最近這半年來我的公司除了車牌辨識的生意漸漸步上軌道，還有幾個洽談評估中，實際上還沒正式開工的動態影像辨識專案，但是我們已經將我們下一階段的技術研發方向，定位在真正的動態影像辨識技術。所以即使還沒正式簽約拿到錢，我們已經自行開始做很多研究工作了！這就是「投資公司未來」的努力了！

長期關注我的讀者或許會問：你不是很早就在做「動態」車牌辨識了嗎？其實內容是很不一樣的！我的「動態」車牌辨識軟體，長久以來還是以單張影像的車牌辨識為基礎，所謂的「動態」只是將每一張影像的車牌辨識結果作時間軸上的統計篩選，譬如連續辨識十張影像十個車牌，有七張同號就輸出這個號碼，零星亂跳的三個奇怪號碼就當辨識錯誤忽略掉了！

簡單說，我的車辨軟體之前並沒有真的做「跨影格的影像處理」！我說的真正的「動態」影像辨識技術就是不只做單張辨識結果資訊的統計，還會真的做連續兩個影格，甚至很多個影隔之間的影像內容交互計算。最簡單的就是前後兩個影格的相對點亮度差值計算，如果差值趨近於零，就是該區域沒有東西在動，有劇烈變化就是有移動物體(或光影)出現了！

最近我已經將最簡單的偵測畫面「有無移動物體」的簡單計算引入車牌辨識軟體，所以我的軟體可以依據「畫面有沒有在動」的程度決定是不是要做完整的車牌辨識？譬如車輛進入攝影機拍攝的畫面內，一定會導致畫面各點亮度擾動，擾動面積達一定程度，全套的車牌辨識程序就該上工了！

畫面停滯時，當然也可能是車子已經停在畫面中，所以不是畫面不動時就完全不辨識，而是降低頻率到一秒一次，所以即使車子停住還是會有辨識結果的。相對的，車子移動時軟體是會高速辨識的，不然我的道路版軟體就無法運作了。當然這些比起前面影片中的人物追蹤機制只是最簡單的應用，我們的動態影像辨識研發腳步已經遠超過這個程度，甚至已經跟大家在YouTube上可以看到的多目標追蹤影片展示的技術相當甚至更好了！

真正多目標追蹤的兩大難處，其實一是背景如果也有很多動態物件或現象，如何辨識排除？一是如果動態目標走走停停如何持續追蹤？如下的影片其實沒有交代如何處理非人物的動態目標排除(譬如跑馬燈廣告或交通號誌變換等)，多數這類影片也都是這樣的，所以內涵技術其實不會比我們的實驗影片高明。

我在FB貼出我們實驗的結果之後，有認真的網友問我是不是用「哈爾特徵法」？我很誠實的直接回答：「甚麼是哈爾特徵法？沒聽過！」當然我也立即好奇的看了一下他說的方法，但是我真的沒用到，所以我不是抄襲或實作誰的特殊數學方法。那我們是怎麼做的呢？其實真的就是依據一些我們觀察到的物理現象，推演合乎事實(物理現象)的數學式子，然後寫成程式做到的！

這個實際的研發過程中，我想告訴其他對影像辨識有興趣的人說的是：真的不必依賴特殊演算法，也不應該用特殊的演算法做為研究的起點，真正重要的是物理現象！你要找的是可以正確描述你想辨識的物理現象的數學方法，而不是找到「某種具有神效的數學方法」就可以直接很神奇的辨識出你要的東西！影像辨識不是算命，只是踏實的傳統科學。

像哈爾特徵法這種演算法小技巧，在我們的資源回收桶裡面很多！我們真的常常依據需要隨手設計出來，不適用就隨手丟棄，最多留下程式碼當做以後或許可用的資源。即使真的適用也不會自認是甚麼偉大的發明？還寫成論文發表之類的！那是教授們謀生騙吃騙喝的方式，不是我們。

原因是那些技巧方法其實多半沒有宣稱的神效，只對特定的物理現象辨識目標有用，即使我不知道那些方法，根據我看到的物理現象也很容易隨時設計出來！知道太多這種方法論，還覺得遇到問提時必須先一一測試「先人」的這些「發明」能不能用？只會是我們研究演算法時的負擔，不是助益！我是說真心話的，信不信由你！如果你的指導教授說的跟我不一樣，你就問問他做出來的各式影像辨識成果比我多還是比我少？