台灣車牌有好多種顏色，當然難免我的車牌辨識核心必須參靠顏色的資訊做一些決定。但是在實務上，攝影機在不同設定參數與不同環境下拍出的影像，顏色真的很難捉摸，譬如昨天有客戶說下面這張車牌的第一個”1”會辨識不到？1997-WQ變成997-WQ了？字這麼清楚怎麼會漏掉呢？

追蹤辨識流程之後發現，我的程式將那幾個字元當作「綠色」的字，也就是工程車的一種形式：白底綠字！既然是工程車就不會有1997-WQ這種格式的可能性，要硬抝成合乎工程車車牌格式的話就是將1拿掉變成997-WQ就「合理」了！看看下面的放大圖就會覺得我的誤認還算情有可原：

如上圖，可能是攝影機本身設定的問題，整張圖都偏綠了！一般人可能會說：這幾個字也不算太綠好不好？但是大家不知道的是：當車牌在較暗的環境下，綠字就會偏黑，類似上面的樣子，所以我原來何為「綠色」？的特徵門檻設得較低。單用RGB顏色的組合，我怎麼做都不能永遠正確地分清楚是綠或黑字。

那為什麼人眼就不會認錯呢？其實是我們腦袋參考的變數遠多於字元的顏色組合！看到車型我們就不會認為它是工程車了！既然確定它不是工程車，即使車牌字看起來綠綠的，我們也會說它一定是黑字！這就是人類智慧奧妙之處！這種判斷就是用「形狀」辨識的結果否定了「顏色」辨識的結論！

所以我的車牌辨識要做到和人一樣聰明，路還長得很！我目前的辨識核心還沒處理到辨識車子的形狀，更別說環境中的車道與其他環境物件的相關性。如果慢慢的我的軟體也能「看到」車牌周邊的環境，那我就可以判斷這是一般馬路或停車場等等，自己調整辨識參數讓辨識結果最佳化，就像人的腦袋運作方式一樣。

以這個例子來說，我的軟體能做的是拉高確認是否為「綠」字的門檻，但可能因此在暗處的綠字車牌就會被視為黑字了！那就只能盡量折衷妥協吧！實務上當然是請客戶將攝影機調回正常狀態最為合理！未來呢？就是讓我的辨識核心學會參考更多較為複雜的環境變數了！

不好意思，例行性的我又要給機器學習找碴了！如果真的有夠多的這種變異資料，機器學習或許可以學會這種複雜的判斷。但是真實世界如此複雜多變，例外總是有的！如果客戶就是丟了一張辨識錯誤的照片來時，我可以明確的分析錯誤的原因，不論能不能改？我都可以告知客戶發生了甚麼事情？我是如何處理的？建議客戶在現場應該如何排除異常。依賴器學習作出軟體的廠商就麻煩了！他們根本不知道為什麼他們的軟體會作出那種判斷？如何提供售後服務呢？所以我不用，也實在不能用機器學習作車牌辨識軟體的！