車牌辨識與人臉辨識通常都會顯示一個看似精確的信心分數，但這個數字並不等於實際辨識正確率。真正的辨識結果，是由影像擷取、目標偵測、品質檢查、特徵擷取、資料庫比對及系統處置等多個環節共同形成。
文／3S Market 編輯部
從車牌、人臉到端到端成功率：為什麼「辨識率 99%」不一定代表現場真的準確？
影像是否拍得到、目標是否被偵測、文字或臉部是否讀對、資料庫是否比對正確，以及後端系統是否完成處置，每一個環節都會影響最終結果。安控專案真正應該驗證的，不是單一演算法數字，而是整套系統在真實場域中的端到端成功率。
前言：業者口中的 99%，到底是怎麼算出來的？
在車牌辨識、人臉辨識、行為分析，及影像搜尋等安控應用中，最常見的產品訴求之一，就是「辨識率」。
業者可能宣稱：
- 車牌辨識率達 98%
- 人臉辨識準確率達 99.5%
- 黑名單比對準確率達 99.9%
- AI 攝影機偵測率超過 95%
這些數字看起來明確，卻不一定具有直接比較的意義。
原因在於，不同業者使用的測試資料、測試環境、計算分母、信心門檻及排除條件，可能完全不同。有些測試只計算光線良好、角度正確的影像；有些則把模糊、過曝及沒有拍到的影像排除後，才計算軟體辨識率。
因此，同樣是「辨識率 98%」，可能代表：
- 在所有實際通過的車輛中，有 98% 完整讀對車牌。
- 在成功拍到車牌的影像中，有 98% 讀對。
- 在已經被演算法框出來的車牌中，有 98% 讀對。
- 所有車牌字元合計，有 98% 的單一字元正確。
- 系統輸出的結果中，有 98% 被人工判定為可接受。
這五種算法都可能被稱為辨識率，但其實代表不同的系統能力。
真正有意義的問題，不是「產品辨識率是多少」，而是：
在指定場域、光線、速度、角度及資料庫條件下，所有實際事件中，有多少比例可以被正確擷取、辨識、比對，並完成後續處置？
一、辨識不是一個動作，而是一條完整處理流程
監控影像辨識通常包含影像擷取、目標偵測、影像品質檢查、特徵擷取或 OCR、資料庫比對，以及結果輸出等多個階段。前端沒有取得合格影像，即使後端演算法再強，也無法產生可靠結果。
一套完整的監控影像辨識系統，通常包含以下流程：
事件發生 → 影像擷取 → 目標偵測 → 品質檢查 → 特徵擷取或文字辨識 → 資料庫比對 → 信心門檻判斷 → 結果輸出 → 後端處置
以停車場車牌辨識為例，車輛進入車道後，系統至少需要完成：
- 偵測車輛進入辨識區。
- 攝影機取得清楚的車頭或車尾影像。
- 演算法在畫面中找到車牌位置。
- OCR 讀取車牌字元。
- 將車牌結果與月租、訪客、黑白名單或繳費資料比對。
- 將比對結果送到停車管理系統。
- 控制柵欄機放行或啟動人工處置。
其中任何一個環節失敗，都可能造成車輛無法正常通行。
人臉門禁也是如此。攝影機必須先拍到完整且清晰的臉部，再經過人臉偵測、臉部校正、特徵擷取、資料庫比對及活體判斷，最後才能決定是否開門。
因此，辨識率至少應拆成三個層次來看。
層次 | 衡量內容 | 常見失敗原因 |
影像取得率 | 系統是否取得可用的影像 | 距離過遠、逆光、過曝、動態模糊、遮擋 |
演算法辨識率 | 在可用影像中，是否正確找到並辨識目標 | 車牌偵測失敗、OCR 錯字、人臉特徵比對錯誤 |
端到端成功率 | 所有實際事件中，有多少正確完成辨識及處置 | 觸發、網路、資料庫、平台整合或設備控制失敗 |
單看演算法辨識率，容易忽略影像取得、系統整合與後端處置問題。真正影響使用者體驗的，通常是端到端成功率。
二、車牌辨識率要拆成哪些指標？
車牌辨識率不應只看最後輸出的百分比，而應分別檢查影像取得率、車牌偵測率、字元準確率、完整車牌正確率及端到端成功率。不同計算分母，可能產生差距很大的數字。
