七碼的新車牌是有根據影像辨識的需求特殊設計的！所以辨識成功率遠比六碼車牌高！但是當解析度較低時，還是會有誤認的機會，讓我最頭痛的大概就是如上的3會常常被誤認為5了！

上面是影像中抓出的字元目標與字模的比較，兩者差距只是左上方的一個小缺口而已！在解析度較低時，雖然還是可以看到缺口，但統計上對整體符合度的影響比例就不高了！那要如何讓我的AI聰明到可以去看那個缺口特徵，知道它是3呢？當然就是對症下藥的寫程式去看看有沒有這個缺口了！如果有，就必須把5扣分讓3勝出了！

這就是所謂的字元特徵辨識的技巧了！其實我們使用的特徵字模已經具備了相當程度的特徵強化，字模本身不是只有非黑即白的兩種數值，而是有軸線、背景與過渡帶三種數值的！這就是我的RD李美億的發明與她的碩士論文了！但是像此例那麼小的特徵還是很難用這個模式準確表達了！

但是特徵雖小，鑑別的效果卻是非常顯著的！那個位置有缺口就很確定那一定不是個5了！所以要在較低解析度的目標仍然有高辨識率，特徵辨識的技術就非常重要了！差之毫釐失之千里，這個3如果被辨識成5，整個答案就錯了！知道優質的車牌辨識不簡單了吧？你以為讓機器學習一下就行了嗎？太天真了！

真正好的影像辨識軟體應該像個經過非常精準設計過程做出來的精密儀器！不要再吹捧機器學習或深度學習有多厲害了！對於影像辨識的需求來說他們根本沒有這麼厲害！比較像半吊子的外行人憑經驗胡亂拼湊出來的粗糙機械而已！學我一樣把所有事實現象都搞清楚，明確針對的想出演算法去處理才是正途！