這是一個很特殊的案例，一道不知道是故意還是外造成的刮痕？硬生生橫劃過車牌的後面四個字！而且很殘忍的直接將510三個字元都切成上下兩塊！我的辨識邏輯是找出成排且大小相似的目標群來組成可能的車牌區域，所以只能找到前面的3T0三個字元是一樣大的！後面三個破碎的字元目標當然無法入列！

其實這種意外就好像是點中了OCR技術的死穴？看似微小的雜訊卻可以嚴重傷害辨識成功的機會！相對的，以CNN的矩陣搜尋概念來說，這種雜訊就真的是微不足道了！可是如我在此部落格一再重申的殘酷現實：你一旦用了以矩陣搜尋為基礎的CNN，就是走上了計算量失控暴增的不歸路！沒有GPU你就根本活不下去了！

所以我必須在OCR的基礎上解決這個辨識的障礙！因為雜訊實在太小了，人眼的辨識能力絕對不會因此被誤導失靈的！所以絕大多數使用者應該都無法接受我的軟體無法辨識這種狀況！老實說，如果真的這道刮痕直接貫穿所有的字元？我目前也無解的！但是只要有三個字可以正常被辨識，他們就可以成為有意義的統計資料了！包括這個車牌的字元寬高、間距與傾斜度等等。

有了這些資訊，我就可以使用空間內插或外插的方式找到可能被破壞的字元了！有點像是順藤摸瓜吧？在物理上我可以相當準確的推斷可能有字的位置，在那個位置建立一個虛擬的目標，然後比對字模就可以辨識出破碎的字了！如果任何字的符合度都很低，那就是真的沒有字存在那裏的真實背景了！

所以我真的可以用我的OCR技術為基礎拼湊出完整的車牌答案，以此方法施作的低標就是需要至少三個可確定的字元！那如果只有一兩個字被確認，甚至一個字都沒有呢？理論上也是可以地毯式搜索硬找的！但是已知條件越少越不確定，我的搜尋方式就會越像CNN那樣耗時了！如果太耗時我大概就會放棄了！不值得為了辨識一張車牌影像花上好幾秒的！人家也會以為是當機了！

所以OCR是可以經過創意的設計辨識出很多困難案例的！重點是這些例外處理的時間依舊非常精簡！計算量就是比CNN少很多倍！速度當然也快很多倍！這就是我會堅持繼續使用OCR技術，始終避免採用CNN技術的主要原因了！商業產品就是必須追求效率！速度要快也必須省錢省電！這個困難案例必須外插運算補3個字元！需要的時間還是很快，只需要123毫秒！當然是不必使用GPU的！