contour : contours) { Rect rect Imgproc.boundingRect(contour); double aspectRatio (double) rect.width / rect.height; // 车牌长宽比大约在 2.5 到 5.5 之间 if (aspectRatio 2.5 aspectRatio 5.5 rect.area() 1000) { Imgproc.rectangle(result, rect.tl(), rect.br(), new Scalar(0, 255, 0), 2); } } return result; } }逻辑说明先把图像转成 HSV因为 HSV 对光照变化的鲁棒性比 RGB 好。inRange根据蓝色范围生成二值掩膜白色区域就是候选车牌。形态学闭运算用了一个 17×5 的矩形核这个尺寸是根据车牌字符之间的间距经验值定的太小连不上字符太大容易把相邻区域合并。轮廓筛选用了两个条件长宽比和面积。长宽比 2.5 到 5.5 覆盖了单层蓝牌和新能源绿牌的大致比例面积阈值 1000 是为了过滤掉小噪点。参数怎么调如果你的图片里车牌偏小把面积阈值降到 500如果背景里有大量蓝色物体比如蓝色车身把 H 范围收窄到 105 到 120或者加一个 S 通道的下限来排除浅蓝色。3.2 字符分割投影法为什么比连通域更稳定位到车牌区域后下一步是把车牌里的字符一个个切出来。常见方法有两种连通域分析和垂直投影。连通域在字符粘连或断裂时容易出错而垂直投影法对二值化后的车牌更稳定。public static java.util.ListMat splitCharacters(Mat plate) { Mat gray new Mat(); Imgproc.cvtColor(plate, gray, Imgproc.COLOR_BGR2GRAY); // 自适应阈值应对光照不均 Mat binary new Mat(); Imgproc.adaptiveThreshold(gray, binary, 255, Imgproc.ADAPTIVE_THRESH_GAUSSIAN_C, Imgproc.THRESH_BINARY_INV, 15, 5); // 垂直投影统计每一列的白色像素数 Mat colSum new Mat(); Core.reduce(binary, colSum, 0, Core.REDUCE_SUM, CvType.CV_32S); // 根据投影值找字符边界 java.util.ListMat chars new java.util.ArrayList(); int start -1; for (int i 0; i colSum.cols(); i) { int val (int) colSum.get(0, i)[0]; if (val 0 start -1) { start i; } else if (val 0 start ! -1) { // 字符宽度太小的当作噪点丢弃 if (i - start 5) { chars.add(new Mat(binary, new Rect(start, 0, i - start, binary.rows()))); } start -1; } } return chars; }逻辑说明adaptiveThreshold用高斯加权做局部阈值比全局阈值更适合车牌这种光照不均匀的场景。Core.reduce把二值图按列求和得到每一列的白色像素总数。投影值大于 0 说明该列有字符笔画等于 0 说明是字符间的空隙。遍历投影数组遇到从 0 变正就记起点从正变 0 就切出一个字符。宽度小于 5 像素的当作噪点丢弃。参数说明adaptiveThreshold的 blockSize 设为 15表示局部邻域大小必须是奇数C 是常数从均值里减去的值设为 5 可以去掉一些背景噪声。这两个参数需要根据车牌图像的分辨率调整分辨率高就加大 blockSize。注意字符分割前最好把车牌区域做一次透视校正因为摄像头角度倾斜会导致字符变形投影法在倾斜图像上容易把相邻字符粘在一起。校正用Imgproc.getPerspectiveTransform和warpPerspective这里不展开。4. 字符识别与计费逻辑从图像到数据库的完整链路4.1 模板匹配做字符识别简单但够用的方案字符识别这一步毕业设计里最常用的是模板匹配。原理很直接提前把 0-9 和 A-Z 的字符模板切成小图存起来识别时把分割出的字符缩放到模板同尺寸逐个算相似度取最高的那个作为结果。public class CharRecognizer { // 模板库key 是字符value 是模板图像 private java.util.MapString, Mat templates new java.util.HashMap(); public void loadTemplates(String templateDir) { java.io.File dir new java.io.File(templateDir); for (java.io.File f : dir.listFiles()) { String name f.getName().split(\\.)