1. 車牌影像取得率
假設一天有 1,000 輛車通過，但只有 985 輛取得可供辨識的影像：
如果另外 15 輛因為車速過快、車牌反光、畫面模糊或觸發失敗而沒有取得影像，這 15 輛也應列入整體系統表現。
但部分業者可能會把這些影像排除，直接從 985 張可用影像開始計算辨識率。
這也是為什麼同一套系統，原廠測試可能有 98%，現場使用者感受到的成功率卻只有 93% 或 94%。
2. 車牌偵測率
車牌偵測是指系統能不能在影像中找到車牌的位置。
常用的指標包括 Precision 與 Recall。
Recall：有多少真正存在的車牌被找到？
其中：
- TP：正確找到的車牌
- FN：畫面中有車牌，但系統沒有找到
假設 1,000 輛車中，有 970 輛車牌被成功找到：
Precision：系統找到的物件中，有多少真的是車牌？
FP 是系統將其他物件誤認為車牌，例如：
- 車身上的文字
- 廣告招牌
- 貨櫃編號
- 牆面號碼
- 道路標誌
- 其他矩形物件
一套高 Recall、低 Precision 的系統，可能找到很多車牌，但同時產生大量誤報；高 Precision、低 Recall 的系統，誤報少，卻可能漏掉許多真正車牌。
3. 字元準確率
字元準確率是逐字計算。
例如正確車牌為：ABC-1234
系統辨識為：ABC-1284
七個字元中有六個正確：
若將大量車牌的所有字元加總計算，整體字元準確率可能仍然很高。
但在停車場、警政查緝、道路追蹤或車籍比對中，只要有一個字元錯誤，就可能比對到另一輛車。
因此，字元準確率不能直接等同於完整車牌正確率。
4. 完整車牌正確率
完整車牌正確率的計算方式更嚴格：
只要一個字元錯誤，整張車牌就應視為辨識失敗。
對停車場自動放行、車輛黑名單、違規查緝及車籍辨識而言，完整車牌正確率通常比單一字元準確率更有實務價值。
5. 端到端車牌辨識成功率
假設一天有 1,000 輛車實際通過：
- 985 輛取得影像
- 970 輛成功找到車牌
- 940 輛完整車牌正確
- 20 輛輸出錯誤車牌
- 40 輛沒有輸出結果
業者若以「已經找到車牌的影像」為分母：
但若以所有實際通過的車輛為分母：
兩個數字都沒有計算錯誤，但代表的意義不同。
因此，採購規格若只寫：車牌辨識率需達 95% 以上
仍然不夠明確。
至少還應說明：
- 分母是所有實際車輛，還是可用影像？
- 是字元準確率，還是完整車牌正確率？
- 是否包含夜間、雨天及逆光？
- 車輛速度是多少？
- 是否允許無法辨識？
- 錯誤辨識和沒有辨識，是否分開統計？
三、人臉辨識的「準確率」又該怎麼看？
人臉辨識可分為 1：1 身分驗證及 1：N 資料庫搜尋。兩者的測試方式、錯誤指標及風險不同，不能使用同一個準確率數字概括。
人臉辨識主要可分成兩類。
1：1 人臉驗證
1：1 驗證是使用者先提供一個身分，再由系統確認是不是本人。
常見場景包括：
- 員工門禁
- 人臉加門禁卡雙因子驗證
- 手機解鎖
- 自助通關
- 訪客身分確認
- 金融或遠端身分核驗
這類應用主要觀察兩種錯誤。
錯誤接受率 FMR
不同的人，卻被錯誤判定為同一人：
例如他人拿著錯誤憑證，卻因為外觀相似或比對門檻過低而成功開門，就是錯誤接受。
錯誤拒絕率 FNMR
明明是本人，系統卻判定不相符：
使用者戴眼鏡、髮型改變、逆光、臉部角度不佳或資料庫照片過舊，都可能增加錯誤拒絕。
FMR 與 FNMR 往往存在取捨。
當門檻調高，錯誤接受通常會下降，但錯誤拒絕可能增加；當門檻調低，使用者比較容易通過，但冒名通過的風險也可能增加。
