這是我們目前測試區間測速系統的起點測站畫面，因為合作廠商的涂老闆很關切車牌辨識的正確率，所以今天做了一次實驗，在上班巔峰時刻的上午7:30～8:00，我錄了半小時的影片，同時間也讓系統同步運作辨識車牌。接下來就是一一停格看影片上所有的車輛，可以目視辨識出車牌的車數就是我的辨識率分母了！

每個目視車牌結果與系統辨識結果比對，總車數是1099輛，其中24輛是沒有任何辨識結果的，就是我的系統沒辨識到：漏車了！另外有13輛車是有辨識結果，但答案不正確！失敗的原因當然都是因為車牌本身的狀況很糟！不是機車車牌貼了不當的貼紙影響辨識，就是貨車的車牌髒污磨損到連人眼都看不太清楚。

還有一種狀況是一車多號產生的多餘資料，譬如某輛車的車號近看是B遠看又像8，在我的每秒20次以上的高頻率大量辨識下，就可能會有兩種，甚至三種可能的答案輸出。這在道路全景的車牌辨識時是不可避免的現象，即使有點模糊也要盡量辨識，希望至少有一個答案是對的。

當然我們的演算法必須盡量壓低這種猜測性質的錯誤答案，不然垃圾量就太多了！今天的實驗顯示是有180張錯誤的多餘答案，大約是總車數的16%，算是還好！通常我們控制的目標是要低於兩成！那辨識率是多少呢？

目視可見車牌之總車數：1099

漏車: 24(無辨識結果)

無正確車號: 13 (無正確答案)

正確辨識車數：1099 – 24 – 13 = 1062

辨識率：1062 / 1099 = 96.63 %

所以今天考了96分！這是個相當不容易的分數，因為是汽機車通算的結果，機車本來就較難辨識，又只在畫面右下角擦邊而過，但我們的系統仍然可以辨識無礙！一般公共工程的道路車牌辨識率驗收標準多半是90%，而且是一個車道一個辨識系統的狀況。如果包括機車辨識的話，大部分廠商還會跟驗收單位討價還價！看起來這些標準都考不倒我們了！而且我們還是全景多車道一起辨識的，這樣應該夠厲害了吧？放心去賣吧！

不要懷疑，今天我真的一一處理了一千多輛車的資料，所以我的老花眼現在就更花了！沒辦法，我的公司人少，校長兼撞鐘，老闆、工程師與工友都是同一個人！