close

看過這種東西嗎？簡單說就是要認出畫面中有甚麼「不是背景」的人事物出現。看起來很簡單的概念，但是要做到很智慧很聰明真的好難！這是所有安全監控業者都想達到的目標，如果能做到誤報率很低，漏報趨近於零，那應該就是一個很實用的安全監控產品了！

多數商業廣告就會很含糊地說：我們可以用機器學習與深度學習的AI技術做到跟人一樣，甚至更好的判斷能力！但是事實是：到底要怎麼作到？他們還根本沒有頭緒，所有人都還在研究發展的路上！他們卻已經急著要顧客與投資者買單了！

你有看到很多地方真的有安裝這種東西了嗎？譬如曾經炒熱一時的電子圍籬就是這種東西，有了它就像是有了24小時不睡覺，也不必上廁所的警衛看守，多好啊！誰不想要呢？至今仍未順利推廣的原因當然就是還不夠聰明！太敏感的話誤報(假警報)太多吵人也嚇死人，我的學校安全系統就好幾次三更半夜誤報火警嚇死人也煩死人，太遲鈍的話漏報真實事件的狀況又太多，失去保全的意義。

開業以來我被詢問能否製作這類軟體也很多次了！有生意我當然想做，私下做的實驗研究不算少了！但實際上只有一次，是在很不得已的情況下，將這種功能加入產品賣出去，就是台東火車站的違規轉彎執法了(如下圖)！原因是這種東西要穩定不出錯真的很難，與其推出產品後頻頻因為誤報漏報而捱罵，就不如乾脆承認自己還不行，我是不敢學那些浮誇的AI騙子們大膽開賣這種東西的！

上面的這個案例是要追蹤確認違規車輛有無跨越警戒線，因為當車輛跨越違規線時我已經無法保證能辨識到車牌了，所以必須同步使用動態追蹤的功能。如果單獨使用動態追蹤其實是很不穩定，我自己都不敢完全相信沒錯的！如果警方要我單純動態追蹤，發現違規就拍照裁罰，我比較不敢答應，還好有車牌辨識輔助，動態追蹤加上有辨識到的車牌佐證，應該就不會是假警報了！

我之前不是很清楚這類動態追蹤別人是怎麼作的？完全是土法煉鋼，但是也做得有模有樣！譬如下面的照片就是我五年前做的實驗畫面，有家公司想要我辨識工廠監視錄影帶中的人車動態，但是最終還是沒有正式成案使用！就是我也沒真的賺到錢啦！類似案例還有兩三個。

最近與南台資工林泓宏教授的線上讀書會中才赫然發現，這種動態監控追蹤的技術正是他的博士論文研究的題目！前面第一張圖就是他的研究畫面之一！他是嚴肅的學者，玩法當然跟我的「土造」影像辨識不一樣，推導出來使用的相關公式我其實還看不太懂，類似這樣的：

基本上我們使用的參考資料都是事件發生前的一小段時間的影像資料，須知「背景」不是那麼簡單的概念，同一地點的亮度白天晚上就不一樣，甚至還會有樹枝隨風搖晃或噴水池之類的隨機雜訊，我碰到過的還有浮雲與海浪等等！即使這些事都沒發生，攝影機本身還會隨風晃動！你希望你的程式可以通通看得懂這些雜訊？不會因此誤報嗎？很難的！

略為交換彼此的經驗之後，我們算是惺惺相惜！我很汗顏，一樣的參考資料，我的使用方式卻相對十分粗糙，不像他(們)建立了好複雜的函數充分分析使用，他則很驚訝我只用非常簡單的關鍵資訊就做得這麼好！動態目標輪廓的定義甚至比多數學術論文上的技術做得更好？

我想我的優勢是不會「想太多」！因為我知道如果不能得到有效確定的結果，考慮越多就越不能聚焦，我天生就不會想建立他們那種太複雜的數學模式，只希望掌握關鍵有效的少數資訊。不論如何，他比我更早就鎖定了想與我合作的方式，想藉著我已經相當成熟的車牌辨識技術，搭配他(以機率統計為基礎)的動態辨識技術，在交通安全監控上有一番作為。

其實就是類似前面台東火車站的案例，馬路上的動態辨識變數雜訊變因實在太多了，但是搭配車牌辨識做一個關鍵資訊的交互檢驗確認，整體的正確率穩定性當然會大增！我當然也很認同，甚至跟著感到興奮期待！這才是真正有意義的「產學合作」嘛！

簡單說，他的博士論文研究的這些東西就很合乎大家現在瘋迷的所謂AI技術，確實在很多方面也有解決到我的技術概念所不及的問題，所以真正的戰場不在要不要使用機器學習等機率統計的技術？而是哪些技術真的可以解決問題？我常常批評機器學習等技術的浮誇濫用，但是感謝林教授讓我看到了不同的視野！用在對的地方，任何技術都是好的技術。對於濫用錯用機率統計技術的人，我還是礙難認同，但是用在正確的地方，我一定支持。