像上面這種情況是車牌辨識情境中常見的難題，多數車牌辨識廠商都會聲稱自己的系統辨識率極高！他們都能辨識這種照片嗎？事實上當然會排除！所以不要輕信「辨識率」這種東西，就像考試分數，難題通通不考，大家的分數都很高。但是完全不考難題，你就不會知道車牌辨識系統的好壞。

我研究車牌辨識總是不斷的挑戰這類難題，原因不是炫技，而是我知道這些困難狀況其實很常見，如果不能用軟體處理就要大費周章的改變攝影環境，或使用特殊的硬體，如紅外線、補光設備、濾光鏡或特殊攝影機等等，成本當然就大幅增加了！很多車牌辨識廠商就是用這些特殊規格的硬體拉高售價的！

我是專賣軟體的，當然希望客戶有多一個選擇，可以不必花大錢買額外的硬體，只用一般規格的攝影機和我的軟體就能解決問題。其實如果我們真的不能從感光差異分辨出字元與背景的界線，那麼所謂的硬體調整也沒有能用的物理量依據，當然是調整不出來的，沒有任何儀器可以無中生有嘛！反之，如果影像中確實有亮度或色彩的差異，那麼用軟體也一定可以區別字元與背景的！

先看看上圖變成灰階的樣子：

睜大眼睛看，還是可以分辨車牌字元的！如果人眼可以看到，那就表示一定有足夠的物理量可以分析，讓我們將車牌字(黑色)與背景(白色)切開！我們要做的工作只是如何找到車牌字與車牌背景的亮度分界值，就是影像辨識書中說的二值化門檻值(Threshold)。

困難點在因為車燈太亮使得這個差值相對變小，而且車燈不像太陽是平行光，亮度是不均勻的，所以上面的每個車牌字元需要的門檻值都不會相同，你硬是想用機器學習(深度學習？)找出一個通用於七個英數字的門檻值，是怎麼找都找不到的！不能避免的，我們必須像地毯式搜索一樣，真的去找出每個字的「黑白交界」的實際亮度門檻。

這就是一般車牌辨識核心會避免去做的動作，因為顯然太耗時了！車牌辨識通常是需要即時反應的，當然不能太慢。但是我認為這是數學技巧，也就是演算法效率的問題！物理上如果非做不可，就是非做不可，不然你根本沒有機會將每一個字都正確的切割出來，計算不夠快嗎？那就專心研究數學技巧吧！這一點目前算是我的商業機密，暫時不會講得太詳細囉！我的二值化結果是這樣的：

每一個字都很清楚，不是嗎？我也告訴你我是怎麼作到的了！其實人的眼睛(配合大腦)顯然也做到了一樣的事情，所以我們都看得到原始影像中的車牌號碼，但是九成以上的市售車牌辨識系統應該是做不到的！做到上了上面這一步，接下來就不太困難了，篩掉不可能的目標，找出成排目標即可：

我想應該會有親朋好友出來罵我笨了！怎麼商業機密也拿來講？不想做生意了嗎？其實真要做到我的軟體成熟的程度，即使這些「原理」都跟你講了，你還是要花一兩年慢慢寫程式做實驗，如果數學技巧不能突破，讓這些演算快到極點，你依舊不可能成為我的競爭者。

我所以會想寫這種文章，對於客戶來說是建立信心，讓大家知道我真的是核心技術的自行研發者！我的東西我都能理解掌握得很好，每一個辨識環節我都不假外求，不使用任何其他軟體元件，就是用物理概念與數學技巧自己建構出來的！所以買我的軟體就是跟原廠，甚至是原作者買的！可以絕對放心，售後服務鐵定很好。

另一方面，我也希望在大家一面倒的熱炒：人工智慧就是機器學習(或深度學習)的歪風下，釋出一股傳統科學研究方式的清流！我就是紮紮實實地將影像辨識這種重要的人工智慧議題，當作傳統科學來研究，而且已經成功地讓它商業化了！如果我的產品表現確實好過機器學習的產品，我希望可以讓大家想一想？人工智慧真的只有機器學習一條路嗎？那是最好的一條路嗎？