即使是我自認超強的道路版車牌辨識系統中，紅白色的車牌辨識率還是低於一般車牌！如果要我列出辨識難度排行榜，大概是這樣的：

第一名：紅底白字的重機或遊覽車

第二名：白底綠字的工程車(還好一般是綠底白字的較多)

第三名：白底紅字的計程車

還好前兩名出現的機率不高，計程車就是常出現又有點難辨識的痛點了！這不是我個人產品的獨家「特點」，所有車牌辨識系統都是這樣的！每一個車牌辨識研發廠商當然都知道原因也會努力改善這個弱點，我也是一樣的！我甚至為了增加紅光的辨識能力，設計了特殊的灰階轉換模式，紅綠車牌的辨識能力都比之前的原始版要好了！

第一個難辨識的物理先天原因是，數位影像都是以三原色RGB來接收感光的，但是自然光中以綠光能量最強，紅光較弱，所以與同樣白色的車牌背景擺在一起，紅字就是沒有黑字清晰。

其次既然綠光是主要色光，焦距調整又與光線的頻率有關，所以一般相機攝影機對焦時其實都是對準綠光焦距，紅光就是處於略為失焦渙散的狀態。如果你看綠光時是視力1.0，看紅光時大概就是近視100度！ 所以一樣距離與光線環境下，紅字車牌辨識率一定是低於黑白車牌的！

人為的因素方面就是車牌的格式了！計程車的車牌格式超級混亂，可以是五字、六字或七字！其實工程車也一樣，甚至更亂！但是以出現率來說，計程車還是比較高的。我們在車牌辨識時是一定會參考車牌格式的！譬如發現五字車牌就會考慮是不是漏了一字？發現車牌字元的字型像是七碼的車，但是只有六碼，就會考慮其正確性？或嘗試用影像處理捕抓遺漏字元了！

所以我的系統面對計程車牌時就會顯得無所適從，因為甚麼格式都可能是對的，所以你就很難確定排除錯誤的辨識結果，在連續動態的車牌辨識中，因為雜訊或模糊，偶爾多一字少一的隨機錯誤是難免的，這就會讓系統顯得猶豫不決，「看計程車」時反應比辨識一般車牌遲鈍了！

這樣大家能理解了嗎？上述的不利因素造成的辨識難度，都跟軟體演算法無關，我們能做的大概就是給紅色光一些影像增強處理的禮遇，讓紅光比其自然的比例更顯眼一點，如此而已。事實上不是沒有更多針對性的演算法可以使用，只是計程車畢竟不是最常出現的車種，我們也必須考慮處理時間的成本效益，以及特殊演算法產生的副作用會不會讓其他車種的辨識率變低等等。