做到這一張影像的辨識時心中頗有感觸！這些年來我的車牌辨識生意有半數以上是靠車載車牌辨識撐場的！也就是辨識的影像多半是像這樣，有著非常複雜的街景作為背景。與停車場情境不同的是：我既無法安排背景環境，也無法調整攝影機拍攝方向來避開這些複雜的背景。

因為我的辨識邏輯是先將所有獨立目標視為可能的車牌字元開場，再嘗試找出成排目標作為車牌候選人的！所以那些建築物的成排窗戶就會讓我的辨識軟體「眼花撩亂」，分心耗時去嘗試把窗戶當成可能的車牌一一辨識！一陷入這種五光十色的十里洋場，我那號稱速度極快的車牌辨識也會瞬間大減速了！

所以這些年來我一直很努力嘗試用各種邏輯，讓那些其實不是車牌的辨識流程提前結束！如上這種影像僅僅在一兩年前都會辨識到超過200毫秒以上！因為計算時間消耗太多在嘗試辨識窗戶，證實它們其實「不是」車牌！簡單說，如果我可以越早發現辨識中的物件不是車牌立即放棄，我的辨識速度就會變快了！

這是一件很繁瑣也可能產生衝突的工作，常常建立了某種邏輯可以快速排除很多假的車牌辨識流程，但是卻會意外淘汰某種狀況下較模糊的車牌！那就不能使用它了！其實會愛用機器學習的人就是不願意面對真實世界的這種複雜性，才會希望讓機器(電腦)用大量資料累積的經驗，不必分析原因就直接做判斷了！

在此議題上，我就是愚公移山的老公公，或是要將鐵杵磨成繡花針的老婆婆了！點點滴滴深入研究很多可以，或不能提前結束辨識流程的原因，整合好多年之後才做到現在的程度！如上的案例幾乎可以說是「無視」那些複雜的街景，只用52毫秒就辨識完成唯一的車牌了！

所以我才是真的在研究如何「理解」辨識目標是不是車牌的影像辨識專家！我跟那些根本不想知道科學事實，只想依賴經驗統計「猜測」出正確車牌的所謂「AI專家」是在完全不同樓層上的！一旦我做到了如此精準有效的AI判斷能力！我的軟體就真的可以因為計算量極低，而變成可以飆速的高效能AI辨識軟體了！

相對的！如CNN與DL等等演算法，從基礎概念就不是真的想研究科學事實的！只是想利用經驗統計求得最大機率「猜對」正確答案的路徑！面對較簡單的事實時確實可以達成目標，但是碰到像在真實街景中辨識車牌的複雜狀況呢？其實辨識率絕對不如傳統OCR的辨識方式高的！

XX學習誤導大眾的是：萬物皆可辨，只要先學習！但這從來就不是事實！簡單的辨識本來就不必使用機器學習！複雜的辨識即使用再多資料，再複雜的模型去深度學習，也不會得到比愚公移山式的傳統努力更好的辨識率！事實就是如此，但是XX學習的專家會一再地讓失敗的追隨者以為只是自己不懂XX學習？那就去買更多模組，去上更多課程吧？多數的AI「專家」就是這樣賺錢的！並不是他們自己真的能做出好的AI軟體？

更可怕的是：這樣只想用經驗值與模型複雜度完成影像辨識的作法是效率極低的！資料不夠或模型不夠複雜辨識率就會很低！資料夠多模型夠複雜辨識率也夠高時呢？就是做出一隻會狂吃電的哥吉拉怪獸了！運算量大到不可思議！連電腦CPU都不夠用，必須額外使用GPU設備才能讓辨識時間變得可以讓人忍受！代價就是一張數萬元的特殊規格顯示卡，以及長期大量消耗的電費了！

所以我相信自己是走在正確的道路上！我不用CNN與DL等技術絕對是正確合理的選擇！我個人比較辛苦傷腦筋做研究的代價，就是做出真正辨識率高，又能省電快速執行的辨識軟體！再次強調：我賣的軟體都不必使用GPU，就可以比那些用了GPU的軟體更快，還更準確，辨識率更高的！不相信嗎？我隨時可以讓你免費試用的！我的客戶和整個地球都會因此感謝有我真好的！