目前多數車牌辨識演算法，從全景中找到車牌的方式，還是以假設車牌為一個概略的矩形為基調！這種假設的大麻煩是碰到傾斜度大的車牌就完全不能運作了！所以才會只傾斜個十幾度就找不到了！這是多數車牌辨識系統的難言之隱，也是最大的痛點！

我的演算法呢？一開始我就是從直接找車牌字元入手的！完全沒有預設車牌是甚麼形狀，對我來說車牌就是幾個連續緊密排列的字元目標區！找到合理的字元群組後就自然地根據它們構成的的區塊形狀做幾何校正，所以我在歪斜變形車牌的辨識能力上具有極大的先天優勢，如上例甚至超過45度的傾斜我也毫不畏懼！只是尋常案例而已！

但是我真的很怕這種字數少的車牌，四字車牌就是我的痛點了！原因是台灣車牌多數是六七碼，所以找到全景中約六七碼的群組就很容易確定是車牌了！好像是一個初選標準，我很快就可以將字數不足或太多的背景雜訊篩除！但是因為有這種例外但又合法的四或五碼車牌，就迫使我必須連四碼以上的組合都一一檢視分析！浪費的時間就很多了！

而且四五個目標群組如果真是車牌的話多半是有缺漏字，所以我的程式邏輯都是盡量切割沾連字元或挖出被背景吃掉的邊緣字，或許我這方面的工作做得太好了！如上真的是四或五字的車牌常常被我的軟體硬切硬湊成錯誤的更多碼的車牌答案！而且要研究排除這種錯誤，需要較多真是四五碼車牌的案例，但這種車牌真的很少。

最近的一個案子就在監理單位的驗車線上取得了較多的這類車牌，希望可以強化我的這個辨識弱點！雖然我有這種小困擾，但是比起死抱著矩形假設的同行來說，我的處境好太多了！它們還卡在我身後好遠的地方，連我的車尾燈都看不到了！其中最大的落伍團隊就叫做CNN！它們就是以矩形搜尋架構為核心演算法的！誰說它們是先進的技術？OCR比CNN強大也合理太多了！你可以拿上面這種車牌去考考CNN，他們一定說今天不在家的！