Kennzeichenerkennung & Parkraumbewirtschaftung

Parkhäuser, Firmengelände, Hotels und Kommunen müssen wissen, welches Fahrzeug hereingekommen ist, wann es wieder gefahren ist und ob es berechtigt ist. Die automatische Kennzeichenerkennung (ANPR/LPR) liest das Kennzeichen aus einem Kamerabild und ersetzt Tickets, Schranken, Bargeld und manuelle Streifengänge durch einen kennzeichenbasierten Vorgang. Richtig umgesetzt senkt sie Warteschlangen und Betriebskosten; in der EU gilt das Kennzeichen als personenbezogenes Datum, daher gehören Zweckbindung, Beschilderung und kurze Aufbewahrung zum Entwurf und sind kein nachträglicher Gedanke.

Problem & Nutzen

• Heute: Papiertickets, RFID-Karten, Schranken- und Kassenautomaten oder Streifenpersonal, das Kennzeichen notiert. Verlorene Tickets, Betrug, Warteschlangen zu Stoßzeiten und manuelle Berechtigungsprüfungen sind die Schmerzpunkte.
• KI-Nutzen: kennzeichenbasierte ticketlose Ein-/Ausfahrt, Bezahlen per Kennzeichen und per App, automatischer Whitelist-Zugang für Beschäftigte, Anwohner und Lieferflotten, Erkennung überschrittener Parkdauer, Belegungszahlen und Abgleich der Zahlungen mit den Vorgängen für die Durchsetzung.
• Warum KI: Moderne Detektoren plus OCR lesen Kennzeichen bei Regen, bei Nacht und in Winkeln, in denen klassische regelbasierte OCR scheiterte; Kennzeichenformate vieler Länder und nicht standardisierte Schriftarten bewältigen trainierte Modelle statt handgeschriebener Regeln.
• Nutzenzahlen: Anbieter nennen hohe Leseraten an gut installierten Spuren, doch die Ergebnisse hängen von Kameraposition, Beleuchtung und Kennzeichenqualität ab. Messen Sie an Ihren eigenen Spuren, bevor Sie sich auf ein „berührungsloses“ Ziel festlegen [1][2].

Varianten

• Parkhaus / Garage mit Schranke: Ein- und Ausfahrtsspuren, Schrankensteuerung, Bezahlung bei der Ausfahrt.
• Ticketloser offener Parkplatz oder Straßenparken: Kameras an Ein- und Ausfahrten, Bezahlen per Kennzeichen am Automaten oder per App.
• Zufahrt für Firmen / Wohnanlagen: Whitelist mit Kennzeichen von Beschäftigten, Mieterinnen und Mietern sowie Besuchern, Voranmeldung von Besuchern.
• Parkraumüberwachung (öffentlich): Handgeräte oder fahrzeugmontierte Kameras prüfen Berechtigungen und bezahlte Parkvorgänge; ein Mensch stellt den Bescheid aus. Die Rechtsgrundlage ist national und unterscheidet sich für Behörden und private Betreiber.
• Flotten, Logistikhöfe, Tankstellen, E-Ladestationen: Anmeldung am Tor, Verweildauer, Abgleich von Tankzahlungen, Reservierung von Ladepunkten.
• Private Nutzung: Toröffner an Haus oder Einfahrt mit lokaler Kamera und Erlaubnisliste, lokal verarbeitet.
• Hier nicht behandelt: Verkehrsflussanalyse im Straßennetz (VIS-012), Geschwindigkeits-/Verstoßüberwachung (VIS-054).

So funktioniert es

1. Kamera (IR / Global Shutter, Auslösung durch Schleife oder Bewegung)
2. Kennzeichenerkennung (Objektdetektor)
3. Zuschneiden, entzerren, verbessern
4. Zeichenerkennung (OCR / Sequenzmodell) + Klassifikation von Land/Format
5. Nachbearbeitung (Formatregeln, Abstimmung über mehrere Bilder, verwechselbare Zeichen O/0, B/8)
6. Entscheidung (Whitelist / Buchung / Tarifabfrage)
7. Schranke, Anzeige, Bezahlung, Alarm
8. Aufbewahrungs- und Löschjob; Prüfprotokoll

