由于此地板涉嫌违规，因此它将折叠在系统中以隐藏此地板并显示此地板
4.1创建字符模板：
模板的要求是与识别的文字的字体格式一致。 实验采用word上的标准字符，通过截图软件截图后，按照3-6步的处理过程制作了所需的字符模板。 从0到9的10个字符，从a到z的26个字符。
4.2字符模板规范化
在满足识别率的条件下，可以通过采用尽可能小的模板识别来提高运算速度，具体的模板尺寸可以通过与后面的识别对象字符的比较来调节。
4.3识别流程：
将识别对象字符与字符模板同样标准化，并与字符模板进行比较扫描。 首先取字符模板和差分，计算取差分后的图像的总像素值，如果小于各阈值，则表示识别对象字符和模板是同一字符，完成一次识别。
循环通过对想要识别的字符进行相同的处理来识别所有字符，并将结果保存到字符串中。
五BP神经网络字符识别
背景传播(BP )网络于1986年由Rumelhart和McCelland等科学家小组提出，是经过误差反向传播算法训练的多层前馈网络，应用最为广泛BP网络可以学习和存储大量的输入/输出模式映射关系，而无需事先明确描述这种映射关系的数学方程。 其学习规则是采用最速下降法，不断调整网络权重和阈值，使反向传播引起的网络误差平方和最小。 BP神经网络模型的拓扑结构包括输入层(输入层)、隐藏层(隐藏层)、输出层(输出层)。
背景传播(BP )神经网络，即误差反向传播误差反向传播算法的学习过程，由信息正向传播和误差反向传播两个过程组成。 输入层各神经元接收来自外界的输入信息，传递到中间层的各神经元的中间层是负责信息变换的内部信息处理层，根据信息变化能力的需要，可以设计为单层或多层结构； 从最后的隐藏层传递到输出层各神经元的信息经过进一步处理后，完成了一次学习的前向传播处理过程，并从输出层向外部输出信息处理结果。 如果实际输出与期望输出不匹配，则进入误差的反向传播阶段。 误差通过输出层，修正各层的权重以降低误差梯度，逐层向隐藏层、输入层反转。 周期性信息正向传播和误差反向传播过程是各层权重不断调整的过程，也是神经网络学习训练的过程，该过程要么减少到网络输出误差可接受的程度，要么进行到预设的学习次数。
BP神经网络模型BP网络模型包括其输入输出模型、作用函数模型、误差计算模型和自学习模型。
(1)节点输出模型
隐藏节点输出模型： Oj=f(WijXi-qj) ) ) ) ) ) )
输出模型： Yk=f(TjkOj-qk ) (2) ) ) ) ) ) ) ) )。
f-非线性作用函数； q -神经元阈值。
图1典型的BP网络结构模型
(2)作用函数模型
作用函数是反映通过下层输入对上层节点刺激脉冲的强度的函数，也称为刺激函数，一般设为(0，1 )内连续值Sigmoid函数) f(x )=1/(1e ) ) 3
(3)误差计算模型
误差计算模型是反映神经网络期望输出和计算输出之间误差大小的函数：
EP=1/2(TPI-opi ) (4) ) ) ) )
tpi- i节点预期输出值； Opi-i节点计算输出值。
)4)自我学习模式
神经网络的学习过程，即连接下层节点和上层节点之间的加权数组拒绝Wij的设定和误差修正过程。 BP网络需要有教师学习方式-期望值和无教师学习方式-只需输入模式差异即可。 自我学习模式是
wij(n1 )=hIOJawij ) )5)
h -学习因子； I-输出节点I的计算误差； Oj-输出节点j的计算输出； a-动量因子。
5.1创建培训样本：
在不同分辨率和不同倾角下分别采集了一些图像作为训练样本，但本实验为了节省计算时间，根据需要只进行12345ABCDE这10个字符的识别，因此每组只采集10组数据。 不同分辨率5组，不同倾斜角度5组。 然后，按照2-4的操作步骤处理字符，得到共计100个32*32大小的训练样本。
5.2BP神经网络的设计
利用MATLAB下的神经网络工具，以文字图像的x轴y轴像素值为输入特征设计对输入层的输入； logsig函数为隐式层，隐式层设计25个节点，输出层是预期的结果，共有10种可能，因此输出层有10种可能的输出。
net=newff(pr，[25 )、{'logsig' 'purelin'}、' traingdx '、' learngdm；
net.trainParam.epochs=250； %培训步骤数
net.trainParam.goal=0.001； %目标误差
net.trainParam.show=10； %系统每10步显示训练误差的变化曲线
net.trainParam.lr=0.05； %学习速度
net=train(net，p，t ) %培训
保存培训结果save name net