我專注研究車牌辨識四年半了！前面兩年半主要集中火力在研究如何提高單張影像辨識的正確率。但是從去年初至今，主要的功夫都花在「動態」辨識！就是如何連續大量辨識串流影像中移動中的車牌，再用統計篩選的方式，從大量原始辨識結果中「判斷」出正確的車號。

我可以作到動態辨識的前提是：首先單張辨識速度就必須很快，還要加上多執行緒的支援，讓實際辨識速度更增加好幾倍！所以我的主力產品才可以同時動態辨識四個車道，每個車道都可以一秒取樣至少十幾次！我現在的辨識核心面對百萬畫素影像辨識車牌的時間已經低於0.1秒了！如果是一張0.4秒其實無礙我推出商業化產品，但是要作動態辨識就不太可能了！

但是這麼辛苦研發的好處在哪裡？值得我花上兩年的時間研發嗎？傳統上就是在車輛進入容易辨識的角度時拍個一兩張來辨識就好了！我堅持將動態作好的著眼點有兩個：一是讓使用者不必刻意去找到「何時是好的角度？」據此控制拍照時機；一是當車牌真的很難辨識(有汙損)，或「可拍攝的角度始終不佳」時，也能盡量從大量對錯參雜的原始辨識結果中找出「比較對」的結果！

下面是一個很精彩的例子，足以說明我真的作到了！這是在北部某個停車場拍的短片，車子斜進斜出，穿過畫面的整個過程都未曾比較正面的面對攝影機，即使是我的辨識核心很厲害，辨識正確的機率還是不到一半的！但是經過大量資料的分析篩選，我還是可以正確辨識成功哦！

上面的原始資料顯示我從06:50:24.63到06:50:26.39，這1.76秒之間連續作了31次的有效辨識，辨識結果當然有對有錯，統計如下：

181-03, 2次

BK-8103, 3次

ABW-8103, 2次

ABK-8103, 10次

ABK-8105, 4次

IB-8103, 1次

BI-8103, 2次

UBK-8103, 1次

IKB-1031, 1次

ABI-8103, 1次

ABK-810, 1次

UBK-8105, 1次

ABB-8105, 2次

目視結果正確的ABK-8103出現次數不到總次數的三分之一！有點像選舉最高票還沒過半。但是考慮其他的候選車號出現次數都很少，再考慮單張辨識的符合度，ABK-8103每次出現時的符合度都很高！所以我還是可以輕易判斷最正確的車號就是ABK-8103！

就是這種簡易的AI人工智慧，讓我的實質正確辨識率再度提升！目前我的研發還沒停止，我今年初開始賣出大約十多套這種軟體，每一個安裝場域至今都還會得到我的關注與最佳化調整升級與維護，這是銷售，也是持續的研發過程，它們(軟體)一定會越來越聰明的！也代表買到我產品的客戶，東西買回家之後還會越來越好用！

所以我不想跟著其他車牌辨識廠商削價競爭，寧願陪著願意付出合理價格，以得到我的服務保證，也願意回饋資料讓我繼續作精進研發的廠商們攜手前進。我也希望包括潛在買家在內的讀者們，大家都能多一點有關車牌辨識的專業知識，我不是只想作出跟大家一樣的車牌辨識系統來賣的！我天天都在想著「未來」的車牌辨識系統會如何發展？希望我作的永遠是最先進的產品。我這種博士教授的個性，在公司沒窮到倒閉之前是不會改變的！