识别验证码，你有几分成功率？

  现 在验证码几乎在任何一个网站的交互界面中都存在，目的当然是为了防止恶意程序的攻击。如果我们想获取到验证码，就需要从这个验证码的图片中分析出来到底是什么字符。这就需要 OCR 技术。

 

  Optical character recognition(OCR)   是指从扫描的图片或者手写的输入转换成相应的字符的技术。大家用到最多的是手机上的手写功能，或者手写板。有 2 个 OCR 项目大家用的比较多： 1. Tesseract OCR 2. Asprise OCR ， 其中 Tesseract OCR 是开源的， Asprise 是商业的。另外， 我还发现了一个基于纯 java 实现的 OCR 项目： Java OCR , 目前还只是 Alpha 版本。 我们来弄几张验证码的图片测试下每个软件的识别率是多少：

 

						准确率
Tesseract OCR	ZYQQD	SGW	HRK	SGW	WPT	0%
Asprise OCR	-	-	-	-	-	0%
Java OCR	-	-	-	-	-	0%
0.jpg						准确率
Tesseract OCR	3284	0985	7791	1411	8986	100%
Asprise OCR	3284	0985	7791	1411	8986	100%
Java OCR	3284	0985	7791	1411	8986	100%

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

从上面的图表我们看出， 针对干扰过的验证码， 三个软件都没能识别出来，而针对比较简单的规则数字组成的验证码， 三个软件的识别率都高达 100%。 我们细分析下两组验证码之间的不同：

 

  在第一组验证码中：

每个字符都有倾斜，而且倾斜角度不同

每个字符的大小有稍微的不同

字符中间没有空隙

有另外一道干扰的黑线不规则的穿过其中的几个字符

每个字符的字体稍微不同

 

  在第二组验证码中：

字符间有很大的空隙

字符都加粗

字体大小统一

字体一样

 

从实验结果上看，如果想提高识别率的话， 图片应尽量向第二组的图片靠拢。 那为什么第二组的图片识别率高呢？我们看下 OCR 的原理。

 

OCR 原理

  OCR 在扫描目标图片的时候， 需要加载 Trained Image，分割目标图片中的文字到单个字符[1]，然后遍历每个 Trained Image 里的字符图片， 从而推测出图片里字符是什么。

 

加载 Trained Image

  OCR 程序之所以能够识别出图片中的字符，是要有个图片库进行比对的， 这个图片库一般被称为 Trained Image, 一般都允许用户自己定义新的 Trained Image。每个 Trained Image 里都有很多字符， 基本都是按照行列分布， 格式一般为 PCX 格式。每个 Trained Imge 都有自己的元数据， 说明哪个区间里的图片对应哪个字符。 程序加载 Trained Image 的时候， 会先分析有多少行，然后逐行扫描，再分析有多少列， 然后精确到一个区间坐标： [(x1, y1), (x,y2)]， 其中 x 为 行， y 为列。然后根据元数据把该区间对应的字符和区间里的图片对应起来。研究了下 Java OCR 加载 Trained Image 的时候， 是通过分析一行里所有的像素点的值是否有都大于一个浅色值 128 来判定当前行是行间隙还是行中间，同理适用于列扫描。 下面这张图片是个典型的 Trained Image：

 

   扫描目标图片

  加载 Trained Image 后， OCR 程序会根据同样的原理分割目标图片中的文字到单个字符[2]， 然后逐个比对 Trained Image 里的字符图片， 找到最匹配的字符。 一般匹配的时候，会比较图片的长宽比率差是否在容忍范围内； 上下左右四个方向的空白区域宽度差是否在容忍范围内；目标图片的大小是否和 Trained Image 相差太大等等。

 

  从原理上看，识别的准确度在于三点：

• Trained Image

• 图片匹配算法      

• 目标图片质量
  

那怎样提高识别率呢？ 针对以上三点：

• 尽量针对目标图片类型，定义自己的 Trained Image。
• 添加尽量多的识别参数。
• 通过对目标图片的去噪， 分割，旋转等手段尽量向第二组验证码图片那种质量靠拢

 

  当前国内大多网站的验证码都已经过千锤百炼， 验证码几乎连人都看不清了， 何况程序乎？ 所以我认为如果网站想真正发挥验证码的作用，程序是识别不出来的。像第二组那样的验证码，不知道有什么存在价值（第二组的验证码这个来自一个国企的邮箱登录界面）。

 

 

[1] 也可能有分割到词的，这里只表述我研究的 Java OCR 。

[2] 分割目标图片的时候，有可能不仅仅需要靠间隙，应该还有其他方法， 这里只列举 Java OCR 使用的。