ALPR fürs Parken: So funktioniert Kennzeichenerkennung

Die automatische Kennzeichenerkennung (ALPR, in Europa oft ANPR genannt) hat sich von teurer Spezialhardware zu Software entwickelt, die mit Standardkameras läuft. Parkhäuser, Logistikhöfe, Firmengelände und Wohnanlagen öffnen damit Schranken für Berechtigte, erfassen Ein- und Ausfahrten und alarmieren den Sicherheitsdienst, wenn ein unberechtigtes Fahrzeug auftaucht.

Wir haben ein ALPR-System als Erkennungs-Engine für das Parkmodul von Smart DigiBuild gebaut, der Plattform, die wir für Four Corners Technology entwickeln. Dieser Artikel erklärt, wie ein solches System funktioniert, was die Genauigkeit beeinflusst und was Sie in Deutschland beim Datenschutz beachten müssen.

Die Pipeline in vier Schritten

Ein modernes ALPR-System ist eine Kette spezialisierter Schritte, nicht ein einzelnes Modell.

1. Aufnahme

Eine Kamera erfasst die Ein- oder Ausfahrt. Die Bildqualität ist wichtiger als alles, was danach kommt: der Kamerawinkel (idealerweise weniger als 30 Grad zum Kennzeichen), die Belichtungszeit (kurz genug gegen Bewegungsunschärfe), die Beleuchtung (Infrarot für den Nachtbetrieb) und die Auflösung am Kennzeichen (als Faustregel mindestens 100–150 Pixel über die Kennzeichenbreite). Die meisten Genauigkeitsprobleme, die wir in der Praxis sehen, sind Probleme der Kameraposition, nicht der KI.

2. Erkennung

Ein Objekterkennungsmodell findet das Kennzeichen in jedem Bild. Wir setzen YOLOv8 ein, eine schnelle, gut unterstützte Modellfamilie, die sich auf Kennzeichen-Datensätzen trainieren lässt und auf bescheidener Hardware in Echtzeit läuft. Der Detektor liefert einen Rahmen und einen Konfidenzwert. Damit nicht jedes Bild eines langsam fahrenden Autos verarbeitet werden muss, verfolgen wir Fahrzeuge über mehrere Bilder und behalten das beste.

3. Lesen (OCR)

Das erkannte Kennzeichen wird ausgeschnitten, entzerrt und aufbereitet; dann liest ein OCR-Modell die Zeichen. Wir verwenden EasyOCR in Kombination mit Bildvorverarbeitung in OpenCV. Entscheidend ist die Nachbearbeitung: Der Rohtext wird normalisiert (Leerzeichen, Bindestriche), typische Verwechslungen wie 0/O oder 8/B werden korrigiert, und das Ergebnis wird gegen das Kennzeichenformat des Landes geprüft. Deutsche Kennzeichen folgen etwa einem bekannten Muster aus Unterscheidungszeichen, Buchstaben und Ziffern.

4. Entscheidung und Aktion

Das normalisierte Kennzeichen wird mit der Liste berechtigter Fahrzeuge abgeglichen – Mitarbeiterberechtigungen, Gästeausweise oder Mieter. Dann handelt das System: Schranke öffnen, Ereignis protokollieren oder Alarm auslösen. In unserer Umsetzung lösen unberechtigte Fahrzeuge über AWS SNS eine Echtzeitbenachrichtigung aus (E-Mail oder SMS), und jedes Ereignis wird mit Bild in Amazon S3 zur Prüfung gespeichert.

Der Dienst rund um das Modell

Modelle sind nur ein Teil. Ein produktives System braucht außerdem:

• Eine API (bei uns FastAPI) für Ereignisse, Statistiken, Berechtigungsverwaltung und Konfiguration.
• Monitoring von Durchsatz, Latenz und Fehlern, bei uns mit CloudWatch – damit Sie merken, wenn eine Kamera ausfällt.
• Deployment mit Docker, damit derselbe Dienst auf einer Edge-Box neben der Kamera oder in der Cloud läuft.
• Eine Prüfansicht für Menschen, die unsichere Lesungen mit Bild und Konfidenz anzeigt.

Was die Genauigkeit beeinflusst

• Kameraposition und Beleuchtung – mit Abstand der größte Faktor.
• Zustand der Kennzeichen: Schmutz, Beschädigungen, Aufkleber und Sonderschriften.
• Wetter: Regen, Schnee und tief stehende Sonne.
• Geschwindigkeit: Schrankenspuren sind einfach; Free-Flow-Spuren bei Tempo brauchen bessere Kameras.
• Lokale Kennzeichenformate: Ein nur auf ein Land trainiertes Modell tut sich mit anderen schwer.

Die realistische Genauigkeit an einer gut installierten Schrankenspur ist hoch, aber nie perfekt. Gestalten Sie den Prozess für die Ausnahmen: eine Rückfallebene für nicht gelesene Kennzeichen (Gegensprechanlage oder Ticket) und Konfidenzschwellen, die unsichere Lesungen an einen Menschen geben. Kennzahlen zur Genauigkeit aus unserem Einsatz erheben wir derzeit, um sie zu veröffentlichen.

Edge oder Cloud?

