Px0=Px1;	%这句话作用是不是把每个字符的列起始位置赋值为上一个字符的结束位置end

4.3 车牌字符识别

字符识别方法主要有基于模板匹配算法和基于人工神经网络算法。基于模板匹配算法是首先将分割后的字符二值化,并将其尺寸缩放为字符数据库中模板的大小，然后与所有模板进行匹配，最后选取最佳匹配作为结果。建立数字库对该方法在车牌识别过程中很重要, 数字库准确才能保证检测出的数据正确。基于人工神经元网络的算法有两种，一种是先对特征提取待识别字符，然后用所获得的特征训练神经网络分配器；另一种是直接将待处理图像输入网络由网络自动实现特征提取直至识别结果。在本程序中用基于人工神经元网络识别车牌字符。在车牌字符识别部分, 字符集中包含约50个汉字, 26个大写英文字母及10个阿拉伯数字。总的字符样本并不太多。

4.3.1 构造训练样本如下图所示的数字和字母，

将样本进行归一化为5020大小，再将图像按列转换成一个10001的行向量，将上述18个图像的样本排列在一起构成100018的矩阵样本，尽可能多的采集汽车图像提取车牌，部分切分出车牌字符，构造出更多100018的矩形样本，用构造好的样本库对神经网络进行训练。

function  inpt  = pretreatment(I)
%YUCHULI Summary of this function goes here
%   Detailed explanation goes here
if isrgb(I)I1 = rgb2gray(I);
elseI1=I;
end
I1=imresize(I1,[50 20]);%将图片统一划为50*20大小.这里不管什么尺寸的矩阵都可以resize为自定义尺                            %寸，就理解为缩放就行，并非有多少像素就必须resize为多少像素
I1=im2bw(I1,0.9);
[m,n]=size(I1);
inpt=zeros(1,m*n);    %把inpt初始化为全为0的行向量
%%%%%%将图像按列转换成一个行向量，以下操作是对行向量inpt进行赋值操作
for j=1:n        %列循环for i=1:m    %行循环inpt(1,m*(j-1)+i)=I1(i,j);        %把 I1的每一列元素依次存入行向量inpt。其中的m*(j-1)+i就是
%把第j列第i行像素赋给行向量inpt的对应索引为m*(j-1)+i处。例如 I1第1列的m个元素存入行向量inpt
%的前m个索引位置，第2列的m个元素存入行向量inpt的第m+1到2m个索引位置end
end

4.3.2 构造输入样本，按同样的方法，将前面分割出的样本归一化。

4.3.3 神经网络进行识别。

close all;
clear all;
%%%%归一化训练样本%%%%%%
I0=pretreatment(imread('0.jpg'));
I1=pretreatment(imread('1.jpg'));
I2=pretreatment(imread('2.jpg'));
I3=pretreatment(imread('3.jpg'));
I4=pretreatment(imread('4.jpg'));
I5=pretreatment(imread('5.jpg'));
I6=pretreatment(imread('6.jpg'));
I7=pretreatment(imread('7.jpg'));
I8=pretreatment(imread('8.jpg'));
I9=pretreatment(imread('9.jpg'));
I10=pretreatment(imread('A.jpg'));
I11=pretreatment(imread('C.jpg'));
I12=pretreatment(imread('G.jpg'));
I13=pretreatment(imread('L.jpg'));
I14=pretreatment(imread('M.jpg'));
I15=pretreatment(imread('R.jpg'));
I16=pretreatment(imread('H.jpg'));
I17=pretreatment(imread('N.jpg'));
P=[I0',I1',I2',I3',I4',I5',I6',I7',I8',I9',I10',I11',I12',I13',I14',I15',I16',I17'];
%输出样本%%%
T=eye(18,18);
%%bp神经网络参数设置
%minmax()求矩阵每一行向量的最大值和最小值 
%函数newff建立一个可训练的前馈网络。这需要4个输入参数。
%第一个参数是一个Rx2的矩阵以定义R个输入向量的最小值和最大值； 
%第二个参数是一个设定每层神经元个数的数组； 
%第三个参数是包含每层用到的传递函数名称的细胞数组； 
%最后一个参数是用到的训练函数的名称。
net=newff(minmax(P),[1000,32,18],{'logsig','logsig','logsig'},'trainrp');
net.inputWeights{1,1}.initFcn ='randnr';
net.layerWeights{2,1}.initFcn ='randnr';
net.trainparam.epochs=5000;
net.trainparam.show=50;
%net.trainparam.lr=0.003;
net.trainparam.goal=0.0000000001;
net=init(net);%初始化权重和偏置的工作用命令init来实现。这个函数接收网络对象并初始化权            %重和偏置后返回网络对象
%%%训练样本%%%%
[net,tr]=train(net,P,T);   %神经网络训练到此结束，返回[net,tr]会在后面用到%%%%%%%测试%%%%%%%%%
%I=imread('DSC01323.jpg');
I=imread('DSC01344.jpg');
dw=location(I);%车牌定位
[PIN0,PIN1,PIN2,PIN3,PIN4,PIN5,PIN6]=StringSplit(dw);%字符分割及处理%%%%%%%%%%%测试字符，得到识别数值%%%%
PIN0=pretreatment(PIN0);
PIN1=pretreatment(PIN1);
PIN2=pretreatment(PIN2);
PIN3=pretreatment(PIN3);
PIN4=pretreatment(PIN4);
PIN5=pretreatment(PIN5);
PIN6=pretreatment(PIN6);
P0=[PIN0',PIN1',PIN2',PIN3',PIN4',PIN5',PIN6'];  %这一句是啥，为啥要加单引号？
for i=2:7   %从2开始是因为车牌第一个是汉字，从第二个开始是字母T0= sim(net ,P0(:,i));%T0为P0(:,i)输入神经网络得到的输出，T0为34x1的列向量T1 = compet (T0) ;  % compet是神经网络的竞争传递函数,用于指出矩阵中每列的最大值。对                %应最大值的行的值为1，其他行的值都为0d =find(T1 == 1) - 1     %找到T1的为1的元素的索引，然后再减1是因为：比如第1个元素是1，那么对应的值是0, 索引减1则就是第0个元素是1,就表示对应值为0。就是为了索引0到9为1时对应车牌数字是0到9if (d==10)  %从10开始是因为有0到9是数字，因此把第10个索引值位置设为Astr='A';elseif (d==11)str='C';elseif (d==12)str='G';elseif (d==13)str='L';elseif (d==14)str='M';elseif (d==15)str='R';elseif (d==16)str='H';elseif (d==17)str='N';elsestr=num2str(d);%这一句就是把车牌对应的数字转化为字符，因为上面是从10开始给str赋值的。endswitch i        %在for循环时，i为几就把执行对应case把对应str赋给对应的stricase 2str1=str;case 3str2=str;case 4str3=str;case 5str4=str;case 6str5=str;otherwisestr6=str;end
end 
%%%%%%%显示定位后的分割出的车牌彩图，%%%

%%%%%%识别结果以标题形式显示在图上%%%s=strcat('渝',str1,str2,str3,str4,str5,str6);figure();imshow(dw),title(s);

完整代码：

https://download.csdn.net/download/qq_38735017/87385508