如上的案例，這種車牌的設計，好像是刻意用來刁難OCR影像辨識技術用的？正常的車牌沒有那兩條深綠槓槓(也沒必要)，沒有它們來攪局，這絕對是一個很好辨識字元目標的影像！但是故意加上那兩條槓槓，顏色還深到跟字元非常接近？加上環境昏暗與超低的解析度(320X240)，當然車牌字元極難被正確地獨立切割出來。

其實影像辨識要達到最終目的，可以有很多種方式與流程，我們要辨識如上的車牌就可以區分為「辨識車牌」與「辨識字元」兩種類型！如果是辨識整個車牌的特徵，上例就不算太難，但是要辨識字元呢？麻煩就大了！

大約七八年之前，一般的影像解析度差，我在2013-2014年間辨識的第一代車牌影像就是只有320X240的！車牌的六七個字元可以被完全正確切開的機率不高，所以多數車牌辨識演算法都是找(搜尋鎖定)整個車牌的！我的第一代車牌辨識核心也是這樣做的！目前的CNN也是這個層級的演算法，用一些點線的特徵分布鎖定車牌的區域位置。我是認為位階比我的方法低一層樓啦！

當年我就發現這樣做不確定性太高，他們都必須假設車牌是很端正的矩形！不然地毯式搜尋就很難執行了！找過水平的車牌之後，還要找各種大小，傾斜10度、20度、30度到X度的任何可能車牌區塊，絕對不可能找完的！我的第一版也面對一樣的問題，所以只能找到水平的車牌，超過10度就GG了！但是各種角度拍攝的車牌就是會傾斜變形的啊？

所以我做了一個重大的決定：我的新演算法要以辨識車牌「字元」為主軸！這樣當車牌整個傾斜時，我也可以依據字元組的傾斜排列知道，所以任何傾斜變形車牌我都能辨識了！這就是我這些年技術領先的優勢關鍵了！但前提是「大多數」的車牌字元要能被獨立切割辨識出來！

我敢這麼作，也獲得成功的大環境，其實是百萬畫素的時代來臨！如果我被迫回到那個320X240的影像時代呢？我的創新辨識核心可能表現還不如那些「古時候」的辨識核心！譬如上例就是很難讓車牌字元被正確切割的極端案例，幾乎七個字裡面的五六個字都會跟深綠槓槓連成一氣！

我也跟客戶解釋過了！我不是無法辨識這種影像的車牌，但這明顯是屬於「古蹟維護」的工作！我必須客製化古時候的演算法，才能在這種影像上獲得最佳化的辨識能力！那種核心就會有所有舊時代辨識核心的缺點，我的這種努力值得嗎？你們會願意付錢讓我開工嗎？答案當然是不會！

但我是個很聰明很努力的自有技術廠商，客戶既然還是繼續給我這種影像，還是繼續「質疑」我為何辨識錯誤？又不願意針對特殊資料付錢讓我做「考古」的研究，我就只能在現有辨識核心上想點辦法，看看是否能兼顧解決這種特殊狀況了！我的武功高強嘛！招數還是有的！

首先是將太小的圖放大兩倍！那樣字元與背景間的微小空隙就放大一點了，被切割開來的機率當然就大一點了！但只是影像放大並沒有讓間隙的顏色亮度改變，空隙顏色變化不明顯切割還是一樣困難。那就來個「銳利化」處理吧！讓字元間的亮度凹槽變得更明顯，理論上啦！如果本來就是一樣的色階，銳利化也是無效的！

很幸運的，如上例經過影像放大與銳利化處理，REA-1292七個字中有四個字很勉強地被切割成功了！雖不夠完美，但已經足以讓我的其他補救演算法估計出完整的車牌範圍，回到原圖切下車牌影像找到所有的車牌字元。

這一個案例是過關了！但是大家看完我的過程圖，應該也知道這叫做九死一生！很驚險靠運氣才過的！影像增強處理不能完全依賴的道理就是這樣，如果原始資料中連一點顏色變化的跡象都沒有，增強對比就根本沒用了！數學是無法無中生有的！

所以啦！合理的方向還是提升影像資料品質，讓解析度與對比度更好，才是穩定提升正確辨識的合理發展方向，我當然會努力讓辨識率加分，但是巧婦難為無米之炊，我不是點石成金的呂洞賓！如果有人說他們就是大神？就信不信由你了！我很確定自己不是神。

在商言商，其實這種超過合理範圍的「售後服務」是不是應該額外收費呢？我是不是應該扣住這個更新？要求客戶給錢後才更新功能呢？很傷腦筋的！但是我通常就算了！免費更新分享客戶大家高興就好了！也因此我的公司才會不賺錢嘛！說到做生意我真的很糟糕，只是賣一個幾萬元的產品，衍生的工作量卻跟一個數十萬的專案研發類似？而我居然還好高興辨識成功了？被老婆(董事長)罵經營不善真的是活該了！