最近繼續研究東南亞車牌的辨識，我辨識變形車牌的能力也逐漸在柬埔寨的版本中展現了！這是一個水平傾斜到31.69度，側視角度達43.95度的案例，目前已經可以正確辨識了，雖然距離台灣版的處理能力還有一些差距，但是應該已經達到讓客戶可以方便使用，不必太緊張焦慮隨時要擔心拍攝角度的程度了！

我想提醒大家注意的是：即使這是一個已經算偏離正面視角很多，不可能用一般假設車牌是正面拍攝的演算法來辨識的案例，我的辨識速度還是幾乎跟完全正面的案例一樣快！123萬畫素的影像只需要75毫秒！我沒有使用除了演算法之外的任何加速軟硬體措施，當然也沒用GPU，這應該會讓那些吹噓AI影像辨識的專家們汗顏！

其實影像辨識的難度就在變數的多寡，如果是正面拍攝的清晰乾淨的車牌特寫，任何高中生套用幾個OpenCV的函數組裝一下就可以辨識率很高了！但是正常情況下，我們使用車牌辨識的方式一定沒有這麼簡單，拍攝時不會只拍車牌本身，至少會包括整輛車子，那背景就複雜了，加上不可能總是可以正面拍攝，車牌就會變形，不會是標準的矩形了！低階的辨識軟體會連車牌位置都抓不到！

這時候玩AI的人就會開始興奮了！因為找到複雜背景中的目標是CNN也就是YOLO等技術最專長的事！他們總是炫耀在GPU加持之下，可以在街景中很快找到車牌！但是請問：如果是如上圖這樣高角度歪斜的車牌，YOLO找得到嗎？CNN是用特徵矩陣掃描找車牌的，所以必須假設車牌得是一個矩形才行！如果變成很歪斜的任意四邊形呢，YOLO還找得到嗎？我是沒看過這種展示，你看過嗎？

即使可以找到歪斜變形的車牌，要真的辨識出其中的每個字元也還是個大問題！因為我們要確認是甚麼字一定必須有所根據，正面的影像拿標準字模比對就可以了，任意變形的字呢？如果用機器學習或深度學習的角度思考，你要辨識出任一角度變形的字元，請問要多少資料來訓練？訓練時間不是會變成無限大嗎？

即使深度學習真的可以訓練成功數十個角度的變形字元模型，加上一點誤差容忍度就可以辨識出大部分變形的字元，但是很顯然需要的辨識時間一定會比辨識正面車牌影像要長很多！更可怕的應該是訓練開發這個多角度辨識模型的成本會高得嚇人！也會非常耗時。

換言之，如果你想用CNN與深度學習的模式，做出跟我前面展示的一樣功能的軟體，你需要的資金至少是我的數十倍！執行辨識時需要的電腦設備成本也會多好幾倍！辨識時間還一定比我的產品慢很多！不服氣就做一個類似產品來PK嘛！我嗆聲挑戰好多年了！始終沒有回應！是我的份量不夠？還是AI專家畏戰不敢面對？大家自己判斷！

我最討厭的事情就是故弄玄虛搞神祕！我不會像那些玩ML、DL與CNN的AI專家一樣專打迷糊仗，總是高談闊論讓大家以為那種AI影像辨識希望無窮？但炒作了十幾年，就是一直拿不出可以商用實用的產品？如果他們可以做到他們宣稱的目標，我早就無法以車牌辨識為生了！不是嗎？我是完全不用那些AI技術的！

我可以直接告訴我的讀者、客戶與競爭對手我是怎麼作到的！就像上圖一樣，我就是用OCR技術直接找到字元，進一步找到成排的字元目標，再依據字元群組描繪出可能的車牌四邊，接著作幾何修正讓歪斜車牌轉正，接著就是跟標準字模比對，歪斜車牌就可以辨識出來了！處理歪斜狀況的程式，就是主程序SOP的一部份，所以不論歪不歪辨識時間都是一樣的！那是我軟體的本能，不是外加的功能！

我是完全不想隱藏「核心」技術的！真的就跟我上面描述的一模一樣，任何學過傳統影像辨識技術的人都可以模仿，我甚至都寫了書說清楚了！我不會擔心因此失去技術領先優勢的！因為我自信只要我還活著在工作，看到這些資訊的人也只是跟隨我的腳步，很難超越我的！

而且除了辨識主軸之外有太多細節技術需要很多時間摸索試驗，等模仿追隨者做完這些瑣事，我已經進化到另一層樓了！我的生意不會因此受到威脅的！我勇於自己揭露核心技術，目的是告訴大家：傳統影像辨識技術沒有不好，沒有落伍，甚至依舊遠遠領先目前過度炒作的ML、DL與CNN等所謂的AI技術！我希望經過我的努力提供事實資訊，更多人可以選擇更合理有效的影像辨識解決方案！讓那些害死人不賠命的AI詐騙的傷害可以越少越好！