利用给定的车牌图像库中（在指定的文件夹之中），任意选择其中的多副车牌图像，对其中包含的数字（0～9）或英文字符（A～F）进行手工提取，由于提取以后的图像大小可能不一致，为了便于特征提取，可以对各个图形进行归一化处理（例如：归一化为10×20大小）。
字符分为训练（每个字符至少有5个训练样本）和测试（每种字符可以选择10个加以测试）两大类。通过建立一个三层BP神经网络进行训练，网络的各个参数自己设定。训练完毕，对样本进行测试，并计算测试的准确率。
四、实验结果和分析
1、软件的调试结果（包括调试出的内容和实验的波形、数据、程序出现的现象或界面等）
2、结果分析（程序结果与实验要求之间的差别和原因分析）
包含车牌号的汽车图片。
通过程序运行提取的车牌区域
神经网络训练二次均方差的收敛情况和学习率变化曲线
神经网络训练时，其学习率和二次方差变化为
TRAINBPX: 0/5000 epochs, lr = 0.1, SSE = 68.1032.
TRAINBPX: 50/5000 epochs, lr = 1.14674, SSE = 10.093.
TRAINBPX: 100/5000 epochs, lr = 0.321983, SSE = 0.821155.
TRAINBPX: 150/5000 epochs, lr = 3.69231, SSE = 0.314939.
TRAINBPX: 200/5000 epochs, lr = 42.3412, SSE = 0.0345176.
TRAINBPX: 225/5000 epochs, lr = 143.382, SSE = 0.00973975.
从最终输出的a值可以看出，模式识别还是有一定的误差，但是都比较小。这主要是因为本来在程序设计中就有误差率，所以最后的结果难免有偏差。
五、源程序清单
1：车牌号提取
% license plate recognition - car plate location based on color model
% modified by KouLiangzhi, Oct 10th,2007
I=imread('Car.jpg');
[y,x,z]=size(I);
myI=double(I);
%%%%%%%%%%% 统计分析 %%%%%%%%%%%%%%%
%%%%%%%% Y 方向 %%%%%%%%%%
Blue_y=zeros(y,1);
for i=1:y
for j=1:x
if((myI(i,j,1)<=121)&&myI(i,j,1)>=110&&((myI(i,j,2)<=155)&&(myI(i,j,2)>=141))&&((myI(i,j,3)<=240)&&(myI(i,j,3)>=210)))
% 蓝色RGB的灰度范围
Blue_y(i,1)= Blue_y(i,1)+1; % 蓝色象素点统计
end
end
end
[temp MaxY]=max(Blue_y); % Y方向车牌区域确定
PY1=MaxY;
while ((Blue_y(PY1,1)>=5)&&(PY1>1))
PY1=PY1-1;
end
PY2=MaxY;
while ((Blue_y(PY2,1)>=5)&&(PY2<y))
PY2=PY2+1;
end
IY=I(PY1:PY2,:,:);
%%%%%%%% X 方向 %%%%%%%%%%
Blue_x=zeros(1,x); % 进一步确定X方向的车牌区域
for j=1:x
for i=PY1:PY2
if((myI(i,j,1)<=121)&&myI(i,j,1)>=110&&((myI(i,j,2)<=155)&&(myI(i,j,2)>=141))&&((myI(i,j,3)<=240)&&(myI(i,j,3)>=210)))
Blue_x(1,j)= Blue_x(1,j)+1;
end
end
end
PX1=1;
while ((Blue_x(1,PX1)<3)&&(PX1<x))
PX1=PX1+1;
end
PX2=x;
while ((Blue_x(1,PX2)<3)&&(PX2>PX1))
PX2=PX2-1;
end
PX1=PX1+17;
PX2=PX2-1;
PY1=PY1+5;
PY2=PY2-2; % 对车牌区域的修正
Plate=I(PY1:PY2,PX1:PX2,:);
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
figure,imshow(Plate);
m=PX2-PX1;
n=PY2-PY1;
S=ones(n,m);
for j=1:m
for i=1:n
if((Plate(i,j,1)<=121)&&Plate(i,j,1)>=110&&((Plate(i,j,2)<=155)&&(Plate(i,j,2)>=141))&&((Plate(i,j,3)<=240)&&(Plate(i,j,3)>=210)))
S(i,j)=0;
end
end
end
2：神经网络训练
%【步骤一、样本输入】
nntwarn off;
