如果車牌辨識只是辨識車牌的「內容」，就是整張影像的主體基本上就只有一個車牌，當然是很容易的！真正的挑戰是如何從自然複雜的環境背景中「找出」車牌，也就是在包含背景中的很多可能目標中「認知」到某一小群目標是車牌的字元！我的辨識SOP中，利用的最重要關鍵特徵是車牌的字元必然會「成排出現」！

已知合法的台灣車牌最少字數的是拖車載台與紅牌重機的四碼車牌，所以我搜尋可能車牌的門檻條件就是找到四個以上到七個之間的成排目標！因為我的「成排」定義是允許傾斜的，只要目標之間的實際距離夠近即可，所以即使是歪斜到數十度的車牌我也可以找到！

相對的，那些死守CNN矩形區塊搜尋模式演算法的AI團隊，就難鎖定傾斜超過10度的車牌了！這是一個極大的問題！任何人拿手機拍車牌的傾斜誤差就很容易超過10度了！這是讓以ML+CNN製作的車牌辨識系統至今無法廣用的一個超大先天缺陷！也是我在車牌辨識市場上至今仍傲視群倫的一大優勢！

但是如果碰到像上面這種，只有一個「使」字加上一個數字的大使車牌呢？它的規則是使字後面可以是1-3個不等的數字！如果是滿檔的三個數字就可以順利進入我的SOP完成辨識，如果只有1-2個數字呢？成排目標總數不到四個，根本不會被認為有可能是個車牌了！

怎麼辦？如果要降低門檻，讓所有兩個或三個「成排」的目標群都要當作可能車牌處理？那幾乎所有的目標組合都必須視為車牌作後續處理了！好像為了防範千分之一的走私機率，每個郵包都要拆封檢視？成本太高效益太低，不可能這麼做的！如果你對排列組合的數學略有概念，就會知道這樣做資料處理計算量會大上幾百倍！那我的軟體也必須找GPU，找輝達晶片救援了！

所以很必然的，要辨識這種特殊車牌一定必須建立一個穩定可靠的例外處理通道！讓使字與9字不必湊齊四個字就可以直接判斷我們兩個人結合就是一個合法的車牌了！怎麼作呢？其實我已經想了五六年！甚至已經想出三四種方法，都可以辨識出這種車牌！

但問題出在我手邊的這種特殊車牌的資料量太少，我的方法是否穩定？是不是還有沒想到的例外？會不會漏看某些明顯的車牌？實在沒有太大把握！而且它們都是寄居在正常SOP程序上的違章建築！或許可以辨識出真的大使車牌，但偶爾會因為一些意外雜訊被錯誤啟動，誤認環境中某些紅紅的目標是大使車牌？那就尷尬了！

因為絕大多數的客戶都不在乎辨識外使車的，所以為了避免尷尬意外，所以我賣出的軟體中，外使車的辨識至今都還不是正常預設的功能！昨天有位客戶重提這個需求，讓我有了動機重新整理這些舊方法，甚至可以說又「發明」了一種新的方法！

其實關鍵就是在前處理時對「個別」目標的特殊屬性做一些整理備案！譬如上圖中的使字被辨識為目標時可以被發現背景是紅色，字是黑的！這種目標不會太多，全圖大概也只有個位數，那就是有使字車牌出現的可能位置了！另一方面，我們也會替較明顯的目標作直接辨識是何字元的動作！像上圖中的9字就很明顯！這種直接看出是清晰數字的案例也不多，全圖可能只有兩三個！

以上例來說，我們只會找到兩個目標是紅色背景的使字左右兩半等於是一個目標，也只有一個目標可以高符合度被辨識為一個數字9，好像某公司只有一位適婚的俊男，也只有一位適婚的美女，只要確定他們合得來(位置相近)，當然就送做堆了！「使-9」的車牌就這樣被辨識成功定案了！而且雜訊被誤認為車牌的機率極小！

唯一的缺點是如過車牌傾斜大了我也看不出那個9字的！所以目前的邏輯碰到歪斜過大的大使車還是無法辨識的！但是客戶說是停車場用，那就沒關係了！當然這只是初步提出可行的一種方法，真要讓我敢推出產品，還需要一些資料與充分的實驗調整！

我真不知道機器學習派要如何用資料「訓練」解決這種問題？還好我不是使用機器學習的！任何疑難雜症好像總是可以很快想出很多解法！這位客戶也提到他們的團隊確實有用機器學習做車牌辨識的！但是碰到軍外使車輛時就卡關了！所以找我試試，相信他們一用我的產品就不會回頭再看機器學習一眼了！