如上影片，我們積極研發大半年的動態辨識技術，即將加入我們的正式產品了！以前我的「動態」車牌辨識軟體其實只是連續的擷取畫面辨識「車牌」，實際上並沒有真的辨識「車子」！這種「動態」辨識比傳統上到了定位喀擦一張找車牌的「靜態」辨識好的地方，是我的資料多、辨識角度與距離多，就像買彩券，靜態辨識是買一張，動態辨識則是我家有錢嘛！買全餐！包中的！

但是這樣辨識的問題是：我會有一大堆對錯交織的資料，我其實無法直接判斷誰對誰錯？就連誰「比較」對都沒依據。那就採用民主機制吧！選票多的勝出。如果車牌真的很爛，對錯結果相當時就麻煩了！譬如遠看像B近看像8，應該是8比較對吧？我卻無法很直接地做這種判斷。

更極端一點，如果車牌爛到無法辨識呢？我會根本就不知道有車子來了？偶爾，根本沒車時，出現了一個很像車牌的目標，我的軟體可能會報出車號！那就是曾多次被客戶消遣的「幽靈車」了！我是老實人，不必等客戶爆料，我自己爆！我的現有軟體真的會有這種問題！如果你拿著一張印有車牌的A4紙張闖關，確實會成功的！

會有這些問題的關鍵，是因為我的車牌辨識程序和一般人「看車牌」的過程還是不一樣！我們都是先「看」到有車子來了，再依據車子的位置找到車牌加以辨識。如果我的車牌辨識程序中，根本沒有「看到車子」這個過程，當然就會出現以上的意外與誤判。譬如看到一輛車沒掛車牌想開進來，警衛一定會攔他下來問，我的軟體卻只當沒看到？

要「看車子」和「看車牌」的邏輯不同，車牌有固定的顏色格式，車子沒有！要鎖定車子最簡單的想法是「有車的影像減掉沒車的影像」，或者更簡單一點，時間軸上的前一張影像減掉後一張影像的亮度或顏色，不動的背景會趨近於零，有在動的目標區差值就很明顯！一般的簡單版動態偵測就是只作後者，但做過的都知道，其實非常不穩定！

我們研發這種技術很久的原因，是我們堅持一定要作出穩定可以參考的無車畫面的完整背景圖，就是下圖紅色框框中的影像：

以此為依據，每張即時影像減去應有的背景，差異影像就會非常穩定，車子進出時的概略大小、形狀與動作就很容易判斷了！所以我們可以決定出：CarIn, CarStop, CarLeave 與 NoCar等事件！有了這些穩定的資訊，我就可以知道對應時間軸上哪些車牌辨識結果是比較可靠的，CarStop時辨識的結果當然最好！NoCar時的辨識結果當然會被擋掉等等。

事實上，如果我知道沒車時，抓到影像也指觀測動態，不會呼叫辨識核心去找車牌的！系統因此「休假」時間就很明確充裕了！所以各位看影片中的CPU負荷是蠻低的。

我又洩漏太多商業機密了嗎？其實是我不忍心看後進們花太多時間在錯誤的方向，就是一直在時間軸的前後差異影像處理上作研究，那一定是徒勞的！但是如何建立穩定的「無目標背景影像」真的很難！因為背景也是會變的，早上中午晚上都不會一樣，所以背景影像也要隨時動態更新，還不能夾雜到任何會動的目標！這一部分的細節我就當商業機密暫時保留了！

這篇文章對於我的專業級客戶來說是很重要的！我就是希望讓所有在意細節，重視品質的專家級客戶愛上我的產品！更穩定、正確且合理的辨識結果是我永不停止的追求目標！下一個目標我就會嘗試辨識車子的形狀與顏色等資訊，直接告訴你來者何「車」了！