我讀博士的時候發明了一套可以自動辨識地形特徵的數學方法，是我博士論文的主體，也是我目前做車牌辨識研究的起點。當時我並沒有遵循一般「學術研究」的慣例，先做很多的Study！就是讀很多相關書籍與論文，研究前人在此議題上的做法與成果，然後才開始「思考」我該如何解決眼前的問題，而是試著使用最符合常識與直覺的方式與方向去解決問題。

既然大家公認人腦是最聰明的視覺辨識機器，那就盡量用我們看東西時的思考模式去想出演算法與程式碼，這不是很合理嗎？其實我也不是完全沒看書，只是覺得他們慣用的方法動不動就來個頻率域轉換，或者製作一些參數詭異的空間濾波器，我無法充分理解那些數學，就不太想用了！如果我的常識解決方案無法進行時再說吧！很幸運的，我如願想出符合直覺的演算法，就不小心畢業了！

當時我是在海洋研究所的地質組，多數老師的數學都不算太好，面對我發明的辨識演算法當然有點尷尬，不敢妄下斷語又必須認真打個分數。其中大家公認數學最強的喬凌雲教授(已經當過所長)很細心地看完我的方法，也提出很多質疑，等到我讓他信服方法無誤之後，他噓了一口氣，然後半開玩笑地對我說：

「張逸中，你知道嗎？你最大的優勢就是你完全是個大外行！」

意思是我完全跳脫了影像辨識慣用的方法邏輯，所有人都一定會用的空間濾波，以及常用的空間頻率域轉換方法，我一點都沒用到！反而自己發明了一些很像小學生都會想到的方法，硬是用簡單數學思維作為起點，最終卻真的解決了複雜的問題。我尷尬的回答老師說：不好意思，我的數學不好嘛！

我的想法是：如果別人的方法都已經把問題處理得很好，就不會有研究的價值了！老是跟著別人的思路，當然思緒會受到限制，加上自信不足的話，就會做出很多無法跳出窠臼的，無聊也無效的「研究」！但是當我們寫學術論文時，學院派的教授都很堅持，你「必須」熟讀所有前人相關著作，還得討論你的方法與前人方法的相關性等等，否則就是做研究不嚴謹，甚至還沒看你的研究成果就直接退稿了！因為你是「外行」嘛！哪有資格談這個專業的問題，更別提寫論文了！

所以我寫論文時很討厭寫Introduction(介紹研究背景)與Reference(列出參考文獻)，我投稿論文時老是被批這兩部分不完整，太簡略等等。我覺得很奇怪？他們可以放著我真正有效的成果不看也不談，卻批評你對前人的「大量失敗經驗」不夠尊重？「居然」沒將這些「重要」的論文讀完？而且以此否定你？我不是已經做得比前人好嗎(不然我不會想投稿的)？學術研究不是為了求進步嗎？我都是先嘗試看看用我認為直覺可行的辦法，不行再說嘛！大家日常生活處理問題不都是這樣的嗎？如果我成功了，方法也優於前人，我還必須讀完所有之前較差解法的著作嗎？哪這麼多美國時間啊？

下圖是我辨識程序中找車牌的關鍵步驟：二值化→輪廓描繪→目標群組→篩選目標

其實就是一般人看東西的過程，先在照片中設法找到目標，排除雜訊最後設法將車牌字元「看清楚」甚至會針對小缺角做一些修復。我最奇特的是去替東西畫輪廓框線，這和一般人發現可疑目標就會想用筆先圈起來是一樣的！但是用程式一圈下去就不得了！因為所有輪廓都畫出來就會亂得不得了(如上圖)！多數其他影像辨識專家根本不會嘗試這麼做，因為這顯然會陷入畫面過度雜亂難以繼續處理的窘境。

我的方法研究的關鍵就是：我堅持沿著這個路徑走下去！我也像一般人一樣，就是在超級雜亂的資料中，篩選過濾掉不重要的資訊，將「最像」車牌的輪廓框線留下。真正有點難的數學，或許比別人用的方法還難的是：如何定義輪廓目標群組？以及如何篩選操作它們的部分。不過我認為那是符合人類思維的方向，所以我努力前進，最終也都有了結果，而且還發明了一些特殊運算技巧，讓搜尋輪廓目標的運算非常的快速！老實說我不知道別人有沒有提出過那些算法？那是無聊的博士教授們的負擔，我只是一個工程師，只要能解決問題就好了。

其實多數其他專家都是在處理成黑白或灰階圖的階段就開始用空間濾波，然後就進入了數學不好的人完全不懂的「神奇」運算之旅了！我光是向學生解釋為何影像黑白分明的車牌部分叫做「高頻」區就說不清楚了！我的數學其實不算太差，不喜歡用這些方法，是因為人的腦袋根本不是這樣辨識目標的！就算成功辨識也好像用了外星人科技，太不人性化了。如果直接在空間域進行辨識演算，可以像人腦程序一樣的「看出」結果，有何不好？不必寫深奧的論文多數人都看得懂。雖然Nokia好像倒掉了，但是那句廣告詞我還是很喜歡：「科技始終來自人性！」哈哈！

所以啦！偶爾相信自己的直覺，堅持一下，用點別人都不用的方法去思考解決問題，或許你也會有像我一樣的意外收穫！別那麼相信那些古板的老人言，或者道貌岸然的甚麼SCI學術期刊，或許會更有搞頭的！其實所謂的SCI期刊多半是一些吃飽太閒，只想增加論文篇數，根本不想真正解決問題的學者專家們寫的，當作FB上的哈拉閒話看待就好！