金华车行升降柱供应厂家
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。
由于车牌识别设备一般都是安装在室外，且汽车车身不可能是完全整洁的、无污垢的，车牌上也可能存在泥点、污渍等杂质，因此采集到的图像中难免会存在一些噪声点。这些看似不起眼的噪声点或多或少的都会影响到定位的准确率。
Sobel边缘检测算子Sobel算子是根据邻域像素与当前像素的距离有不同的权值，强调中心像素的对边邻域像素对其的影响，而消弱4个对角近邻像素的作用。图像中每一个像素点这两个核做卷积，一个卷积核对图像垂直边缘响应大，而另一个则对水平边缘响应大，取两个卷积之中的大值作为该像素点的输出值。这样使得Sobel算子对噪声有抑制作用，因此不会出现很多孤立的边缘像素点，不过Sobel算子对边缘的定位不是很，图像的边界宽度往往不止一个像素，不适合对边缘定位准确性要求很高的应用。与Prewitt相似，Sobel算子也是通过像素平均来实现的，也有一定的抗噪能力。值得注意的是它们都不是各向同性的，所以它们检测出来的边缘并不是连通的，会有一定程度的断开。
车牌的字符分割就是通过对车牌图像的预处理、几何校正等把字符从车牌图像中分割出来，分成一个个独立的字符，其输入是车牌定位后得到的车牌图像，输出是经过预处理、几何校正等后得到的一组单个的字符图像，并得到各个字符的点阵数据。字符识别是依次从单个字符点阵数据中提取字符特征数据，并给出识别结果。车牌识别系统采用高度模块化的设计，将车牌识别过程的各个环节各自作为一个独立的模块。车辆检测跟踪模块主要对视频流进行分析，判断其中车辆的位置，对图像中的车辆进行跟踪，并在车辆位置佳时刻，记录该车辆的特写图片，由于加入了跟踪模块，系统能够很好地克服各种外界的干扰，使得到更加合理的识别结果，可以检测无牌车辆并输出结果。