1：N 人臉辨識
1：N 辨識是用一張人臉，搜尋整個資料庫。
常見應用包括：
- 黑名單比對
- 失蹤人口搜尋
- VIP 辨識
- 場館重點人員搜尋
- 跨攝影機人員追蹤
- 調查型影像檢索
1：N 辨識不能只看 FMR 或 FNMR，還應觀察以下指標：
指標 | 意義 |
FPIR | 資料庫中沒有此人，系統卻回傳錯誤候選人 |
FNIR | 資料庫中明明有此人，系統卻沒有找到 |
Rank-1 | 正確身分是否出現在第一名 |
Top-5/Top-10 | 正確身分是否出現在前五名或前十名 |
搜尋延遲 | 從送出影像到取得結果所需時間 |
1：1 驗證回答的是「你是不是你所聲稱的那個人」；1：N 辨識回答的是「你可能是資料庫中的哪一個人」。兩種應用的風險與驗收方式不同。
在調查型應用中，系統可以回傳 Top-5 或 Top-10 候選人，再由人員進行人工確認。
但在自動門禁或高風險控制場景中，不應只因候選結果排名第一，就直接認定身分正確。
四、信心分數不是正確機率
人臉或車牌系統常會顯示：
- Confidence 98%
- 相似度 0.93
- 比對分數 97 分
- 高信心
- Match Score 0.91
這些分數通常只是模型依照內部特徵距離或分類結果產生的評分，不代表：
這次結果有 98% 的機率一定正確。
不同演算法的分數也不能直接互相比較。
A 系統的 0.85，可能比 B 系統的 0.95 更可靠；同一個分數，在不同資料庫規模、影像品質及場域中，代表的風險也可能不同。
真正重要的是門檻如何設定，以及在這個門檻下：
- 有多少正確目標被找到？
- 有多少錯誤目標被接受？
- 有多少本人被拒絕？
- 有多少系統輸出「無法判斷」？
- 這些錯誤是否符合實際應用可以承受的風險？
門檻調低
門檻降低時：
- 比較容易找到真正目標
- 漏辨率可能下降
- 錯誤辨識可能增加
- 更多低品質影像會被強迫輸出答案
門檻調高
門檻提高時：
- 錯誤辨識可能下降
- 本人或正確車牌被拒絕的比例可能增加
- 無法辨識率提高
- 需要更多人工處置或第二種驗證方式
因此，系統門檻不能只追求較高的「通過率」。
例如：
- 門禁放行應優先降低錯誤接受。
- 調查搜尋可提高召回率，但應增加人工複核。
- 停車場可搭配車型、車色、RFID 或進場時間。
- 黑名單告警不應只憑一次比對就直接採取高風險行動。
五、哪些因素會影響車牌與人臉辨識準確率？
逆光、夜間車燈、雨水、移動模糊、拍攝角度、目標像素不足、車牌髒污及臉部遮擋，都可能讓辨識率大幅下降。攝影機總畫素高，不代表真正落在車牌或臉部上的有效像素足夠。
車牌辨識常見影響因素
1. 車牌有效像素不足
即使攝影機標示為 4K 或 8MP，如果觀看範圍太廣，車牌在畫面中仍然可能很小。
真正影響辨識能力的不是攝影機總畫素，而是：車牌在辨識區域中實際占多少像素。
一台 4K 攝影機若同時拍攝四條車道，單一車牌可能仍然小於專用 2MP 攝影機所取得的車牌影像。
2. 車速與快門速度不匹配
車輛移動速度越快，曝光時間必須越短。
若快門太慢，會出現：
- 字元拖影
- 車牌邊緣模糊
- 連續影格重疊
- 車輛輪廓失真
但快門速度提高後，進光量也會下降。
因此還需要搭配：
- 足夠照明
- 適當紅外線補光
- 較好的感光能力
- 合理的光圈與增益
- 避免過度數位降噪
3. 攝影機安裝角度過大
水平偏角、俯角及車牌旋轉角度都會影響辨識。
角度越大，車牌越容易產生梯形變形，字元寬度也會被壓縮。
因此，辨識攝影機應盡量接近車輛行進軸線，而不是只追求架得高、看得廣。
4. 夜間過曝及紅外線反射
車牌多具有反光材料。
