中卫全自动升降柱定制

　　车牌跟踪模块记录下车辆行驶过程中每一帧中该车车牌的位置以及外观、识别结果、可信度等各种历史信息。由于车牌跟踪模块采用了具有一定容错能力的运动模型和更新模型，使得那些被短时间遮挡或瞬间模糊的车牌仍能被正确地跟踪和预测，只输出一个识别结果。车牌识别系统的关键技术及算法车牌定位是车牌识别系统的基础，其定位的准确与否直接影响到车牌的字符分割和识别效果，是影响整个车牌识别系统识别率的主要因素。车牌定位，即运用数字图像处理、模式识别、人工智能等技术对采集到的汽车图像进行处理，从而准确地获得图像中的车牌区域，其输入是原始的汽车图像，输出是车牌图像。在现实车牌识别系统中，由于光照不均匀、背景的复杂性等原因，造成准确定位出车牌的难度较大。目前，根据车牌的特征，常见的车牌定位方法有基于车牌颜特征信息的定位法、基于车牌区域频谱特征的定位法、基于分类器的车牌定位法、基于车牌边缘特征的车牌定位法等，这些方法各有所长。值得注意的是，车牌定位算法的分类并不是唯一的，区别算法类别的标准并不十分明确。车牌定位算法的方法多种多样、各有所长，但存在着计算量大或者定位准确率不高等问题。

　　汽车牌照自动识别技术

　　它是利用车辆的动态视频或静态图像进行牌照号码、牌照颜色自动识别的模式识别技术。通过对图像的采集和处理，完成车牌自动识别功能，能从一幅图像中自动提取车牌图像，自动分割字符，进而对字符进行识别。其硬件基础一般包括触发设备(监测车辆是否进入视野)、摄像设备、照明设备、图像采集设备、识别车牌号码的处理机(如计算机)等。

　　在车牌的字符分割中，有许多因素会对车牌的字符分割造成影响，例如图像的噪声、车牌的定位不、字符的粘连、汉字的不连通等。本文介绍一种改进的水平投影算法，该算法能够克服这些因素造成的不良影响，并且能够准确的分割出车牌，为后续的识别做好准备。为了分割出相互独立的字符，对经过Otsu算法阈值化的灰度图进行分割。以下以改进的水平投影算法为例进行介绍:去除车牌字符的上下边界以外的区域。对灰度化的车牌图像从下向上逐行扫描，并统计出每行的像素值为 255 的像素的个数，当像素值为 255 的像素个数大于 7时（车牌有 7 个字符），认为寻找到车牌字符的下边界。同理，从上向下逐行扫描，能够寻找到车牌字符的上边界。去除车牌字符上下边界以外的区域。去除车牌字符上下边界之后，设车牌的高度为 height，宽度为 width。

　　决策树模型的特点:与其他分类算法相比，决策树模型有以下优点:可理解性强、速度快。一般决策树模型缺点是:缺乏伸缩性:由于进行深度优先搜索，所以算法受内存大小限制，难于处理大训练集。为了处理大数据集或连续量的种种改进算法（离散化、取样）  不仅增加了分类算法的额外开销，而且降低了分类的准确性，对连续性的字段比较难预测，当类别太多时，错误可能就会增加的比较快，对有时间顺序的数据，需要很多预处理的工作。在有噪声的情况下，拟合将导致过分拟合（overfitting），即对训练数据的拟合反而不具有很好的预测性能。