用人的眼睛要辨識這樣的車牌一點都不難，但是要寫出程式辨識出來真的很難！人工智慧現階段能跟人差不多聰明就太厲害了！所謂的影像辨識流程，其實就是一連串簡化影像資訊的過程，最終從簡化到足以作決策的資訊中找到我們要的目標答案。具題來說就是全彩→灰階→黑白→定義目標。每一個階段其實都會影響下一個階段的運作，從如何定義灰階開始我們就要開始想，我的選擇是不是能夠突顯我要的目標了！

一般來說我們可以使用顏色與亮度對比的差異來凸顯目標，但是像上圖這種看來很「尋常」的影像，其實車牌字元的對比度不會比環境背景的其他訊號影像更突出！還因為略有反光，原本是深黑色的字元甚至都不怎麼黑了！所以是一個很困難的案例。

無法避免的，既然目標字元在影像中不是最明顯的目標，我們就必須普查所有影像中的「可能」目標，根據很多條件逐步篩檢出我們要的車牌字元！這就是全景辨識車牌的困難之處，如果是特寫鏡頭拍的車牌，我們可以假設車牌字元就是影像中最明顯的目標，像下面的影像要辨識車牌當然很容易。

所以停車場出入口的車牌辨識大家都搶著作，因為最簡單！一旦跑出這個理想的環境，還要能高比率的正確辨識車牌，那就是完全不同的技術層級了！如果還要辨識多個車牌，車速還有點快，就是在比較「自然」的情境中辨識到車牌，那更是大學生甚至研究生與小學生的程度差別！完全不能互相比擬的！

賣車牌辨識系統的廠商最不願意說清楚的，就是這種差異！他們希望用一個「辨識率」就含糊帶過這個天差地遠的技術難度差距。希望買家認為他們如果可以在理想環境辨識到98%，就一定可以在任何環境下辨識率都是98%？這當然是愚民政策。

更糟糕的騙術，是讓客戶相信：如果在不同的環境中系統辨識率變低了，只要用「大數據」多給系統餵資料作機器學習或深度學習，系統就可以自己進化了？這是不可能的！即使勉強能讓辨識率稍微提升，付出的成本代價也完全不成比例，譬如收集數十萬張影像，耗時費力訓練系統很久，卻只能提升辨識率兩三趴！

其實雖然全景辨識很難，但不是沒有穩定可靠的方法可以逐步分析解決，像第一張圖我們運用動態二值化門檻，在每個區域給予不同的二值化門檻，還是可以作出如下的二值化圖，車牌字元還是可以被看到的！

但是照著這個影像的邏輯繼續辨識下去，車牌的第一個字怎麼看都不會像是一個完整的字母A！所以無法避免的，我得到的答案是：AT-6285，而不是正確的AAT-6285，甚至那個殘缺的2字都有可能辨識錯誤。

如果你相信有某種「完美」的目標特徵演算法，譬如很熱門的CNN或RNN之類的，一定可以自動檢出我要的影像特徵，你就會陷入方法論的無窮調整程序，即使最後「踹」出了一組參數可以正確辨識出眼前的這張圖，也不保證可以適用到所有其他的案例，而且你也不知道為何這樣作就可以成功的原因？下次碰到無法辨識的圖時，你該怎麼做？你還是沒有具備理論基礎的經驗可以參考。

其實不必這麼麻煩的！如上圖的狀況其實很明顯就是二值化門檻值偏低了！如果字元沒有反光時，其實這種演算是OK的，但是有反光讓字元變得比較亮了，一樣的門檻值就會讓字元殘缺不完整了！知道這個原因，就找個邏輯讓整個門檻值拉高，就可以做出這樣的結果了！

你們說我的演算法車牌辨識核心有沒有機器學習的精神呢？其實也是有的！我知道真實世界中的車牌，就是會有很多環境因素讓我們的二值化門檻無法定於一尊！反光或字元略有磨損缺陷時，用高門檻比較能得到完整的字元目標。但是高門檻又容易讓筆畫變粗，讓太靠近的字元因此沾連成一塊，或字元與鄰近的背景雜訊相連，我們又無法辨識獨立字元了！

像下面的這個例子，高門檻會因為字元過度沾連而無法辨識，低門檻讓字元變得細瘦，但就是可以辨識成功！

所以二值化門檻高有高的問題，低有低的缺點，那我該怎麼做才能兩全其美呢？其實也很簡單，就是兩種都作！如果只有其中之一有合理答案當然沒問題，兩個都有答案而且一樣，也沒問題！如果不一樣呢？當然就是看整體符合度與合理性來評估了！譬如上例都是七碼車牌，字型是與六碼車牌不同的！字型是七碼車牌的字，出來的答案卻是六碼車牌？當然不合理嘛！扣分！七碼的正確答案就出線了！

我說過我從來不想隱藏我的技術理論邏輯，最多只是考驗模仿者實作的技術能力而已。我的車牌辨識核心邊緣極端狀況的辨識能力很好，關鍵之一就是我其實會用不同的二值化門檻作兩次辨識！然後再選一個比較合理的答案。但是問題來了！那不是會花很多時間嗎？車牌辨識是需要講求速度效率的，我的產品其實辨識速度快也是一個特色，「作兩次辨識」？時間不是會拖慢兩倍嗎？

是的！真的會慢兩倍！所以我的辨識流程才會分成好多版本，如果是速度需求極高的車載系統，當然就不會作兩次了，但是那種應用時的辨識畫面一直變動，也讓我的單一二值化門檻的辨識對像有高速變化，所以成功率還是很高的！某個角度會反光，下一張就不會了！如果是低速或靜態影像，當然就是細嚼慢嚥囉！

但是我可以這麼奢侈的使用看來耗時的辨識流程，很重要的原因與前提，還是我的演算法，就是純數學的部分效能是非常高的！像這張影像真的是走了兩次全景辨識程序才得到正確答案，先是算出AT-6285的錯誤答案，提高二值化門檻後再算一次才得到正確的AAT-6285。但時間還是很快的！36萬畫素，0.163秒！如果只作一個門檻呢？只要0.08秒，但答案是錯的！

不要懷疑，我用傳統演算法就是能做到讓大家驚奇的AI智慧，真的不必，也不應該太依賴機器學習或深度學習的！把基本功盡量作好研究清楚，一定會比花時間玩機器學習更快達到目的的！