這張車牌影像算是很難辨識的，角度方面對我來說還好，即使左邊的A字實質上與背景沾連，但是我的左右側嘗試補字的演算程序可以救得回來，真正潛在的危險，也是我目前的演算法還沒有真正處理的是車牌彎曲造成的非線性現象！

正常車牌是矩形的，在立體世界中拍照後會變成任意四邊形，這些我的核心演算法都能處理，因為再怎麼變形，四邊形的四邊都還是直線！但是當車牌彎曲時，這個假設就不成立了！我的演算法還沒聰明到可以精確處理這種非線性的變化，只是用線性概念加上一點容忍度試試看看而已！

有看到上圖中的二值化車牌影像左邊的AFR比右邊的數字瘦嗎？如果我真的有作好非線性處理，就不會這樣了！那我會做這種非線性處理嗎？還沒做過，但不表示作不出來，而是有沒有必要的問題，即使我作出來了，讓辨識時間拉長，只為了能辨識萬中不及一的特殊車牌，值得嗎？你會天天去醫院作健康檢查嗎？

昨天買我停車場軟體的客戶丟回這張辨識錯誤的照片，基本上就是看不到A！那是以「停車場」版的辨識核心辨識的結果，我立即以我的「終極」版辨識就是像上面這樣，可以辨識成功的！當然我立即會被問到的是：差別在哪裡？為何停車場的核心不能用這個辨識能力較強的終極版呢？

所謂的終極版，是針對單一照片嘗試用各種我會的技術，盡力辨識到有合理答案出現，當然過程中所有的處理都是最高規格，不計時間成本的！有點像教授作研究，理論上最好可以做到的事情就全套一絲不苟的作到好。但是很多計算如果不是剛好辨識目標在可辨識的邊緣，作得完整與否根本就沒有影響！

譬如你要知道一個20X20點區塊的平均亮度，正常程序是將400個點的亮度相加除以400，但是如果你用取樣方式，垂直水平向都每兩點取一點，就只要算100點的平均值，計算時間只要四分之一，答案卻與400的平均值幾乎一樣！這就是所謂速度優化的一種方式。

停車場版的辨識核心為了辨識速度要快一點，當然會有很多這種節省運算的步驟，如果沒有這種極端邊緣的狀況發生，連我也不會知道是哪個省時步驟的差異讓它的表現不如終極版？以這個案例來說，就是當車牌呈現略為非線性時，仔細作分析的程序還是可以成功，稍微偷雞的就失敗了！

如何兩全其美能又快又聰明呢？就是一一分析是哪一個省略步驟導致辨識失敗，錢要用在刀口上，發現某個動作一簡略就會辨識失敗，當然就是別簡化那一個步驟了！所以現在我的停車場版也能辨識這張車牌了，而且時間不會增加太多。

總之，我的終極辨識能力是擺在那邊的，就像我家裡有汽車、機車與腳踏車，全台灣哪裡我都隨時能去！但是如果到巷口的小七買咖啡也開車去就很不合理了！我現在收到客戶的辨識失敗案例，多半都是這個性質，如果使用的辨識程序剛好夠用，就會辨識得又快又準！如果你說辨識時間不重要，我就會直接給你終極辨識版了！