這是千真萬確絕無造假的車牌辨識實際案例！昨天客戶傳來一批從路邊低角度攝影機拍的照片，要我評估辨識率如何？也看看是否能針對性地優化辨識率？這是其中的一張，看似幾乎不可能辨識，但我還沒調整辨識流程參數，第一次就直接辨識正確了！說實話，連我自己都嚇了一跳！

通常作車牌辨識的廠商有這種神奇案例時，拿來打廣告，說自己有多厲害！我們的軟體是多麼地AI就結案了！大家一定會好奇問：這到底是怎麼作到的？那就是商業機密了！反正不管是故意不說，或他們不幸用了無法精確自我解析辨識流程的機器學習，根本無法跟你說明，反正他們鐵定不會說的！但是我就會！

還記得剛上大學時，大我兩歲的親哥哥就是同系的學長，他曾經諄諄教誨我「把妹」的最高守則圭臬就是「保持神祕感」！這一點現在搞AI的人真的做得很好！傳統科學總是必須被迫說清楚講明白，但只要用AI關鍵字蒙混的話，就可以完全不必說明，大家居然都還是相信他們真的有神力？這實在太厲害了！

但是很可惜，哥哥的教誨我始終無法做到！即使已經有很多人說我的辨識軟體很神奇，很 AI了？但至今我還是無法坦然地參與AI詐騙集團的行列！我有點亞斯伯格的症頭，不管對人對事總是忍不住會想有話直說！最不喜歡的事情就是搞神秘！雖然處理人際關係時好複雜，有時必須忍一忍不能實話實說，不然連老婆都會把我殺了！但是科學研究呢？我絕對不忍的！

如上案例，我確實就是使用傳統的OCR辨識技術做出來的，跟那些ML、DL或CNN等技術毫無瓜葛！裡面也絕對沒有甚麼AI大神的加持，只是有些運氣成分，天時地利人和湊巧相撞時就意外中獎了！放大來看車牌附近的辨識過程如下：

我真的找到了「疑似」車牌的那個目標群組！事實上前面的BHW三個字因為太靠近，是互相沾連成單一目標的，1510四個字則勉強可以分開！照我的搜尋邏輯，超過四個成排的目標組合就會嘗試去做進一步處理！此例就是：BHM +1 + 5 + 1 + 0，共五個目標。所以如果任何目標再靠近一個畫素，多一兩個目標沾連，我就會「看不到」這個車牌了！

這個案例運氣好「賽到」的原因，其實是因為中間有兩個不易沾連的數字1之故！如果不是1510，而是1550可能就會讓550串連成一個目標，這一組目標就只會有三個目標：BHW + 1 + 550，他們初審時就無法過關了！所以我不會跟別人講我的車牌辨識可以側向斜視辨識到68.6度！那是騙人的！如果不是剛好有兩個1字元站衛兵當分界點，通常60度以上就不保證成功了！

但是一旦它們初審過關，接下來就可以針對性的作更精準更聰明(更AI？)的幾何修正處理，就是找到目標群組的四個邊界，將任意四邊形扭正為近似車牌正面視角的矩形，這在OCR中被稱之為正規化(Normalize)。到此階段BHM就可以清晰被看出來是三個英文字了！在原圖中它們原本是擠成一團的單一目標的！

在此也想告訴大家，下面這種廣告是鐵定在騙人的！不要輕易上當了！如果真有這種商品在賣，你一定要像我的客戶一樣，拿你的資料試用統計實際辨識率之後再審慎決定是否購買！昨天的客戶我就給他20天的試用版，測試完確定合乎需求目標再說！如果他肯給我資料研究，我還會幫他調整優化辨識率！

我確實相信他們有可以辨識這種高角度車牌影像的AI模組！但是如果他敢直接寫出那些辨識率呢？那就鐵定是不科學的態度了！重點並不是95%或99%是不是太高了！而是影像辨識總有極限，即使他們提出一百張很難辨識的成功案例，也不能證明實際上線時就可以辨識率百分百的！不然你讓他們試試昨天客戶給我的資料，譬如這兩張行嗎？我就不行，我會承認，但也會繼續研究辨識的可能性！

這兩張影像代表的意義是：辨識失敗無法辨識的原因有千百種！角度變形只是其一，光影汙損等等任何環境因素都可以讓辨識失敗，直接宣稱辨識率的這個動作本身就是很不科學的態度，而且還沒有提出完整的資料集給人看？由工研院的報告中這樣提出？你還能相信他們是科學家嗎？

我是常常PO出很難的辨識成功案例，想證明我有可能辨識成功這種案例，但絕對不會直接宣稱我的車牌辨識率就是多少趴！最多只是保守的說：在一般停車場控制較佳環境下可達99%，一般道路環境下，可達90%以上等等。面對完美的影像，誰的辨識核心都是一百趴！刻意刁難的照片呢？誰都會不及格的！

譬如昨天的這一批客戶照片，我的總辨識率就只有67%，但是當客戶篩選出認為應可辨識的照片為基數時，我的辨識率就是90%了！總之，辨識率是一個相對值，就像考試分數一樣！有人宣稱自己考試永遠可以拿到99分？你相信嗎？還記得讀建中時有次模擬考化學科題目超難，全國最優秀的高中生全校平均也只有「16」分！拿研究所的題目考高中生就會這樣的！

但是很神奇的！現在當某人說他有AI技術時，很多人就會相信這種鬼話了？這已經是個社會問題了！太多人一聽到 AI 這個關鍵字，智商就瞬間變低了！你也是嗎？