• Erkennung und OCR: Ein Detektor der YOLO-Klasse lokalisiert das Kennzeichen; ein kompaktes Erkennungsnetz liest die Zeichen. Die Abstimmung über mehrere Bilder entlang der Fahrzeugspur erhöht die Genauigkeit.
• Edge-Auswertung: Der Spurcontroller oder die Kamera erledigt die Arbeit vor Ort (Jetson, Hailo, Kamera-SoC); nur Kennzeichentext und Ereignis-Metadaten gehen an das Backend, was die Datenminimierung unterstützt.
• Mensch-in-der-Schleife (Human-in-the-Loop): Lesungen mit geringer Konfidenz gehen in eine Prüfwarteschlange oder auf einen manuellen Gegensprech-/Ticket- Rückfall; Bescheide werden stets von einer Person geprüft und ausgestellt; es gibt einen dokumentierten Widerspruchsweg.
• Abgleich von Marke/Modell/Farbe kann eine Plausibilitätsprüfung ergänzen (Kennzeichentausch oder geklonte Kennzeichen), meist als optionales zweites Signal.

Datenaufbereitung

ANPR braucht Kamerabilder an Spuren oder Toren sowie die dahinterliegenden Listen: Whitelists, Berechtigte, Buchungen, Reservierungen und Tarife. Diese liegen typischerweise im Park- oder Zutrittssystem, in Excel-Dateien beim Facility Manager, im Buchungs- oder Hotelsystem, im ERP für Mitarbeiterparkausweise und in Papierordnern mit Berechtigungen. Typische Lücken sind Kennzeichen mit Tippfehlern, mehrere Kennzeichen je Kunde, veraltete Berechtigungen, doppelte Datensätze, fehlende Gültigkeitsdaten und unklare Einwilligung zur Speicherung von Kennzeichen.

Schritte der Aufbereitung: Die Berechtigungsliste in eine Tabelle aus Kennzeichen, Inhaber, Gültigkeit und Berechtigung bereinigen (PREP-011); Kennzeichenformate vereinheitlichen (Leerzeichen, Umlaute, Länderkennungen); abgelaufene Einträge entfernen; Aufbewahrungsfristen und Löschregeln an der Rechtsgrundlage ausrichten (PREP-025); für Analysen genutzte Exporte pseudonymisieren (PREP-022). Mit 200 bis 500 echten Bildern bei Tag, Nacht und Regen testen (PREP-018) und Kamerawinkel, Verschlusszeit und Beleuchtung prüfen.

Grober Aufwandsanteil: gering, etwa 15 bis 25 Prozent, überwiegend Listenbereinigung und Kameraeinrichtung. Die laufende Pflege von Berechtigungen und Buchungen wiegt schwerer als Modelldaten.

Umsetzungswege

Welcher Weg für wen

• KMU: Weg A, weil es ausgereifte ANPR-Parksysteme mit Zahlungs- und Schrankenanbindung zu KMU-Preisen gibt und der Prozess Standard ist.
• Großunternehmen: Weg B, weil große Betreiber Kennzeichenlesungen über viele Standorte mit ihren eigenen Buchungs-, Berechtigungs-, Tarif- und Zahlungssystemen verbinden müssen.
• Entwickler: Weg C, weil offene Kennzeichendetektoren und OCR auf HW1-Edge-Geräten laufen und eigene Integrationen erlauben.
• Öffentliche Hand: Weg C, weil Kommunen Datensouveränität, strenge Kontrolle der Aufbewahrung und die Einhaltung der Vergaberegeln brauchen; zertifizierte Produkte (Weg A) nur, wo verfügbar.

Weg A — Kaufen (Standardsoftware) (für die meisten KMU empfohlen)

• Parkraummanagement-Suiten mit LPR: Skidata, Scheidt & Bachmann, Designa und Parkl (Anbieter aus der EU), Amano McGann, Flowbird sowie Kapsch TrafficCom (EU) für Maut und städtische Nutzung. Viele Betreiber nutzen zudem Cloud-Dienste zum Bezahlen per Kennzeichen (z. B. Parkopedia-ähnliche und kommunale Apps).
• Kamera- und LPR-Spezialisten: Adaptive Recognition (Ungarn, EU), Vaxtor (Spanien, EU), Plate Recognizer (bietet SDK und Cloud), Genetec AutoVu, ANPR-Kameras/-Analytik von Hikvision und Axis.
• Prüfen: EU-Hosting oder On-Premises-Verarbeitung, Unterstützung der Kennzeichen Ihrer Länder, konfigurierbare Aufbewahrung, Zugriffsprotokollierung, DSFA-Vorlage, offene API für vorhandene Schranken- und Zahlungssysteme.
• A wählen, wenn: ein Standardstandort mit Schranke oder ohne Ticket, kein individueller Ablauf; Anbieter liefern in der Regel Kameras, Installation und Service.