若紅外線強度或曝光設定不當，容易出現：
- 車牌整片白化
- 車牌亮、字元消失
- 車燈造成眩光
- 車身完全過暗
- 雨水反射干擾辨識
夜間車牌辨識通常需要將曝光、紅外線強度、快門及補光位置一起調整。
5. 車牌本身狀況
包括：
- 泥污或水滴
- 車牌破損
- 反光膜老化
- 螺絲遮擋
- 車架遮住部分字元
- 臨時車牌
- 非標準字型
- 不同國家與地區格式
- 一輛車同時出現多塊車牌
這些問題不一定能靠增加畫素解決。
人臉辨識常見影響因素
1. 臉部像素與臉部尺寸
畫面中有人，不代表影像足以做人臉辨識。
如果攝影機拍攝範圍太廣，臉部在畫面中只占很小區域，即使人眼看得到有人經過，演算法仍可能無法取得足夠特徵。
2. 臉部角度與攝影機高度
常見不利情況包括：
- 人員低頭看手機
- 攝影機架設過高
- 人員從攝影機正下方走過
- 臉部只出現在畫面邊緣
- 人員左右轉頭
- 廣角鏡頭造成臉部變形
人臉攝影機應設置在人員自然抬頭或平視的位置，而不是直接沿用原本只供錄影的高角度監控攝影機。
3. 光線與曝光
逆光入口、玻璃門、窗戶及戶外強光，都是人臉辨識常見問題。
可能出現：
- 臉部過暗
- 背景過亮
- 臉部一半明、一半暗
- 帽沿遮住眼睛
- 夜間增益過高
- 紅外線補光不均
- 肌膚過曝而失去細節
4. 遮擋與外觀改變
例如：
- 口罩
- 安全帽
- 墨鏡
- 帽子
- 圍巾
- 瀏海
- 鬍鬚
- 年齡變化
- 防護裝備
- 傷口或包紮
這些因素會降低可用的人臉特徵。
5. 登錄照片品質
即時攝影機拍得清楚，並不代表一定可以比對成功。
資料庫中的登錄照片若有以下問題，也會影響結果：
- 使用多年前照片
- 自拍角度過大
- 社群平台過度壓縮
- 照片經過美顏
- 臉部尺寸太小
- 光線不均
- 一人重複登錄
- 人員資料與照片錯置
人臉辨識不只是前端攝影機問題，也是一項資料庫品質管理工作。
車牌與人臉辨識的共同影響因素
類別 | 影響因素 | 可能結果 |
攝影機 | 感光元件、鏡頭、對焦、動態範圍 | 模糊、細節不足、過曝 |
安裝 | 高度、距離、角度、涵蓋範圍 | 目標太小、姿勢不良或影像變形 |
光線 | 逆光、夜間、閃爍、紅外線 | 過曝、欠曝、鬼影、眩光 |
移動 | 車速、人員速度、快門 | 動態模糊、錯過最佳影格 |
編碼 | 位元率、GOP、壓縮率 | 字元或臉部特徵流失 |
網路 | 丟包、頻寬不足、延遲 | 遺失影格或事件資料 |
運算 | AI Box、伺服器或 NPU 負載 | 跳幀、延遲、漏辨 |
演算法 | 模型版本、訓練資料、場域差異 | 特定車牌、臉部或環境表現下降 |
門檻 | 信心門檻過高或過低 | 漏辨或誤判增加 |
資料庫 | 照片品質、重複資料、資料量 | 比對錯誤、搜尋時間增加 |
維運 | 鏡頭髒污、位置偏移、補光故障 | 辨識率隨時間下降 |
辨識準確率是攝影機、安裝、光線、網路、運算平台、演算法、資料庫與維運共同形成的結果，不能只歸因於 AI 模型。
六、如何真正提高辨識準確率？
提高辨識準確率不能只更換演算法。專用攝影機、正確角度、適當目標尺寸、照明控制、影像品質閘門、多影格分析、門檻調校及多因子驗證，才是完整改善方法。
1. 先定義用途，再選設備
專案規劃前應先確認：
- 是記錄事件，還是自動辨識？
- 是停車車牌，還是高速道路車牌？
- 是 1：1 門禁驗證，還是 1：N 黑名單搜尋？
- 系統是自動放行，還是提供人工判斷？
- 可接受多少漏辨？
- 可接受多少誤判？
- 錯誤結果會造成什麼後果？
辨識場景的風險越高，越不能只以最高通過率為目標。
2. 全景攝影機與辨識攝影機分開
