才52萬畫素的影像，照我的一般水準應該0.1秒之內就可以搞定了吧？但是確實也有些案例看起來車牌也蠻清楚的，辨識時間卻忽然變得很長！居然花了742毫秒才完成？事出必有因，我也是很想快一點，但是如果想讓更多變形的車牌都能被辨識到，這是很不得已的代價，就讓我講一下理由吧！

車牌辨識的第一步當然是從全景中找到可能是車牌的位置，再把該區切割出來，考慮到車牌可能歪斜還必須先經過影像處理「扭正」之後再辨識裡面可能是甚麼字！如果確實是有意義，合乎車牌格式的字串，才能確定是合理答案輸出！但是我們不能把車牌形狀預設得太嚴格，譬如像CNN一樣笨笨的，一定要是水平的矩形才可能是車牌？那歪斜一點的車牌就通通「看不見」了！

所以我的車牌辨識判斷「可能」是車牌的條件門檻是很低的！大致上排列整齊大小相似的目標群就會通過初選，開始辨識程序，直到把它們當字元辨識時才能比較確定他們是不是真的車牌！如果發現根本不是車牌，也已經耗費掉不少處理時間了！好像讀到大四才不得不把學生開除一樣！但又不能不讓他盡量試試看？或許他真的是慢熱的有用人才啊！

上例中的鐵窗與地面上的排水溝網蓋，就是必然整齊排列，一定會被初選條件選到的「可能車牌」了！如我的實驗資訊顯示會有15組通過初選，每組都必須做幾何校正，再把根本是鐵柱的目標當字元辨識，浪費的時間就非常多了！我也很想提早偵測到它們不是車牌的確定條件早點放棄，但是很難！

所以我真的很怕客戶在固定的，有這種規律排列物件的場景中做辨識，雖然還是會辨識到正確的車牌，但是辨識速度就會特別的慢！實在讓我很糗，很沒面子！但目前我也暫時沒有甚麼聰明的招數可以應付！最多就是讓客戶設定辨識熱區，圈出車牌可能出現的範圍，排除一定不會有車牌的區域！避開會產生大量假車牌候選人的區域。

真實世界的影像辨識工作就是會這麼麻煩的！我們必須對所有現象與問題都「知其所以然」，之後再一一對症下藥去設計演算法加以解決！也必須這樣才能產出穩定可靠高辨識率的軟體！不要妄想或幻想依靠機器學習用大量資料就能解決所有的疑難雜症！那種神奇的事如果你也相信？那就跟你相信有聖誕老人會在耶誕夜從煙囪鑽進你家送你禮物一樣的天真！

當然我還是會持續想這些問題的解法！或許哪天靈感一來，想到提前辨識出欄杆不可能是車牌的特徵，那就可以提前淘汰這些車牌候選人省下很多辨識時間了！我的日常就是在做這些研究的！