[0]; // 文件名即字符 Mat img Imgcodecs.imread(f.getAbsolutePath(), Imgcodecs.IMREAD_GRAYSCALE); Imgproc.resize(img, img, new Size(20, 40)); // 统一尺寸 templates.put(name, img); } } public String recognize(Mat charImg) { Mat resized new Mat(); Imgproc.resize(charImg, resized, new Size(20, 40)); String bestChar ?; double bestScore Double.MAX_VALUE; for (java.util.Map.EntryString, Mat entry : templates.entrySet()) { Mat diff new Mat(); // 计算像素差的绝对值 Core.absdiff(resized, entry.getValue(), diff); Scalar sum Core.sumElems(diff); double score sum.val[0]; if (score bestScore) { bestScore score; bestChar entry.getKey(); } } return bestChar; } }逻辑说明loadTemplates从目录读取模板图片文件名就是对应的字符统一缩放到 20×40。recognize把待识别字符缩放到同尺寸和每个模板做逐像素差差值总和最小的就是最匹配的。这个方法对字体和模板一致的场景效果不错但模板需要自己制作而且对字符倾斜和粗细变化敏感。参数说明模板尺寸 20×40 是根据车牌字符的典型宽高比定的你可以改成 16×32 来提速但太小会丢失笔画细节。absdiff之后用sumElems求和也可以用归一化后的相关系数但求和更简单直接。4.2 停车计费规则与数据库表设计识别出车牌号之后业务逻辑就进入 Java 的主场了。核心流程是入场时记录车牌和入场时间出场时根据车牌查入场记录算时间差按费率算钱写出场记录。-- 车辆入场记录表 CREATE TABLE entry_record ( id INT PRIMARY KEY AUTO_INCREMENT, plate_number VARCHAR(10) NOT NULL, entry_time DATETIME NOT NULL, INDEX idx_plate (plate_number) ); -- 车辆出场记录表 CREATE TABLE exit_record ( id INT PRIMARY KEY AUTO_INCREMENT, plate_number VARCHAR(10) NOT NULL, exit_time DATETIME NOT NULL, duration_minutes INT, fee DECIMAL(10,2), INDEX idx_plate (plate_number) );计费逻辑用 Java 实现核心是时间差计算和费率分段。常见规则是前 30 分钟免费之后每小时 5 元不足一小时按一小时算24 小时封顶 40 元。public BigDecimal calculateFee(LocalDateTime entry, LocalDateTime exit) { long minutes java.time.Duration.between(entry, exit).toMinutes(); if (minutes 30) { return BigDecimal.ZERO; } long billableHours (long) Math.ceil((minutes - 30) / 60.0); BigDecimal fee BigDecimal.valueOf(billableHours * 5); // 24 小时封顶 40 元 if (fee.compareTo(BigDecimal.valueOf(40)) 0) { fee BigDecimal.valueOf(40); } return fee; }逻辑说明Duration.between算出总分钟数前 30 分钟直接返回 0。超过 30 分钟后用Math.ceil向上取整算计费小时数乘以单价。最后和封顶价比较取较小值。参数说明免费时长、单价、封顶价这三个值建议放到配置文件里方便不同停车场调整不要硬编码在代码里。提示车牌号在数据库里建议加索引因为出场时要用车牌号查入场记录数据量大了没索引会明显变慢。另外车牌号存储前最好统一转大写并去掉空格避免因为格式不一致查不到记录。5. 避坑与排查这套源码最容易翻车的五个地方5.1 现象程序启动报 UnsatisfiedLinkError提示找不到 native 方法原因OpenCV 的 jar 和 dll 版本不一致或者 dll 路径写错或者 JDK 位数和 dll 位数不匹配64 位 JDK 加载了 32 位 dll。