一台攝影機同時要：
- 看完整場景
- 看遠處車牌
- 辨識所有人臉
- 日夜都有清楚影像
通常會造成互相衝突的設計。
較合理的架構是：
- 全景攝影機負責事件脈絡。
- 車牌攝影機負責固定車道。
- 人臉攝影機設在必經動線。
- PTZ 負責追蹤及事後調閱。
- 原有監控影像保留現場全貌。
- 辨識攝影機專門取得合格特寫。
3. 增加目標有效像素
改善方法包括：
- 縮小攝影機視野
- 增加鏡頭焦距
- 拉近攝影機距離
- 減少單台攝影機涵蓋車道數
- 將辨識區設定在固定位置
- 將人員動線引導至較窄通道
高解析度只是手段，真正目標是讓車牌或臉部占據足夠的有效像素。
4. 建立影像品質閘門
系統不應對每一張影像都強迫輸出答案。
較合理的流程是先評估：
- 清晰度
- 亮度
- 遮擋程度
- 臉部姿勢
- 車牌角度
- 目標尺寸
- 動態模糊
- 影像壓縮程度
品質達標後才進行辨識。
若影像品質不足，系統可以：
- 要求重新拍攝
- 提示使用者靠近
- 使用其他攝影機
- 改用門禁卡或手機憑證
- 轉人工確認
- 輸出「無法判斷」
「無法判斷」通常比猜錯一個答案更安全。
5. 使用多影格分析
影片可以取得同一個人或同一輛車的多個影格。
系統可進行：
- 最佳影格選擇
- 排除過曝及模糊影格
- 多影格車牌字元投票
- 多張人臉特徵融合
- 連續結果一致後才確認
- 使用進入與離開影像交叉驗證
這通常比只取單張截圖更穩定。
6. 依照現場資料調整門檻
原廠預設門檻不一定適合每個專案。
應使用現場資料分析：
- 正確與錯誤車牌分數分布
- 本人與非本人比對分布
- 白天與夜間差異
- 晴天與雨天差異
- 不同車道差異
- 不同攝影機差異
- 不同人員身高及姿勢差異
再依照應用風險決定門檻。
7. 使用第二種證據
不應把車牌或人臉視為永遠正確的唯一證據。
車牌辨識可搭配
- 車型
- 車身顏色
- RFID
- eTag
- 停車票
- 月租資料
- 入口時間
- 出口時間
- 行進方向
人臉辨識可搭配
- 門禁卡
- 手機憑證
- PIN
- 活體偵測
- 當日預約名單
- 訪客登記
- 員工排班資料
- 裝置身分
多因子不是為了讓系統變複雜，而是降低單一辨識結果錯誤時的風險。
七、辨識率應如何進行現場驗收？
驗收不能只拿數十張清晰照片，在會議室或原廠展示環境中測試。
真正的現場驗收應涵蓋：
測試條件 | 車牌辨識 | 人臉辨識 |
時間 | 白天、黃昏、夜間 | 白天、夜間、室內外 |
光線 | 順光、逆光、車燈 | 順光、逆光、陰影 |
天候 | 晴天、雨天、霧氣 | 晴天、雨天、戶外強光 |
速度 | 停止、低速、高速 | 靜止、步行、快速通過 |
角度 | 不同車道、轉彎、俯仰角 | 正面、側面、抬頭、低頭 |
遮擋 | 泥污、車架、拖車 | 口罩、帽子、眼鏡 |
對象 | 不同車種、車牌格式 | 不同年齡、身高與外觀 |
系統負載 | 單車與密集車流 | 單人與多人同時通過 |
表說：驗收條件應反映實際場域，而不是只測試最容易成功的情況。測試樣本也應包含困難樣本與失敗樣本。
每筆驗收資料應保存哪些內容？
建議至少保留：
- 事件編號
- 日期與時間
- 攝影機編號
- 原始影像或影片
- 人工確認的正確答案
- 系統輸出結果
- 信心分數
- 使用門檻
- 是否正確
- 是否無法辨識
- 錯誤類型
- 處理時間
- 演算法版本
- 攝影機設定
- 系統平台版本
這些資料可以幫助專案團隊判斷問題發生在哪一個環節。
例如：
- 沒拍到：攝影機或觸發問題
- 拍到了但沒框到：目標偵測問題
- 框到了但字元讀錯：OCR 問題
- 辨識正確卻沒有開門：平台整合問題
