我的車牌辨識輸出的結果跟多數廠牌有些不同，都是有包括標準格式中的那個短橫線(Dash)的！這對於使用者讀取與理解車牌時是有幫助的！但是老實說通常那個小橫線實在太小，除非是一兩公尺之內的特寫，否則是不可能被確認為獨立可辨識的目標的！所以我的SOP並沒有把它當作獨立的辨識目標，我所以總是知道格線的位置，其實主要是從字距變化來判斷的！

但是那個橫線雖小但不是完全不存在，在很多影像中它是會變成它前或後的那個字的一部份！如上圖它就變成5字前面若隱若現的一個突出物了！我們抓到車牌後放大來看就會變成這樣：

此時這個Dash就會變成成事不足敗事有餘的干擾雜訊了！那個受到影響的5字有可能因為這個變形在比對字模時符合度就大減，變得不像5了！這種影響可大可小，如果上例中5與9互相沾連，我必須做切割時，這個突出的偏差也會影響到我對切割點的判斷！就可能讓5與9都錯了！所以是個必須正視處理的問題！

因此我的程式會有一個類似「腫瘤檢查機制」的程序！會檢查每個找到的字元目標是不是有這種可能是Dash造成的異常突起？如果有當然就要開刀切除，字元比對時就會很正確了！而且這也等於間接辨識出了Dash的位置，我就更確定輸出答案時Dash應該放在哪裡了！此時干擾辨識的雜訊就變成有用的資訊了！

但這不是一定會發生的！也有可能因為字距夠大，Dash真的以獨立目標的形式出現，但是明顯太小會被忽略不影響正常字元的辨識！或是因為目標太小加上失焦變得模糊，就根本不會出現在二值化的黑白圖上！也就是完全沒有被我的OCR偵測到！此時Dash的位置就要靠字距變大來判斷了！

很有趣吧？原始的物理事實那個Dash就是一個字元間的小黑點！但是經過影像拍攝的物理過程就可以有很多不一樣的結果呈現！我們必須用物理的思維知道它可能的結果，從最終呈現的影像中辨識出它的存在做最適當的處理！你覺得機器學習可以學會這麼複雜的物理過程嗎？別傻了！登陸火星還比較容易！