解决先确认 JDK 位数用java -version看输出里有没有 64-Bit。然后确认 dll 在x64目录下而不是x86。最后把System.load的路径打印出来确认文件真实存在。5.2 现象车牌定位框飘忽不定有时框到车身有时框到背景原因HSV 颜色范围设得太宽把车身或其他蓝色物体也包含进来了。解决把 H 范围收窄同时加 S 和 V 的下限。我一般会先用一张测试图用Imgproc.cvtColor转 HSV 后手动取几个车牌像素点看它们的 H 值分布再定范围。另外形态学核的尺寸也要调核太大容易把相邻区域合并。5.3 现象字符分割把两个字符粘在一起或者一个字符被切成两半原因二值化阈值不合适导致字符笔画断裂或粘连。解决改用自适应阈值并且调整 blockSize 和 C 参数。如果车牌图像分辨率很低先做一次上采样再二值化。另外投影法对倾斜敏感如果摄像头角度偏先做透视校正。5.4 现象模板匹配识别率低经常把 8 认成 B把 0 认成 D原因模板库和实际车牌字体不一致或者字符分割时尺寸归一化没做好。解决模板最好从实际场景的车牌里截取而不是用电脑字体生成。另外识别前把字符做一次细化或去噪减少笔画粗细差异的影响。如果还是不行可以考虑用 ONNX 跑一个轻量级的字符识别模型Java 侧用 onnxruntime 加载这是目前比较主流的升级路径。5.5 现象出场时查不到入场记录计费失败原因车牌号格式不一致比如入场时存的是「京A12345」出场识别结果是「京A12345 」多了空格或者小写。解决在入库和查询前统一做规范化处理去掉所有空白字符并转大写。另外要处理识别错误的情况比如一位字符识别错了可以加一个模糊匹配逻辑允许一位字符不匹配但要在界面上提示人工确认。6. 进阶技巧用 ONNX 模型替换模板匹配把识别率提上去模板匹配的瓶颈很明显字体一变、光照一变、角度一变识别率就掉。如果你想让这套系统在答辩时更有说服力或者真的想在小场景里用起来我建议把字符识别这一步换成 ONNX 模型。Java 侧用onnxruntime加载一个训练好的轻量级 CNN输入是分割后的字符图输出是字符类别。具体做法分三步。第一步准备训练数据用公开的车牌数据集或者自己用 OpenCV 合成一批车牌图像把字符切出来做成分类数据集。第二步训练一个简单的 CNN输入 32×32 灰度图输出 34 类0-9 加 A-Z 去掉 I 和 O。第三步导出 ONNX 模型在 Java 里加载推理。import ai.onnxruntime.*; public class OnnxCharRecognizer { private OrtSession session; public OnnxCharRecognizer(String modelPath) throws Exception { OrtEnvironment env OrtEnvironment.getEnvironment(); session env.createSession(modelPath, new OrtSession.SessionOptions()); } public String predict(float[] inputData) throws Exception { // 输入 shape: [1, 1, 32, 32] OnnxTensor input OnnxTensor.createTensor( OrtEnvironment.getEnvironment(), java.nio.FloatBuffer.wrap(inputData), new long[]{1, 1, 32, 32}); OrtSession.Result result session.run(java.util.Collections.singletonMap(input, input)); float[][] output (float[][]) result.get(0).getValue(); int maxIdx 0; for (int i 1; i output[0].length; i) { if (output[0][i] output[0][maxIdx]) maxIdx i; } return 0123456789ABCDEFGHJKLMNPQRSTUVWXYZ.substring(maxIdx, maxIdx 1); } }逻辑说明OrtSession加载 ONNX 模型OnnxTensor.createTensor把输入数据包装成模型需要的形状。推理结果是一个二维数组取最大值的索引对应字符类别。参数说明输入尺寸 32×32 要和训练时一致类别字符串的顺序也要和训练时的标签顺序一致否则识别结果会错位。验证方法拿一批没参与训练的图片先跑模板匹配记录识别率再跑 ONNX 记录识别率对比一下。我自己的经验是在同样的测试集上ONNX 方案比模板匹配能高出 15 到 25 个百分点尤其是对倾斜和模糊的车牌。最后说个习惯每次改完图像处理参数别只看一张图的结果至少拿 20 张不同光照、不同角度的图跑一遍把定位和分割的中间结果保存下来看。我踩过最深的坑就是在一张图上调好了参数换一张图就全乱了。希望帮到你。本文还有配套的精品资源点击获取