知道嗎？我的車牌辨識也有「繁星計畫」的特殊取材管道的！按照我的OCR辨識的SOP，我會先找出可能是車牌字元的數百個可能目標，就如上圖下的處理後影像！那些黑黑的區塊就是「疑似」車牌字元的目標了！接下來我會嘗試排列組合這些目標，看看能否湊出可能是車牌字元的組合！

有可能是車牌的目標組就會進入車牌幾何校正的處理程序，如上圖做了局部影像的幾何校正之後再從這個子影像中再來一次二值化，找出字元已經轉正的目標，此時才會開始字模比對辨識出每個目標是甚麼字？所以我和其他車牌辨識技術最大的差異可能就是幾何處理的過程非常精密完備！所以才能將歪斜變形的辨識做得很好嘛！

但是事實上很多時候影像中的車牌基本上就是很接近水平的！甚至很多車牌辨識系統先天上就排除傾斜的車牌，傾斜10度以上就罷工了！人家日子也過得很好啊？我如此認真反而常常是多此一舉了！如果考題都那麼簡單時我的軟體反而是因為想太多，看起來笨笨的反應變慢了？

所以我也開始設計了快速通關的管道！就是在初步找到的目標群中假設它們是沒有傾斜變形的！如果大小形狀寬高比例有像一個方正的字，就直接比對字模了！有點像繁星取材，找出全校前幾名的學生做篩選，如果是真材實料當然字元符合度不必幾何校正就很高了！我也湊趣稱它們是「繁星字元」！就像直接讓確定很優秀的學生不必考試就去讀大學了！這些繁星字元也不必經過複雜的幾何校正就快速通關變成車牌答案的一部份了！

如上案例就是直接找到了車牌中的所有六個字元！幾乎可以跳過所有的幾何校正程序就直接定案了！也就是碰到簡單的狀況時，我也可以讓程序簡單到跟沒有幾何校正程序的低階車牌辨識系統一樣簡單快速！也就是只要發現車牌組合之中含有任何一個繁星字元，其實就已經知道這是很接近水平的車牌了！很多後續程序都會根據這個條件變得簡化快速通關了！

既然這個設計碰到車牌水平也清晰時可以簡化程序，當然效益就是更節省計算量！讓辨識速度更快了！如上的案例居然可以讓近百萬畫素的影像辨識時間少到只需要35毫秒！夠嗆了吧？你可以試試看把GPU裝到好裝到滿之後看看用YOLO辨識有沒有這麼快？這是我的公開挑戰！難辨識的案例我已經贏定了！簡單的案例我一樣要贏到讓CNN+DL無話可說，也無地自容！

好玩吧？我是中學老師出身的！但是沒待在中學太久幫學生錄取過繁星計畫，但是這個快速摘星的概念居然幫到了我的影像辨識工作？可見各行各業的智慧創意其實常常可以相通的！現在的AI會很快幫你找到所有可能可以使用的技術與資料，但是要真的落實到應用端，就要靠更紮實的智慧與創意了！我的工作真的很好玩的！所以現在頂大資工系的教授我都不想當了！