這種實際上有點微彎的車牌你也不能說它就是違法的！要監理單位為此開罰單？當然不可能！如果能像停車場出入口一樣正面拍攝要辨識也沒問題的！但是像這種停車柱的斜視角度呢？每個字元的寬度其實是不一樣的！變化的規律還是非線性的！

如果剛好每個字元目標都很完整也是還好的！就是不管寬高每個字各自調整到字模大小就辨識出來了！但實務上遠端的字元就是非常歪斜，解析度太低之下當然都是很破碎的！即使我努力將車牌附近的影像切割出來做了幾何校正，大概也只能做到如下圖：

通常到此階段我都必須假設每個字元的寬度與高度是一樣的！以此例來說，APY0四個字元是原本就可以辨識的，267三個字就必須一一搜尋切割才可能挖出來了！但如果我堅持這幾個字的寬度與高度也應該和APY0一樣？那當然無法成功！因為事實上就不是一樣嘛！

所以在這個模糊混沌的小範圍內，就必須做類似CNN的多尺度掃描(Multi-Scale Convolution)了！譬如前面幾個可辨識字元的寬度是7畫素，後面那個267的亂集團就必須用5或6畫素寬度也都試試看了！甚至字元位置還會因為車牌彎曲而逐漸上下移動！但是CNN的概念就是全圖掃描嘛！把所有可能性都試試總是可以找到的！只是要多花點時間而已！

當然最終我還是可以克服萬難將這個車牌辨識出來的！真的困難到這個程度我也被迫使用CNN的地毯式搜索了！但是還好，需要做這麼麻煩計算的範圍很小，計算量增加不算太大，還是不需要呼叫GPU幫忙，速度也不會被明顯拖慢的！

所以簡單說，我應付不完整的OCR辨識結果，就是先假設未辨識出來的字元也應該與已辨識出來的字元一樣大！啟用CNN的固定大小矩陣掃描目標的計算模式，就可以鎖定破碎或沾連的字元了！但是碰到如上這種特殊狀況呢？假設字元大小一致，硬切出來的字元符合度當然是很低的！那就放寬CNN掃描的寬高與位置設定，做更全面的CNN掃描了！

習慣找公式來套用的玩家或專家一定覺得我的做法很不美觀？但是這確實是最合理的解題方式！我認為其實人的視覺智慧應該也是這樣思考的！為了解數學題其實我們都會建立很多假設，但是這些假設必須符合物理事實！同一個車牌內的字元大小確實一樣！但是經過車牌的彎曲與斜視角度後拍攝的結果就是不一樣！我們辨識的是影像嘛！數學模式當然必須因應調整！

所以你還覺得這麼複雜的邏輯，可以用大量資料深度學習就能自動產生嗎？如果你還是堅持相信可以用深度學習達到這種辨識功能？我只能說你的AI妄想症真的病得不輕了！