說到模糊車牌的辨識，其實我的軟體還是遠遠不如人眼的！前文提到一個剛好點中我的死穴，看起來還算清楚，一般人都可以輕易判斷的車牌，我的軟體卻無法辨識的案例。但是同樣的一段影片中，有些看起來差不多模糊，甚至更模糊的車牌，我的軟體卻能辨識成功，如下圖：

我刻意用不同的顏色顯示出其實七個字之中90與36是互相沾連的！但是我給了車牌字元搜尋組合時的容忍度，所以這五個其實包含了七個車牌字元的目標，還是可以被我的程式認定為一個車牌區域，不管原始大小如何，都投影成一個標準車牌該有的大小，就是所謂的正規化。再從這個子影像中設法一個字一個字的辨識出來，如下圖：

最左方的灰階車牌，表示我並不是從原圖的二值化影像中切割子影像的！而是切割且投影出原圖中車牌的灰階影像。就像我們的眼睛會先看全景找到車牌，鎖定車牌之後，會調整焦距「注視」這個車牌的小區域，更「用力」的去辨識個別的字元！其實就是取得一個新的，解析度與對比度可能都更高的影像。只是我們作影像辨識時只有一張影像，不能鎖定目標之後再Zoom In重拍，所以就只能局部放大繼續作影像處理囉！

我的更「用力」，就是用取得的正規化車牌灰階影像，再作一次更精準的二值化，這一次我考慮的條件就比較明確了！希望二值化之後會呈現大致固定寬度的幾個字元，我可以以此為目標調整二值化的門檻，譬如稍微降低門檻，試圖讓沾連的字分開，甚至因為我已經知道字元在此標準的車牌影像中應有的寬度了，就主動切開大約是兩個字寬的目標，看到二值化圖90中間的白線了嗎？就是我的程式切的！

當然畢竟這個車牌是比較模糊的，那個K沒被辨識成X我都覺得運氣很好，程式估計的符合(可靠)度只有78%，這種信賴度在停車場版本的軟體中是會直接被排除的！因為可信度太低了，勉強接受也可能有一兩字辨識錯誤，如果預期這個目標車牌一定有機會被拍得很清楚，這種爛資料就放生了吧！等車子靠近一點，車牌較清楚時再辨識一次。但是道路情境使用的軟體，不能預期這輛車子會有更好辨識的機會，就會加減用了！無魚蝦也好嘛！

把辨識過程寫得這麼清楚幹嘛？洩漏商業機密，不想繼續在這個業界混了嗎？確實有點風險，但是我忍不住想表達的理念是我思考解決影像辨識問題的方式，真的就是一路模仿與模擬人的思考過程！我很少看到別的專家學者以這種觀點提出對於影像辨識的討論，總是以數學方法掛帥，而非以物理現象為辨識方法的前提。

但是我堅持這種「傳統」的研究方式與方向好多年來，確實是相當順利，甚至可以說是勢如破竹！我完全沒用過「大家都在用」的OpenCV、機器學習、深度學習或邊緣運算等等時髦的技術，就可以作出很多高效率多樣化的影像辨識軟體，目前公司營運很順利。

我很希望大家知道影像辨識真的可以這麼作！只要搭配夠成熟的程式設計能力，誰都可以學我這樣作，這是一條確定走得通的道路！我自己也會繼續這樣走下去，直到我發現此路真的不通！或者那些主流派的觀點技術可以輕易地把我打趴，作出比我的軟體更聰明也更快速的軟體，讓我的東西真的賣不出去時為止！

就像生物多樣化的概念一樣，我不會想再去批評或比較我的方法與機器學習學派的差異優劣，重點是我的影像辨識理念「也是」可行的！如果有人剛好覺得想這樣作，或覺得應該這樣做，我希望我的例子可以鼓勵到一些人，學影像辨識與作影像辨識，並不是非從網路上說的那些技術或理念開始的！只要你懂得基本的物理、數學與程式技巧，以你自己的視覺智慧為師就可以開始了！