這個案例算是相當困難的，用我的舊版也是無法正確辨識的！原因就是最後一個M字因為解析度不夠，會與背景沾連無法正確切割，理論上我是可以用顏色把黑字與紅色背景切割，但是如果要考慮各種顏色的邊界，必須做非常多次不同條件的全圖二值化，再綜合整理所有可能的邊界，那我的辨識速度就會跟CNN一樣慢到讓人抓狂，必須買昂貴的GPU周邊設備來救援了！

我的舊版面對這種可能造成缺字的狀況時，作法其實跟CNN很類似，就是用已經確認的幾個字的大小作出臨時的特徵矩陣，去字串的左右邊搜尋可能與背景沾連的這種字元！但是前提是假設字元沒有明顯的歪斜，我才能知道它「像是」某個字元！如果判斷門檻高了會找不到沾連的字，降低門檻呢？誤認的多餘字元會更麻煩。

現在的新辨識流程就比較有彈性，我不會強制在字元歪斜的原圖上做類似CNN的搜尋動作，而是先找到確定有排列成行特徵的目標群組，先做轉正的幾何處理，範圍會比確認的目標群組再大一點，就是如果有可能漏失的字元也會跟著群組一起轉正，如上圖右邊的幾個小圖：

最上方是未旋轉的原圖車牌目標切割子影像，第二個是經過幾何轉正後的二值化影像，可以看到最初在原圖無法切割的M字在此就很容易辨識為M了！我是在此階段才再度使用CNN的特徵矩陣搜尋技巧完成辨識補遺的！所以啦！我的舊版在原圖中無法確認的M字，新版會在幾何修正的子影像中輕易找到！

所以大家必須知道：要辨識出各種歪斜角度的車牌字元，只是用大量資料的「訓練」或「學習」就可以做得很好？那絕對是騙人的！用ML、DL與CNN的模式，即使可以做到堪用的程度，成本也會高得嚇人！所有具備高辨識率的車牌辨識程序中，幾何修正是絕對不可少的關鍵程序！也是降低整體運算量的關鍵！

簡單說，就是要先找到車牌概略位置，在此小區域做最佳的幾何校正，然後在校正過的小影像中才能使用類似CNN的掃描方式找到正確的字元！在原始影像中本來就拍攝得歪歪斜斜的字元，要訓練出AI模型直接辨識成功？而且辨識率還很高？那絕對是唬弄騙人的假AI！他們希望大家相信有這種神奇的事？但事實上從未成功出現過！