車牌辨識其實算是廣義的OCR光學字元辨識，如果是掃描文件，我們就是找到目標比對字模，最符合標準字模的就是答案。但是在立體世界中拍攝的車牌，故事就沒有這麼簡單，除了盡量找到合理目標，並讓目標轉正，比對字模知道是某字之後，如果我們的知識庫中認定根本沒有這種格式的車牌，怎麼辦？

譬如有個車牌辨識結果是「ABC-0B23」，任何有點台灣車牌常識的人都會說：那個B應該是8吧？因為七碼的車牌規則後四碼都應該是數字啊？不可能是B的！所以你當然會直接將B改成8，我的車牌辨識判斷邏輯當然也是這樣的！如果某字所在位置，依據車牌格式不可能是一個數字，但是我的軟體辨識成一個6，我就會自作聰明的將6改成字型最近似的英文字G！

我相信多數車牌辨識系統也會這樣作的，這不是說我的辨識核心能力比較差所以亂猜，而是真實世界中因為拍攝條件遠近角度甚至磨損程度不一，就是會有這些模糊地帶！如果你一定要影像非常清晰，答案非常確定才輸出答案，人家就會嫌棄你的軟體「辨識力」很差了！真實世界中，適度的「猜題」其實是必要的！

所以如果你的辨識核心即使能辨識多種字型的英數字，並不是就可以直接應用於全世界以英數字為內容的車牌辨識！如果沒有對於當地車牌格式的充分資訊，碰到這種明顯不合理的結果，你是毫無反應調整能力的！所以我不是很害怕國外車牌辨識軟體的挑戰！只要基礎辨識能力輸人不多即可，任何地區的車牌辨識要好都需要「學會」當地的車牌規則與特性。

譬如我原本以為七碼車牌應該沒有W開頭的可能性，但是台灣機車七碼車牌多數以M開頭，W與M在目標字元較小時很容易誤認，所以建立了一個潛規則，看到七碼車牌開頭是W就自動改成M吧！但是客戶給了我如上圖的案例，我才赫然發現真的有W開頭的七碼車牌！仔細查查看監理單位官方文件，方知這是殘障專用車牌！

沒關係的，知過能改學到「經驗」就好！拿掉這個自作聰明的潛規則，我的辨識核心本來就可以正確辨識這種車牌的！