Weg B — Auf Cloud-KI-Diensten aufbauen

• Plate Recognizer Snapshot / Stream (Cloud oder On-Premises-Docker), Azure AI Vision / Google Vision OCR für eine Ersatzlesung oder ein führendes VLM (Claude, Gemini, GPT, Mistral) für schwierige Ausschnitte.
• Den Detektor vor Ort betreiben; nur zugeschnittene, niedrig aufgelöste Kennzeichenausschnitte an eine Cloud-API in einer EU-Region senden.
• Orchestrierung: MQTT oder Webhooks zu Schrankensteuerungen, Zahlungsdienstleistern (Stripe, Adyen, Mollie) und Buchungssystemen.
• B wählen, wenn: Sie sich an eine bestehende Immobilien- oder Buchungsplattform anbinden und schnell iterieren wollen.
• Einschränkung: Ein VLM ist je Lesung langsamer und teurer als ein spezialisiertes Modell; nur als Rückfall nutzen.

Weg C — Selbst betreiben (Open Source)

• Modelle/Werkzeuge: Ultralytics YOLO (AGPL-3.0 oder kommerzielle Lizenz, Bedingungen prüfen), fast-alpr mit open-image-models und fast-plate-ocr, PaddleOCR, EasyOCR; der Legacy-Code von OpenALPR wird nicht mehr gepflegt.
• Laufzeit: ONNX Runtime oder TensorRT auf Jetson Orin / Hailo-8 / Coral; RTSP-Einlesung mit GStreamer oder NVR im Stil von Frigate/Viseron für den Heimgebrauch.
• Hardware: HW1 bewältigt mehrere Spuren je Edge-Box; HW2, wenn Sie zentral zusätzlich einen VLM-Rückfall betreiben.
• Betriebsaufwand: Kamerapositionierung und Beleuchtung dominieren; planen Sie die Feinabstimmung vor Ort je Spur ein.

Weg D — Eigenes Training

Lohnt sich bei ungewöhnlichen Kennzeichenformaten (z. B. Golfstaaten, Motorrad, Kurzzeit- oder Oldtimerkennzeichen), extremen Kamera- winkeln oder sehr hohen Volumina. Benötigt einige tausend beschriftete Kennzeichenausschnitte je Format aus Ihren eigenen Spuren, einschließlich Nacht, Regen, Schmutz und Blendung. Korrekturen der Prüfenden aus der Ausnahmewarteschlange sind die natürlichen Trainingsdaten. Öffentliche Datensätze gibt es, sie passen aber selten zu den Bedingungen an Ihrem Standort.

Stand der Technik (2026)

• Zweistufige Pipelines (erkennen, dann lesen) bleiben der Produktionsstandard; Ende-zu-Ende- Erkennungs-Transformer und kompakte OCR-Modelle laufen in Echtzeit auf Edge-Hardware.
• VLMs dienen als Rückfall für verschlechterte Ausschnitte und für Marke/Modell-Prüfungen; Forschung zeigt, dass sie Aufgaben der Fahrzeugüberwachung unterstützen können, bei Latenz und Kosten ersetzen sie abgestimmte LPR aber noch nicht [3].
• Fehlerbilder: Schmutz, Blendung, schräge oder verdeckte Kennzeichen, ähnliche Zeichen, nicht standardisierte Schriften und Rahmen, geklonte Kennzeichen, Kennzeichen mit abweichenden Konventionen anderer Länder, Bewegungsunschärfe bei hoher Geschwindigkeit. Kennzeichenerkennung sagt Ihnen, welches Kennzeichen gesehen wurde, nicht, wer fährt: Die Halterabfrage ist ein eigener, rechtlich geregelter Schritt.
• Genauigkeitsangaben der Anbieter beziehen sich auf ideale Bedingungen; testen Sie mit eigenem Material und berichten Sie Leseraten je Spur und Fehlfreigaben an der Schranke.
• Trend: Bezahlen per Kennzeichen, berechtigungsloses virtuelles Parken, Anbindung von Ladesäulen und „Free-Flow“-Parkhäuser.

