多數以CNN技術為概念的車牌辨識從全景中找到車牌的方式，是假設車牌概略是一個矩形，用各種大小的矩陣掃描全圖，如果某個矩形範圍內有最多類似車牌的特徵，譬如黑白分明對比強烈時就是加權值很高，「很可能」是個車牌了！但是立體世界中從各種角度拍攝到的車牌是不保證合乎這個矩形假設的！

所謂的Garbage in Garbage out(GIGO)，假設不合乎事實狀況做出來的辨識結果當然是荒腔走板！我在剛開始接觸車牌辨識時就發現這個問題了！所以很快就決定不使用車牌是矩形的這個假設！而是使用OCR技術直接找出個別的字元目標，再用這些目標的空間關係，就是以大小相似緊密排列的目標群組為我的找車牌邏輯！所以即使車牌有明顯傾斜時也可以正確鎖定目標！歪斜車牌就不會難找了！

這就是我的車牌辨識技術成功顛覆市場的第一步了！當大家的車牌辨識超過10度傾斜就不能用時，我的車牌辨識即使傾斜到45度都毫無問題！而且因為是以更小更確定的字元目標為依據，所以位置鎖定也比CNN矩形假設架構的方法更為準確，後續的辨識流程都因此更準確也快速！

但是用這種方法時如上圖的意外是常常發生的！OCR的二值化就是一種簡化資訊的方式，在正確字元組的左右常常會意外出現與字元大小類似，也排列整齊的假目標！如果不加以處理，上圖的答案就會變成一個錯誤的七碼車牌了！所以找到成排目標之後，有很多程式碼都是用來檢驗左右端的目標是不是有問題？

可以參考的特徵很多，除了字元寬高與間距之外，目標的傾斜度、對比度或比對字元的符合度都是可以參考的！真正對的字元目標基本上就是怎麼看都對！任何指標都會過關！但是錯的目標總會有一兩個指標大走鐘！如上的左邊三角形就是形狀異常，根本不像任何英數字，當然魚目就無法繼續混充珍珠了！

具體的說就是其他字元比對字模後都會高度符合某個英數字，以此例來說其他字的符合度都是接近100%，這個「字」卻只有59%可能是個「B」字？當然就被當場抓包混不下去了！挑出這顆老鼠屎之後正確答案就會穩穩地被辨識出來了！當然要比對所有的英數字的字模是需要不少時間的！所以一定是其他檢測方式都看不出異常之後最後的一道關卡！

看完這些過程你應該可以體會，這些邏輯其實都不難理解，但是所有細節加起來就是影像辨識或車牌辨識的專業技術了！而且所有的影像辨識或車牌辨識文獻上都不會教你這麼多的！我也都是自己摸索組織研究累積出來的！也因此要靠著影像辨識的紮實知識技術入行其實很困難！

這就是為何以CNN+DL為主體的影像辨識技術如此迷惑眾生的主因了！使用這些技術是根本不需要真懂影像辨識的！只需要學會操作抽象的數學模型訓練就可以了！關鍵的辨識邏輯根本連操作訓練的人都不知道的！所以我說這種聲稱是正統AI的影像辨識研究是「反智」的！電腦越聰明人就越笨嘛！最後人就變成下圖這樣的公理號居民了！我大概比較像旁邊髒兮兮的機器人瓦力吧？