老實說，即使一般人用眼睛看這個車牌都可能看錯，譬如看成MMM或WWW三連星，或是MWW，因為W開頭的車牌是殘障專用車牌很少見，所以多數人會自動認定第一個字一定是M至於後面兩字真的好難區分！即使放大來看都會覺得形狀真的差不多！

前文提到：影像是立體世界的平面投影，事實上不只如此！攝影機的焦距準確與否？解析度夠不夠？環境亮度是不是太強或太弱？原始影像作串流壓縮，或是JPG檔案壓縮時，都會讓我們想要辨識的字元目標產生邊緣模糊的變形效應！所以就會讓本來就很像的M與W更相似，更容易魚目混珠交叉誤認了！

但是請大家設想一下，如上圖這種清晰程度，實際的畫素字元高度也達到31畫素了！如果我的車牌辨識軟體卻有一半的機會誤認M與W，那我還想在「道上」混嗎？老是要跟客戶解釋為何認錯真的很麻煩，也有損鄉下老師英明睿智的形象！所以即使很困難，我也必須將如上的辨識正確率提高到90%以上才行！

首先我們發明了有點複雜的特徵字模比對法！不敢掠美，這是我的RD發明的！不是我！此法兼顧了筆畫特徵與字模比對兩種字元辨識方法的優點，紅色點如果點中實際影像的筆劃黑區，或綠色點點中實際影像的空白區，就會加分，黑色區則是被忽略的！因為對於筆畫顯示它們是甚麼字？影響不大。

即使如此，大家看看真實影像中被模糊化之後抓出來的M與W，模糊的狀況還是令人擔憂的！事實上誤認情況還是時常出現，所以必須加上更多的「特徵」加權，幫我們判斷是M或W？這很像大學生多元入學的申請過程，如果你在正常成績表現之外，能提出其他相關表現的資訊，就可以加分得到一點優勢了！

這一部份我能用的資訊其實是不太明確的！有點像機器學習的機率統計概念，譬如M「傾向」於上下等寬！W「傾向」於上寬下窄，但是在有限的解析度與清晰度之下，因為數位取樣的截斷誤差(Truncation error)這個特徵不保證正確！甚至有時候一個突出的雜點就改變了字元的寬度了！換言之，上下等寬不保證是M，上寬下窄也未必一定是W！

所以我們會根據較大量的資料案例，經過經驗統計建立一個特徵加權的機制，上下寬窄等特徵並不是決定性的因素，但是可以參考加減分的意思！事實上是加入這類機制後，對於原本清楚的字元影像辨識結果影響不大，但是模糊邊緣的影像字元辨識率就提高很多了！所以不必懷疑，如上的案例，我的辨識正確率甚至高於人眼的第一時間快速判斷！

這就是我作車牌很厲害的「商業機密」了！這一部份或許也可以說我是用到機器學習(ML)的概念了！只要可以幫我提昇辨識率任何有效的方法我都不會因噎廢食的！當所有可以明確定量的資訊都用完了，當然那些不穩定不明確的參考資料也不能浪費的！有比沒有好，Better than nothing嘛！

我天天罵ML的原因並不是它們根本沒用！而是它們被喧賓奪主的瞎捧成為影像辨識技術的主體與主導地位？這就太荒謬了！知之為知之，不知為不知！ML應該處理的範圍是那些知與不知的不明確資訊，就像我現在做的事情！明確資訊應該是影像辨識的主體，確定無效的資訊應該排除！模糊地帶的不確定資訊才是應該用ML處理的部分！

就像大學招生吧！學生課外活動的「參考」資料確實有意義，但是如果「只看」參考資料，完全拋棄正規的考試與學業成績呢？那是很奇怪的想法！以影像辨識來說，就是傳統的技術如OCR等根本就是穩定可靠的基礎，ML、DL與CNN等技術並未證明可以取代其所有功效，就直接篡位變成影像辨識「唯一」的主角了？

這實在太奇怪了！也必定會是影像辨識技術發展史上的大災難！還好，我只是一間私人公司，愛怎麼作影像處理都行！只要能做出客戶滿意的辨識軟體即可！那些被迫為了AI而AI的大廠商與頂尖大學研究單位呢？他們就是如同土耳其大地震的重災區了！我住的是自己蓋的堅固獨立屋，不是那種豆腐渣工程的大樓啦！我的房子不會突然意外倒塌的！ML、DL與CNN呢？我覺得就是會！