Gemeinsame Bausteine & Kombinationen

• Gleicher Stack (object-detection + OCR + edge-runtime): VIS-018 industrielle OCR, VIS-012 Verkehrsanalyse, VIS-008 Personenzählung, VIS-010 Standortsicherheit teilen sich Edge-Boxen, RTSP-Einlesung und den NVR.
• Datenschutzebene: VIS-030 Anonymisierung für gespeichertes Material und für die Weitergabe von Clips.
• Angrenzend, aber anderes Rechtsregime: VIS-054 Überwachungskameras zur Durchsetzung; VIS-016 gesichtsbasierte Zutrittskontrolle (sensibler; siehe die Hinweise zu Art. 5 in jener Datei).
• Eine Edge-GPU-Box kann Kennzeichenlesung und Belegungszählung für dasselbe Parkhaus bedienen.

Aufwand, Kosten & Kennzahlen

• Weg A: Wochen; Hardware, Installation und Gebühren je Spur oder je Transaktion dominieren.
• Weg B: 1–3 Monate; Cloud-Aufrufe fallen gegenüber Kamerahardware und Installation kaum ins Gewicht.
• Weg C: 2–4 Monate für eine robuste Lösung mit mehreren Spuren; Wartung von Beleuchtung, Reinigung und Kalibrierung.
• Kennzahlen: Leserate und Rate korrekter Lesungen je Spur (Tag/Nacht/Wetter), Rate falscher Öffnungen an der Schranke, manuelle Eingriffe je 1.000 Vorgänge, Zahlungsabgleichquote, Wartezeit, Widerspruchs- und Stornoquote bei Bescheiden, Einhaltung von Aufbewahrung und Löschung (100 % fristgerecht).

Menschen & Veränderung

Binden Sie die Geschäftsleitung für den Business Case ein, die Facility- bzw. Parkraumleitung als Prozessverantwortliche und die IT für die Anbindung von Schranke, Zahlung und Buchung. Die Datenschutzbeauftragte bzw. der Datenschutzbeauftragte wird früh gebraucht: Kennzeichen sind personenbezogene Daten, und Rechtsgrundlage, Beschilderung und Aufbewahrung müssen vor dem Start geklärt sein. Recht oder Compliance prüft Vertragsbedingungen, Parkgebühren und Haftung. Kundschaft sollte durch klare Schilder und einen Datenschutzhinweis informiert werden; Lieferanten (Systemintegrator, Zahlungsdienstleister) brauchen einen AVV.

Betriebsrat: kommt darauf an. Sind Mitarbeiterparkplätze oder Berechtigungen von Beschäftigten betroffen oder zeigen Protokolle Ankunftszeiten, kann das System zur Verhaltensüberwachung geeignet sein und § 87 Abs. 1 Nr. 6 BetrVG gilt; reines Kundenparken berührt ihn nicht. Unterrichten Sie den Betriebsrat rechtzeitig nach § 90 Abs. 1 Nr. 3, wenn sich Arbeitsabläufe ändern. Datenschutzbeauftragte(r): Eine DSFA ist bei großflächiger oder öffentlicher Nutzung wahrscheinlich (GUIDE-004, GUIDE-005).

KI-Kompetenz: Unterstützen Sie das Personal, das Ausnahmen bearbeitet, mit Schulungen zu Fehllesungen und manueller Übersteuerung (GUIDE-006). Pilotieren Sie an einem Parkhaus (GUIDE-009). Typische Sorgen sind Bewegungsverfolgung und falsche Bußgelder; begegnen Sie ihnen mit kurzer Aufbewahrung, ohne Profilbildung und mit einer menschlichen Prüfung, bevor eine Strafe ausgestellt wird (GUIDE-008).

