影像辨識是一門精密複雜的科學，必須善用所有的物理環境因子，對應到最合理的影像處理程序才能做到最好！上面的計程車車牌辨識就是一個很好的例子，台灣計程車的白底紅字對比度先天就比白底黑字的一般車牌差，如果加上反光，前景(字)與背景(車牌白底)的對比度就會更低，反光稍強就會無法辨識了！

最近的一個案子是某系統整合商跟我買了車牌辨識核心模組，幫某計程車車隊建立了一個雲端車牌辨識系統，他們反應目前最常失敗的就是這種反光時的辨識，他們是沒主動要求我做甚麼，也知道這是非戰之罪，但是我還是研究出了一個可以強化辨識的處理程序，就是在全彩影像簡化到灰階的過程做些手腳。如上圖左下是我的標準灰階化的結果，基本上就是按照RGB色光組合成最佳亮度的公式算的：

Gray = R*0.299 + G*0.587 + B*0.114

但是如果我想作弊，讓影像碰到紅字時變得特別黑呢？這樣他們跟白色車牌背景的對比度就會提高了！一種我想到的方式就是：當某一點的紅色值明顯高於綠色值的時候，它可能就是紅字的一部份，我就刻意不用標準公式計算灰階，只用較暗的綠光值當作該點的灰階值！就會做出如上右下方的灰階圖了！眼睛一看就知道車牌字元比標準灰階模式更清楚了！

當然以上圖來說兩種灰階產生方式都可以辨識成功，但是強化版的灰階抓出來的紅色字元與背景的對比度會增加10(/255)個灰階，當然是比較容易辨識成功了！我已經將此新功能(選項)免費送給客戶了！從上例可知，影像辨識絕對必須有合理精密的物理理解與適切配合的影像處理過程，每一個環節如何設計調整，都會影響到最後辨識的成功率！

如果你妄想只用機器學習的方式讓電腦攪拌統計大量資料，就可以產生如此精緻深奧的視覺分析智慧？那麼你真的是太太太天真了！事實上使用機器學習、深度學習與類神經網路的AI專家也絕對做不到我做的這種影像辨識！這是鐵的事實！市面上真的沒有全程使用ML、DL與CNN製作的車牌辨識產品！即使只是部分流程使用這些技術，都會讓產品變得很貴！而且沒有比較快或比較準！