車牌辨識好像只是一個單純的技術名詞？但是要在各種環境狀況中都能正確認出車牌，是個非常複雜困難的認知智慧！一樣是在做車牌辨識的廠商，可以提供的軟體難易程度常常是天差地遠！停車場堪用的車牌辨識，相對來說只是小學生的程度！最困難的應該是就是如上的毫無限制的街景中的車牌了！我已經研究了超過十年，天天都還是有很多的議題可以研究！

因為要盡量辨識出各種歪斜變形狀態的車牌，所以目標篩選的門檻就必須放得很寬很低。即使如此，上面影像中真正的那兩個車牌，還是太歪斜模糊超出了我目前軟體的智慧程度，都是無法辨識到的！左邊那輛黑車的車牌用人眼的智慧是可以辨識的！也就是我繼續研究的目標！右邊白車的車牌連人的視覺智慧也無法辨識，我就不會強求了！

但是這麼積極的辨識態度也會有副作用的！譬如上面的例子就是把幾個整齊排列的窗戶當成是車牌AJJ-1711了！這種奇怪的答案在街景的車牌辨識中是很常見的！但是當然不能太常出現這種會讓使用者困擾的垃圾資訊！我的軟體必須盡量攔截不可能是車牌的答案，我稱之為鬼影辨識，見鬼的事當然是越少越好！

所以碰到這種情況時，就要思考在辨識過程中有哪一個步驟時可以發現明顯不合理的現象？提前否定這個目標是個車牌！這樣就可以避免無意義的答案還能節省運算時間！但是如果鬼影車牌還是通過重重關卡跑到終點了呢？還是可以用一些簡單的檢驗發現它很奇怪？不可能是車牌的！

譬如上例七個「字元」的間距分別是：24,48,4,48,34,28，如果它真的是車牌這種間距分布就太不合理了！既然是AJJ-1711的話，第三四個字元間距應該會最大，它反而是最小？譬如下圖車牌的字元間距是：10,12,11,15,11，3與H之間有短格線距離應該最大15，其他幾個間距則應該相差不多10-12，就是合理車牌了！所以參考這項資訊後，AJJ-1711這個答案就當然不是車牌可以被排除了！

由這個例子可以看出，AI研發其實可以很人性化的！以我的觀點就是我們對影像理解的常識總和！如果你的想法與知識都可以用程式語言充分表達出來，AI就距離不遠了！並不是一定要依賴大量資料，不問緣由也不知所云，的讓電腦去統計(機器學習)才能做出AI的！

ML只是一種方法，還未必是最有效最精準的方法！以影像辨識而言，使用ML、DL與CNN來開發軟體更是很糟糕的下下策！要做出穩定可靠可以持續優化升級的影像辨識軟體，用ML、DL與CNN是絕對做不到的！你必須學我一樣，把影像中發生的每件事都想清楚，也用程式寫清楚才行！