舊式車牌尺寸的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列包括價格和評價等資訊懶人包

基於樹莓派與深度學習實現車牌辨識系統之研究

為了解決舊式車牌尺寸的問題，作者吳悠 這樣論述：

本論文使用樹莓派搭配OpenCV與CNN研究製作辨識台灣新式與舊式兩種的車牌辨識系統，透過OpenCV進行車牌影像前處理成功定位車牌與分割字元後，使用CNN將分割好的字元執行訓練，最後將要辨識的新式與舊式車牌同樣進行前處理並運用訓練好的CNN模組做辨識，於事先連接好的顯示器就可直觀得到車牌的辨識結果。本論文所開發的車牌辨識系統的適用於靜態的車牌影像，由於體積小方便攜帶與不佔空間的特性使其容易擴充與安置於各種環境，而訓練與測試影像的辨識正確率分別為99.87%與99.99%，足以證明卷積神經網路是一個很好的學習與辨識車牌中不同字體的模型。

基於深度學習之新式車牌影像辨識系統

為了解決舊式車牌尺寸的問題，作者簡宗宏 這樣論述：

近年來，深度學習無論是在理論或應用方面均有長足的進展，引領了新一波人工智慧發展的浪潮。一般而言，深度學習是一種改良式的多層類神經網路，其中最具代表性的學習架構為卷積神經網路，特別是在圖像分類與辨識的領域已有很多實際的應用問世。本文的研究目的即基於卷積神經網路之深度學習架構，發展一套的新式車牌辨識系統。首先，藉由廣泛拍攝各式汽車之車頭前端影像，進行實際車牌圖像的採集，從中取得各個字元的訓練樣本；其次，發展基於小批量誤差修正機制的卷積神經網路，再將訓練樣本代入進行學習；接著，設計圖形化使用者介面，提供友善的操作環境；最後，進行實際車牌影像的測試與驗證。當使用者選取車牌影像後，必須先經過適當的影像

前處理步驟，包括：色彩空間轉換、對比度強化、二值化、影像形態學、標籤化、面積過濾、字元圖像分割、尺寸縮放…等，再將各個字元圖像代入訓練後的卷積神經網路，獲得辨識結果。本文共測試100組汽車影像，根據實驗結果顯示，辨識成功率約96%，其中主要的辨識失敗原因可能是採集的樣本資料庫的樣本數過少與影像拍攝角度過於偏斜…等，整體而言，本文所發展之車牌辨識系統獲致不錯的成果。