OCR識(shí)別技術(shù)

在爬蟲對(duì)驗(yàn)證碼進(jìn)行破解時(shí)，經(jīng)常需要對(duì)圖片中的文字內(nèi)容進(jìn)行識(shí)別，這時(shí)就需要用到OCR技術(shù)了，那么 OCR識(shí)別技術(shù)是如何實(shí)現(xiàn)對(duì)文字內(nèi)容“即拍即得”的呢？

OCR（Optical Character Recognition）即光學(xué)字符識(shí)別技術(shù)，實(shí)質(zhì)屬于計(jì)算機(jī)輸入技術(shù)。OCR通過利用光學(xué)技術(shù)與計(jì)算機(jī)技術(shù)對(duì)圖片、紙張、物體等處的文本內(nèi)容進(jìn)行分析識(shí)別，并讀取轉(zhuǎn)換成計(jì)算機(jī)和人類都能理解接受的格式。

OCR主要可以分為手寫體識(shí)別和印刷體識(shí)別。

由于印刷體都是計(jì)算機(jī)自助生成再進(jìn)行輸出，通常較為規(guī)律，因此較手寫體識(shí)別來(lái)說要更簡(jiǎn)單。而手寫體由于往往會(huì)帶有個(gè)人特色，每個(gè)人的風(fēng)格不盡相同，由于其千人千面的特性，手寫體識(shí)別也成了OCR界一直想攻克的難關(guān)。當(dāng)然，除了手寫體與印刷體外，OCR也可以根據(jù)識(shí)別內(nèi)容來(lái)分類。例如按語(yǔ)言分類，要識(shí)別的內(nèi)容將可能包括漢語(yǔ)、英語(yǔ)、日語(yǔ)、法語(yǔ)等，而如果僅滿足國(guó)人需求，要識(shí)別的內(nèi)容就可能會(huì)包括漢字、英文字母、阿拉伯?dāng)?shù)字、標(biāo)點(diǎn)符號(hào)等。

通常根據(jù)要識(shí)別的內(nèi)容不同，識(shí)別的難度也不同。比如僅識(shí)別阿拉伯?dāng)?shù)字，只需能識(shí)別出0-9，而英文字母則需要識(shí)別52個(gè)字符（僅考慮大小寫），而中文識(shí)別則會(huì)高達(dá)數(shù)千個(gè)，且由于漢字的結(jié)構(gòu)偏旁較為復(fù)雜，要將這些字符都準(zhǔn)確識(shí)別出來(lái)會(huì)使難度系數(shù)直線上升。一個(gè)典型的OCR技術(shù)處理流程如下圖所示：

圖：來(lái)源于網(wǎng)絡(luò)

其中，圖像預(yù)處理通常為能使圖像中的文字更明顯便于識(shí)別，會(huì)對(duì)圖像的成像問題進(jìn)行修正，通常是基于數(shù)字圖像處理和傳統(tǒng)機(jī)器學(xué)習(xí)等方法對(duì)圖像進(jìn)行操作。

常見的圖像預(yù)處理包括幾何變換（透視、翻轉(zhuǎn)、旋轉(zhuǎn)、扭曲、拉直等）、畸變矯正、去模糊、銳化、圖像增強(qiáng)、光線矯正、灰度化、二值化等。其中，在對(duì)付驗(yàn)證碼時(shí)常用的灰度化、二值化處理對(duì)于內(nèi)容較為簡(jiǎn)單的文本信息有增強(qiáng)作用，但對(duì)復(fù)雜背景的內(nèi)容處理效果就會(huì)收效甚微。

文字檢測(cè)，顧名思義是對(duì)圖片中存在的文字內(nèi)容進(jìn)行檢測(cè)，檢測(cè)內(nèi)容包括文本所在的位置、范圍、布局、數(shù)量等，通常也包括整體版面分析和文字行檢測(cè)等。部分OCR軟件為了保證檢測(cè)范圍的準(zhǔn)確性，還會(huì)套用圖像檢測(cè)的方法，對(duì)圖像中的文本區(qū)域進(jìn)行框選，并像下圖所示將框選與待識(shí)別區(qū)域交由令用戶進(jìn)行校驗(yàn)確認(rèn)。

圖：某OCR軟件識(shí)別界面

文本檢測(cè)完成后，建立在其基礎(chǔ)之上的文本識(shí)別將會(huì)對(duì)選定的文本內(nèi)容進(jìn)行識(shí)別，并將圖像中的字符轉(zhuǎn)化為可供人類和計(jì)算機(jī)識(shí)別的文本信息。文本信息主要需要解決的問題是每個(gè)字符是什么。

對(duì)于識(shí)別后輸出的文本通常需要再次核對(duì)驗(yàn)證以確保其準(zhǔn)確率，即文本校正，通常也被認(rèn)為屬于文字檢測(cè)的環(huán)節(jié)。當(dāng)識(shí)別的內(nèi)容是由詞庫(kù)中的詞匯構(gòu)成時(shí)就稱之為有詞典識(shí)別，反之則稱為無(wú)詞典識(shí)別。在整個(gè)處理流程過程中，對(duì)識(shí)別準(zhǔn)確率影響最大的步驟就是文本檢測(cè)與文本識(shí)別。相比一般文本，通常對(duì)OCR技術(shù)的評(píng)測(cè)會(huì)從最終識(shí)別率、識(shí)別速度、版面理解正確率、版面還原滿意度4方面來(lái)作為依據(jù)。

OCR識(shí)別技術(shù)對(duì)于手寫體識(shí)別目前尚在發(fā)展階段，而對(duì)于印刷體識(shí)別的技術(shù)已經(jīng)發(fā)展的較為純熟。而且，對(duì)于印刷體識(shí)別的應(yīng)用劃分可能遠(yuǎn)比你我想象的更為細(xì)致。例如用于對(duì)人身份進(jìn)行核查驗(yàn)證的證件OCR識(shí)別、用于移動(dòng)支付綁卡的銀行卡OCR識(shí)別、用于存儲(chǔ)管理名片的名片OCR識(shí)別、用于大量文字資料、檔案卷宗的錄入和處理的文檔OCR識(shí)別、用于銀行、金融、電信機(jī)構(gòu)的票據(jù)OCR識(shí)別、用于交通安全的車輛OCR識(shí)別等。

OCR技術(shù)的出現(xiàn)無(wú)疑提升了工作效率，也改變了我們的生活。

參考文獻(xiàn)：

https://www.sohu.com/a/233167039_205239

https://zhuanlan.zhihu.com/p/45376274

編輯：jq