我的車牌辨識是以找到全景中的字元為主軸的，先找到一顆一顆的字元目標，再像打麻將一樣看看是不是像車牌字元一樣排成一排？這種邏輯程序已經很成功地成為我的車牌辨識產品核心。但這並不是車牌辨識演算法的主流，我認為我的方法很好，比主流派的更好！

但我也知道他山之石可以攻錯，主流派的演算法還是有些特性比我的方法更優秀，可以截長補短，所以最近有點時間就開始深入研究「傳統」的車牌辨識演算法了！所謂的主流派跟我的方法最大差異就是他們不是先找字元，而是先找「車牌」的！我在2013年就模仿實作過這個流程，我也看過很多相關論文，所以對這些程序並不陌生。

他們的辨識起點多半是某種高通濾波，先掃描篩選出圖上亮度對比較明顯的特徵點，通常是用所謂的Sobel Filter，如上圖。因為車牌原本就是設計成讓眼睛好辨識的，當然會亮度對比強烈，這樣一掃描車牌的字元一定會出現在特徵點中，但通常不會很完整得粒粒分明，所以他們接下來會用矩形的區塊遮罩掃描看看，有沒有一些形狀類似車牌的區域有很多特徵點集中。

其實要辨識車牌的重點，不是分析車牌有甚麼特徵？這件事太簡單了！重點應該是：車牌和環境中其他目標有何明確的差異？譬如用Sobel Filter分析後，如上圖的粗糙地面加上正午陽光，地面就是會出現很多高頻的雜訊，如何判斷圖上的兩個紅框，誰「比較像」是車牌呢？人眼當然不會看錯，但是你應該如何用數學描述：為什麼上面那個「比較像」車牌，下面的「比較不像」呢？都有很多特徵點啊？但是分布模式不一樣，請數學公式定量化這個分布型態的差異。

這就是我剛剛交代給RD的一項「工作」，之前研究時好幾次想到要建立這個判斷式，但這不是我的主要演算法所必須，所以沒認真做出來。我很確定一定有現成的數學方法模式可以套用，自己用常識去兜，或查書都可以找到並實作出這種演算法的！所以我會說這只是日常「工作」，而非甚麼了不起的「研究」！作出整個香港車牌辨識核心這種規模與難度，我才會稱之為「研究」！大部分頂大研究所所謂的「研究」，在我這裡都是例行工作而已。

這就是我對於「讀書研究影像辨識」的輕率(輕蔑)態度！如果你的腦袋裡滿腦子都是別人做過的方法論，反而很難保持清晰的常識與直覺，只會一個方法一個方法的套公式，耗時又不能確實掌握識真實狀況，一開始套公式你的理解程度就開始「跳步」了！好像用了一個黑盒子去解決問題，你就開始有一部份程序不知道自己在幹甚麼了！先清楚掌握物理現象與實際需求，再開始去想或找數學方法來準確的解決問題，這才是紮實的科學研究！

所以我常說：要作影像辨識，去讀研究所，學很多影像辨識法，真的不是一個好辦法！除非你的老師本身就是實務經驗很豐富，還很有問題解析能力的高手！不然只會越學越亂，還不如自己在家摸索學得更為踏實。這是真心話！我的公司曾經有位專攻影像辨識的台大電機碩士來上班，他知道的影像辨識方法比我還多，但即使我已經盡力協助，一年之後他還是無法獨立完成任何專案，最終我只能請他離開，可見知識多寡與解決問題的能力真的是完全的兩回事！