僅僅在一兩年前，碰到這麼小(15畫素高)又模糊的車牌，我都不敢期待可以辨識成功！但是現在已經變成我的軟體日常應可辨識的普通案例了！如果你學過CNN的概念就會覺得這不算太難，用字模大小的特徵矩陣掃描，每一個位置對於每一個可能的字元都會有權重分數，你總是可以從每個字元的分數分佈中找到每一個字的最佳位置的！也就是說你一定可以找到正確的車牌！

但是如果我用了CNN，就表示運算量會比我原先習慣使用的OCR高出數十倍之多！如果不用GPU，如果不找黃仁輝先生幫忙，我就絕對無法走下一步了！現在大部分的年輕人可能一開始就被AI廣告洗腦了！認定影像辨識就是必須使用CNN與深度學習的？所以必須依賴GPU也是不得已的必要之惡！但事實不是這樣的！你真的有其他更好的選擇！

如果我用OCR做二值化切割出可能的車牌字元，結果會像上面這樣！真正正常的字只有7與2，藍色的2下方與螺絲孔沾連變長了，綠色的兩個3字沾連成一塊了，左邊的H字更是不但破碎還與背景區塊聯成一氣了！對於傳統上使用OCR的人來說可能會覺得很沮喪，就像打牌的人拿到一手爛牌，還樣的手氣能贏嗎？

但是其實這些不理想的字元區塊中，已經包含了如何整理它們成為正確車牌的所有關鍵資訊！譬如只要用統計或嘗試錯誤的方式找出可能正確的字元寬高，用來整理不正常的區塊，該切割的切割，該合併的合併，應該很快就可以得到正確的73322幾個字了！之後再往左右外插搜尋可能與背景沾連的字元，不必很多的計算量車牌就可以正確辨識出來了！

上面這個案例就更妙了！K字的一隻腳居然與LE的連體嬰沾連成一塊了！畸形成這樣還有救嗎？可以的！首先是發現前兩個目標的X位置有交疊，就先視他們為同一個連體嬰，交纏的LE雙胞胎與殘缺的K就融合成三胞胎連體嬰了！但因為已經是完整的三胞胎平均切割之後就都是正常的KLE三個字了！要是不先合併的話就怎麼切都是錯的！複雜但是合理的處理程序就是我的密技了！

所以面對這種模糊亂象，堅持使用OCR還是可以走得通的！我就是這樣逐步深入研究如何整理不完美的二值化切割的目標，成就了目前台灣市場上應該是速度最快，辨識率也最高的車牌辨識軟體了！更重要的是「它不必使用GPU」！上面敘述的異常目標整理演算法或許很麻煩，但只要不是地毯式的矩陣搜尋運算，計算量就是很低的！比CNN少數十倍之多！

所以我可以告訴大家：CNN就是新一代的「何不食肉糜？」吃肉當然可以吃飽，但是在饑荒時只有極少數富豪可以吃得到！就像現在能大量使用GPU的電腦已經昂貴到只有大公司可以買得起了！難道AI只是富人才能用的奢侈品嗎？我的堅持就是希望可以不必如此！我也真的做到了！我的軟體都是不必使用GPU就很快速準確了！不但軟體不貴，需要搭配的硬體也很便宜的！