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): minimales Risiko bei gewöhnlicher Parkraum- und Zutrittskontrolle. Beachten Sie: Das Verbot nach Art. 5 der biometrischen Echtzeit-Fernidentifizierung für die Strafverfolgung gilt für Kennzeichen nicht (sie sind keine biometrischen Daten), doch die Kombination von Kennzeichen mit Gesichtserkennung oder die Verfolgung von Personen über Standorte hinweg kann die rechtliche Bewertung verschieben. Die Nutzung durch Behörden zur Strafverfolgung ist gesondert geregelt; prüfen Sie das nationale Polizeirecht. KI-Kompetenz (Art. 4) gilt [4].
• DSGVO: Kennzeichen sind personenbezogene Daten, wenn der Betreiber sie nach vernünftigem Ermessen einem Halter oder einer Fahrerin bzw. einem Fahrer zuordnen kann (Identifizierbarkeit im Sinne des EuGH-Urteils Breyer, C-582/14). Sie brauchen eine Rechtsgrundlage (typischerweise berechtigtes Interesse, Art. 6 Abs. 1 lit. f, bei privaten Betreibern; rechtliche Pflicht oder öffentliche Aufgabe bei Behörden), Zweckbindung, klare Beschilderung und Information, Datenminimierung, kurze Aufbewahrung (nicht passende Lesungen rasch löschen), Zugriffskontrolle und Protokollierung, Auftragsverarbeitungsverträge und in der Regel eine DSFA [5][6].
• Aufbewahrung: Speichern Sie nur, was für Abrechnung oder Durchsetzung nötig ist; deutsche Aufsichtsbehörden sehen kurze Löschfristen bei Video als Regel. Prüfen Sie die aktuelle Orientierungshilfe Ihrer Aufsichtsbehörde.
• Halterauskünfte: Die Abfrage von Halterdaten aus Fahrzeugregistern ist national geregelt; Forderungen von Vertragsstrafen durch private Betreiber waren in mehreren Mitgliedstaaten Gegenstand von Gerichtsurteilen.
• Missbrauch: Verwenden Sie Parkdaten nicht für Verfolgung oder Marketing; keine standortübergreifenden Fahndungslisten ohne Rechtsgrundlage.
• Sicherheit: Kameranetze und Kennzeichendatenbanken sind attraktive Ziele; Netze segmentieren, Patches einspielen, verschlüsseln.
• Gegenmaßnahmen: Verarbeitung am Edge, wo möglich Speicherung gehashter Kennzeichen, strikte rollenbasierte Zugriffe, regelmäßige Löschprüfungen, menschliche Prüfung jeder Sanktion.

Erste Schritte

1. Legen Sie Zweck, Rechtsgrundlage und Aufbewahrung in einer kurzen DSFA fest, bevor Sie Kameras kaufen.
2. Begehen Sie den Standort: Spurgeometrie, Beleuchtung, Kennzeichenhöhen, Fahrzeuggeschwindigkeit, Herkunftsländer.
3. Pilotieren Sie mit einer Spur (Weg A oder fast-alpr auf einem Jetson) und protokollieren Sie zwei Wochen lang jede Lesung gegen die Realität, auch bei Nacht und Regen.
4. Binden Sie Schranke, Zahlung und Whitelist an; definieren Sie den manuellen Rückfall (Gegensprechanlage, Ticket).
5. Richten Sie Beschilderung, Löschjobs und Zugriffsprotokolle ein; prüfen Sie die Kennzahlen monatlich.

Quellen

1. Adaptive Recognition — How to make sure your traffic solution is GDPR-ready — https://adaptiverecognition.com/blog/traffic-transportation/how-to-make-sure-that-your-traffic-solution-is-gdpr-ready/
2. Plate Recognizer — GDPR for ANPR — https://platerecognizer.com/gdpr-compliance-for-anpr/
3. Video-based Vehicle Surveillance in the Wild: License Plate, Make, and Model Recognition with Self Reflective Vision-Language Models (arXiv 2508.01387) — https://arxiv.org/pdf/2508.01387
4. Regulation (EU) 2024/1689 (AI Act) — https://eur-lex.europa.eu/eli/reg/2024/1689/oj
5. EDPB — Guidelines 3/2019 on processing of personal data through video devices — https://www.edpb.europa.eu/our-work-tools/our-documents/guidelines/guidelines-32019-processing-personal-data-through-video_en
6. Regulation (EU) 2016/679 (GDPR) — https://eur-lex.europa.eu/eli/reg/2016/679/oj
7. fast-alpr (open-source ALPR pipeline) — https://github.com/ankandrew/fast-alpr
8. PaddleOCR — https://github.com/PaddlePaddle/PaddleOCR
9. Ultralytics YOLO — https://github.com/ultralytics/ultralytics