一.图像预处理
　　对图像进行灰度化处理、高斯滤波器去噪、图像二值化，灰度拉伸，边缘增强等处理。然后采用sobel算子进行边缘检测，字符分割。本部分用的是opencv2.0实现的。
　　1.车辆图像获取
　　手机拍照获取的车牌照片如下：
　　2.灰度化
　　输入的彩色图像包含大量颜色信息，会占用较多的存储空间，且处理时也会降低系统的执行速度，因此对图像进行识别等处理时.常将彩色图像转换为灰度图像，以加快处理速度。
　　代码：
　　3.高斯滤波去噪
　　高斯滤波是一种线性平滑滤波，适用于消除高斯噪声，广泛应用于图像处理的减噪过程。通俗的讲，高斯滤波就是对整幅图像进行加权平均的过程，每一个像素点的值，都由其本身和邻域内的其他像素值经过加权平均后得到。高斯滤波的具体操作是：用一个模板（或称卷积、掩模）扫描图像中的每一个像素，用模板确定的邻域内像素的加权平均灰度值去替代模板中心像素点的值。
　　4.二值化
　　图像的二值化，就是将图像上的像素点的灰度值设置为0或255，也就是将整个图像呈现出明显的只有黑和白的视觉效果。
　　5.边缘增强
　　图像增强处理的一种。它是将遥感图像（或影像）相邻像元（或区域）的亮度值（或色调）相差较大的边缘（即影像色调突变或地物类型的边界线）处加以突出强调的技术方法。经边缘增强后的图像能更清晰地显示出不同的物类型或现象的边界，或线形影像的行迹，以便于不同的物类型的识别及其分布范围的圈定。
　　6.车牌定位：采用的是基于边缘检测的分割方法，水平投影和垂直投影
　　车牌定位的主要工作是从摄入的汽车图像中找到汽车牌照所在位置，并把车牌从该区域中准确地分割出来，供字符分割使用。因此，牌照区域的确定是影响系统性能的重要因素之一，牌照的定位与否直接影响到字符分割和字符识别的准确率。
　　7.车牌字符分割：采用的也是垂直投影方法
　　要识别车牌字符，前提是先进行车牌字符的正确分割与提取。字符分割的任务是把多列或多行字符图像中的每个字符从整个图像中切割出来成为单个字符。车牌字符的正确分割对字符的识别是很关键的。
　　二、BP神经网络简介
　　BP（Back Propagation）神经网络，即误差反传误差反向传播算法的学习过程，由信息的正向传播和误差的反向传播两个过程组成。输入层各神经元负责接收来自外界的输入信息，并传递给中间层各神经元；中间层是内部信息处理层，负责信息变换，根据信息变化能力的需求，中间层可以设计为单隐层或者多隐层结构；最后一个隐层传递到输出层各神经元的信息，经进一步处理后，完成一次学习的正向传播处理过程，由输出层向外界输出信息处理结果。当实际输出与期望输出不符时，进入误差的反向传播阶段。误差通过输出层，按误差梯度下降的方式修正各层权值，向隐层、输入层逐层反传。周而复始的信息正向传播和误差反向传播过程，是各层权值不断调整的过程，也是神经网络学习训练的过程，此过程一直进行到网络输出的误差减少到可以接受的程度，或者预先设定的学习次数为止。
　　BP神经网络的基本结构如下图所示，网络由不同层次的节点集合组成，每一层节点的输出送到下一层节点。这些输出值由于连接权不同而被放大、衰减或抑制。除了输入层外，每一节点的输入为前一节点输出值的加权之和，每一节点的激励输出值由节点输入、激励函数及阈值决定。
　　三、神经网络训练
　　BP神经网络学习是典型的有导师学习，其训练主要是利用误差反向传播算法，不断修正网络权值矩阵。因为一般的车牌均由汉字、英文字母和数字组成，根据车牌字符的上述特点，在用BP神经网络进行训练和识别时，所选用的样本需包括字符的这些特点，加上本次实验的特殊性，由于待识别车牌图像有限，所得到的车牌字符不是很全，这里为简化起见，只对汉字渝，数字0～9和字母A、L、M、N、R这几个字符进行训练。
　　BP网络规则的指导思想是：网络权和阈值的修正要沿着表现函数下降最快的方向，即负梯度方向。
　　BP是一個迭代学习算法，在迭代的每一轮中采用广义的感知机学习规则对参数进行更新估计，任意参数V的更新估计式为：
　　BP算法是基于梯度下降策略，whj的负梯度方向对参数进行调整。
　　四、识别结果评价和总结
　　本次车牌识别遇到的难题主要是车牌定位，以及代码实现。车牌识别定位不准，紧接着接下来的车牌分割就不能准确分割。
　　参考文献
　　[1] 陆福宏.车牌识别技术在智能交通系统中的应用[J].中国科技博览.2010（12）.