分辨验证码，你有几分成功率

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。

?

准确率Tesseract OCR ZYQQDSGWHRKSGWWPT0%Asprise OCR-----0%Java OCR-----0%0.jpg
准确率
Tesseract OCR32840985779114118986100%Asprise OCR32840985779114118986100%Java OCR32840985779114118986

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：