A=[0 0 1 0 0 0 1 0 1 0 0 1 0 1 0 1 0 0 0 1 1 1 1 1 1 1 0 0 0 1 1 0 0 0 1]';
B=[1 1 1 1 0 1 0 0 0 1 1 0 0 0 1 1 1 1 1 0 1 0 0 0 1 1 0 0 0 1 1 1 1 1 0]';
C=[0 1 1 1 0 1 0 0 0 1 1 0 0 0 0 1 0 0 0 0 1 0 0 0 0 1 0 0 0 1 0 1 1 1 0]';
D=[1 1 1 1 0 1 0 0 0 1 1 0 0 0 1 1 0 0 0 1 1 0 0 0 1 1 0 0 0 1 1 1 1 1 0]';
E=[1 1 1 1 1 1 0 0 0 0 1 0 0 0 0 1 1 1 1 0 1 0 0 0 0 1 0 0 0 0 1 1 1 1 1]';
F=[1 1 1 1 1 1 0 0 0 0 1 0 0 0 0 1 1 1 1 0 1 0 0 0 0 1 0 0 0 0 1 0 0 0 0]';
zer=[1 1 1 1 1 1 0 0 0 1 1 0 0 0 1 1 0 0 0 1 1 0 0 0 1 1 0 0 0 1 1 1 1 1 1]';
one=[0 0 1 0 0 0 0 1 0 0 0 0 1 0 0 0 0 1 0 0 0 0 1 0 0 0 0 1 0 0 0 0 1 0 0]';
two=[1 1 1 1 1 0 0 0 0 1 0 0 0 1 0 0 0 1 0 0 0 1 0 0 0 1 0 0 0 0 1 1 1 1 1]';
thr=[1 1 1 1 1 0 0 0 0 1 0 0 0 0 1 1 1 1 1 1 0 0 0 0 1 0 0 0 0 1 1 1 1 1 1]';
fou=[1 0 1 0 0 1 0 1 0 0 1 0 1 0 0 1 1 1 1 1 0 0 1 0 0 0 0 1 0 0 0 0 1 0 0]';
fiv=[1 1 1 1 1 1 0 0 0 0 1 0 0 0 0 1 1 1 1 1 0 0 0 0 1 0 0 0 0 1 1 1 1 1 1]';
six=[1 1 1 1 1 1 0 0 0 0 1 0 0 0 0 1 1 1 1 1 1 0 0 0 1 1 0 0 0 1 1 1 1 1 1]';
sev=[1 1 1 1 1 0 0 0 0 1 0 0 0 0 1 0 0 0 0 1 0 0 0 0 1 0 0 0 0 1 0 0 0 0 1]';
eig=[1 1 1 1 1 1 0 0 0 1 1 0 0 0 1 1 1 1 1 1 1 0 0 0 1 1 0 0 0 1 1 1 1 1 1]';
nin=[1 1 1 1 1 1 0 0 0 1 1 0 0 0 1 1 1 1 1 1 0 0 0 0 1 0 0 0 0 1 1 1 1 1 1]';
% 则对训练样本的矩阵初始化如下：
alphabet=[A,B,C,D,E,F,zer,one,two,thr,fou,fiv,six,sev,eig,nin];
p=alphabet;
targets=eye(16,16);
t=targets;
%------------样本的输出值，即输出目标矢量，希望在每一种模式输入时，在输出的位置上输出为1，其他的位置应该为0。若共有模式为16种
%------------每种模式的样本训练为1个，则输出矢量可以简单表示为： targets＝eye(16,16)
%----------------确定网络的输入、隐层和输出层
[r,q]=size(p); %输入
[s2,q]=size(t); %输出
s1=13; %隐层神经元的数目，可以根据实际需要选择，一般其数目不能超过训练样本的个数。
%-----------------确定网络训练的初值
[w1,b1]=nwlog(s1,r);
[w2,b2]=rands(s2,s1);
% 【步骤二、设置网络参数并训练】
%----------------确定网络训练的参数
disp_freq=50; %网络训练的显示频率
max_epoch=5000; %最大训练次数
err_goal=0.01; %训练的误差
lr=0.1; %学习率大小
lr_inc=1.05; %增量
lr_dec=0.5; %减量
momentum=0.75; %动量因子
err_ratio=1.05; %误差率
%-------------训练开始
tp=[disp_freq max_epoch err_goal lr lr_inc lr_dec momentum err_ratio]';
[w1,b1,w2,b2,epochs,TR]=trainbpx(w1,b1,'logsig',w2,b2,'logsig',p,t,tp);
save digit.mat w1 b1 w2 b2; %--------存储权值，以方便测试
%【步骤三、测试】
%---------------测试，输入的测试样本为p
load digit_noise.mat
layer1=logsig(w1*p,b1);
a=logsig(w2*layer1,b2);
%-----------------根据a中的最大值可以判断属于何种故障模式