- 白天正常、夜間下降：曝光或補光問題
- 特定人員容易被拒絕：資料庫照片或拍攝角度問題
八、採購規格中最容易被誤導的五種說法
1.「辨識率 99%」
應繼續追問：
- 以什麼作為分母？
- 測試了多少筆？
- 是否包含夜間及雨天？
- 是否排除模糊影像？
- 是字元正確率還是完整車牌正確率？
- 人臉是 1：1 還是 1：N？
- 資料庫規模是多少？
- 使用什麼比對門檻？
2.「信心值達 99%」
信心值不是實際正確率。
它只是模型對單次結果的評分，不能直接解讀為「有 99% 機率正確」。
3.「4K 一定比 2MP 準」
攝影機總畫素較高，不代表目標在畫面中所占的像素一定比較多。
鏡頭焦距、視野、距離、角度及光線往往更重要。
4.「辨識不到的不列入計算」
這種算法會將最困難、也最接近真實使用情況的失敗事件排除。
如果系統經常沒有輸出結果，即使輸出的結果幾乎都正確，使用者仍然會感受到系統不可靠。
5.「實驗室準確率等於現場準確率」
實驗室資料通常較乾淨、角度較一致、光線較穩定。
現場則會面對：
- 雨水
- 車燈
- 逆光
- 遮擋
- 鏡頭髒污
- 不同車牌格式
- 人員姿勢變化
- 網路延遲
- 平台整合問題
因此，產品規格只能作為初步參考，不能取代現場測試。
九、安控專案應建立一套新的辨識率驗收語言
未來在採購、招標及專案驗收中，不應只寫：
車牌或人臉辨識率需達 95% 以上。
更完整的規格應該是：
在指定攝影機位置、照明條件、車速或人員通行速度、目標角度、資料庫規模及信心門檻下，分別驗證影像取得率、目標偵測率、完整辨識正確率、錯誤辨識率、無法辨識率、處理延遲及端到端成功率。
此外，還應明確區分：
- 偵測失敗
- 辨識錯誤
- 無法辨識
- 資料庫比對錯誤
- 平台整合失敗
- 後端設備沒有執行
只有將錯誤拆開，才能知道系統要改善的是攝影機、照明、演算法、資料庫、網路還是後端控制。
結語：真正要提高的不是演算法分數，而是整套系統的成功率
監控影像辨識並不是把影像送進 AI，就一定能得到正確答案。
車牌與人臉辨識的最終表現，是由以下條件共同形成：
- 影像品質
- 攝影機位置
- 鏡頭與視野
- 光線與快門
- 目標角度
- 演算法能力
- 資料庫品質
- 信心門檻
- 系統運算負載
- 網路傳輸
- 平台整合
- 現場維運
因此，高辨識率不能只靠更高畫素，也不能只靠更新演算法。
真正有效的方法，是將完整系統拆開測量：
- 事件有沒有被觸發？
- 影像有沒有成功取得？
- 影像品質是否達標？
- 目標有沒有被正確找到？
- 車牌或臉部有沒有辨識正確？
- 資料庫有沒有正確比對？
- 後端系統有沒有完成處置？
- 發生錯誤時，有沒有替代流程？
對安控業者、SI、顧問、業主及採購單位而言，「辨識率」不應只是產品型錄中的一個漂亮數字。
它應該是一套可被定義、測量、比較、驗收，也可以在實際營運中持續改善的系統指標。
未來真正值得信賴的影像辨識系統，不是永遠宣稱自己可以辨識，而是能夠清楚說明：
什麼條件下能辨識、什麼條件下可能失敗，以及系統在無法確定時，會如何安全地處理。
參考技術架構與標準方向
本文技術概念可參考以下評測及標準方向：
- NIST Face Recognition Technology Evaluation
- ISO/IEC 19795 生物特徵辨識效能測試
- IEC 62676-4 影像監控系統應用指引
- 車牌擷取及像素密度相關攝影機技術指南
- 實際場域影像品質、光線及系統整合測試方法
實際採購及驗收數值，仍應依產品演算法、攝影機規格、場域條件與應用風險另行制定。
0 comments:
張貼留言