Die Erkennung kann vor Ort oder in der Cloud laufen. Vor Ort (Edge) bedeutet geringere Latenz, kein Video-Upload und Weiterbetrieb bei Internetausfall; nur Ereignisse verlassen den Standort. Cloud-Verarbeitung vereinfacht den Betrieb vieler Standorte, erfordert aber das Hochladen von Bildern. Für die Schrankensteuerung empfehlen wir Edge, für Auswertungen über viele Standorte eine Kombination.

Datenschutz in Deutschland

Kennzeichen sind personenbezogene Daten im Sinne der DSGVO, weil sie einem Halter zugeordnet werden können. Das macht ALPR nicht unmöglich, verlangt aber Sorgfalt:

• Zweckbindung: Legen Sie den Zweck fest (Zufahrtskontrolle, Sicherheit) und nutzen Sie die Daten nur dafür.
• Rechtsgrundlage: für die Zufahrtskontrolle auf eigenem Gelände typischerweise das berechtigte Interesse (Art. 6 Abs. 1 lit. f DSGVO); dokumentieren Sie die Interessenabwägung.
• Transparenz: Hinweisschilder an der Einfahrt zu Kameraeinsatz und Kennzeichenerkennung, mit Verweis auf die vollständigen Datenschutzinformationen.
• Datenminimierung und Löschfristen: Kennzeichen berechtigter Fahrzeuge nur so lange speichern wie nötig und Bilder normaler Einfahrten schnell löschen. Automatische Lifecycle-Regeln im Speicher helfen dabei.
• Zugriffsschutz: Nur berechtigte Personen dürfen Bilder und Protokolle einsehen.
• Betriebsrat: Werden Fahrzeuge von Mitarbeitenden erfasst, binden Sie den Betriebsrat ein.
• DSFA: Bei größeren Installationen ist häufig eine Datenschutz-Folgenabschätzung erforderlich.

Datenschutz von Anfang an in die Architektur einzubauen – etwa durch Verarbeitung am Edge und Speicherung nur von Ereignissen –, ist weit einfacher, als ihn später nachzurüsten.

Typische Anwendungsfälle

• Mitarbeiterparkplätze mit Berechtigungen und Gästeausweisen
• Logistikhöfe mit Zeitfenstern für Lkw
• Hotels und Wohnanlagen mit Gästeparkplätzen
• Ticketlose Parkhäuser mit kennzeichenbasierter Bezahlung
• Sicherheitsüberwachung von Sperrzonen

Häufige Fragen

Brauchen wir spezielle ALPR-Kameras?

Nicht immer. Für Schrankenspuren reichen oft gute IP-Kameras mit ausreichender Auflösung, kurzer Belichtungszeit und Infrarotbeleuchtung. Für schnelle Free-Flow-Spuren oder große Entfernungen lohnen sich spezialisierte ANPR-Kameras.

Funktioniert ALPR auch mit ausländischen Kennzeichen?

Ja, wenn Modelle und Formatregeln sie abdecken. In Grenznähe oder an Flughäfen sollten Sie Kennzeichen aus mehreren Ländern einplanen und mit echten Beispielen testen.

Was passiert, wenn ein Kennzeichen nicht gelesen werden kann?

Das System braucht eine Rückfallebene: Gegensprechanlage, Ticket oder manuelle Prüfung durch Personal. Unsichere Lesungen dürfen nie stillschweigend die Zufahrt verweigern.

Wie lange dürfen wir die Daten speichern?

So kurz wie für den Zweck möglich. Für die Zufahrtskontrolle werden Ereignisse berechtigter Fahrzeuge oft einige Tage oder Wochen aufbewahrt, Bilder normaler Einfahrten lassen sich deutlich früher löschen. Legen Sie die Fristen mit Ihrem DSB fest und setzen Sie sie automatisch durch.

Checkliste für ein ALPR-Projekt

1. Zweck und abzudeckende Spuren festlegen.
2. Kamerapositionen, Winkel, Abstände und Beleuchtung an jeder Spur prüfen.
3. Verarbeitung am Edge oder in der Cloud festlegen und die Anbindung an die Schranken klären.
4. Berechtigungsdaten vorbereiten: Wer pflegt sie, und wie erhalten Gäste Zufahrt?
5. Löschfristen, Beschilderung und Zugriffsrechte mit DSB und Betriebsrat abstimmen.
6. Pilot an einer Spur über mehrere Wochen betreiben, inklusive Nacht und schlechtem Wetter.
7. Unsichere Lesungen auswerten und Schwellenwerte vor dem Rollout anpassen.
8. Verantwortlichkeiten für den laufenden Betrieb festlegen: Wer reagiert auf Alarme, wer pflegt die Kameras, wer prüft regelmäßig die Löschung?

Fazit

ALPR verbindet ein Erkennungsmodell, OCR, sorgfältige Nachbearbeitung und eine solide Dienstschicht. Der KI-Teil ist gut verstanden; über den Erfolg entscheiden Kameraposition, der Umgang mit Ausnahmen und Datenschutz durch Technikgestaltung. Wenn Sie Kennzeichenerkennung für Ihren Standort erwägen, teilen wir gern unsere Erfahrungen und prüfen die Machbarkeit in einem kurzen KI-Sprint.

Sprechen Sie mit uns über Computer Vision