OCR识别技术

在爬虫对验证码进行破解时，经常需要对图片中的文字内容进行识别，这时就需要用到OCR技术了，那么 OCR识别技术是如何实现对文字内容“即拍即得”的呢？

OCR（Optical Character Recognition）即光学字符识别技术，实质属于计算机输入技术。OCR通过利用光学技术与计算机技术对图片、纸张、物体等处的文本内容进行分析识别，并读取转换成计算机和人类都能理解接受的格式。

OCR主要可以分为手写体识别和印刷体识别。

由于印刷体都是计算机自助生成再进行输出，通常较为规律，因此较手写体识别来说要更简单。而手写体由于往往会带有个人特色，每个人的风格不尽相同，由于其千人千面的特性，手写体识别也成了OCR界一直想攻克的难关。当然，除了手写体与印刷体外，OCR也可以根据识别内容来分类。例如按语言分类，要识别的内容将可能包括汉语、英语、日语、法语等，而如果仅满足国人需求，要识别的内容就可能会包括汉字、英文字母、阿拉伯数字、标点符号等。

通常根据要识别的内容不同，识别的难度也不同。比如仅识别阿拉伯数字，只需能识别出0-9，而英文字母则需要识别52个字符（仅考虑大小写），而中文识别则会高达数千个，且由于汉字的结构偏旁较为复杂，要将这些字符都准确识别出来会使难度系数直线上升。一个典型的OCR技术处理流程如下图所示：

图：来源于网络

其中，图像预处理通常为能使图像中的文字更明显便于识别，会对图像的成像问题进行修正，通常是基于数字图像处理和传统机器学习等方法对图像进行操作。

常见的图像预处理包括几何变换（透视、翻转、旋转、扭曲、拉直等）、畸变矫正、去模糊、锐化、图像增强、光线矫正、灰度化、二值化等。其中，在对付验证码时常用的灰度化、二值化处理对于内容较为简单的文本信息有增强作用，但对复杂背景的内容处理效果就会收效甚微。

文字检测，顾名思义是对图片中存在的文字内容进行检测，检测内容包括文本所在的位置、范围、布局、数量等，通常也包括整体版面分析和文字行检测等。部分OCR软件为了保证检测范围的准确性，还会套用图像检测的方法，对图像中的文本区域进行框选，并像下图所示将框选与待识别区域交由令用户进行校验确认。

图：某OCR软件识别界面

文本检测完成后，建立在其基础之上的文本识别将会对选定的文本内容进行识别，并将图像中的字符转化为可供人类和计算机识别的文本信息。文本信息主要需要解决的问题是每个字符是什么。

对于识别后输出的文本通常需要再次核对验证以确保其准确率，即文本校正，通常也被认为属于文字检测的环节。当识别的内容是由词库中的词汇构成时就称之为有词典识别，反之则称为无词典识别。在整个处理流程过程中，对识别准确率影响最大的步骤就是文本检测与文本识别。相比一般文本，通常对OCR技术的评测会从最终识别率、识别速度、版面理解正确率、版面还原满意度4方面来作为依据。

OCR识别技术对于手写体识别目前尚在发展阶段，而对于印刷体识别的技术已经发展的较为纯熟。而且，对于印刷体识别的应用划分可能远比你我想象的更为细致。例如用于对人身份进行核查验证的证件OCR识别、用于移动支付绑卡的银行卡OCR识别、用于存储管理名片的名片OCR识别、用于大量文字资料、档案卷宗的录入和处理的文档OCR识别、用于银行、金融、电信机构的票据OCR识别、用于交通安全的车辆OCR识别等。

OCR技术的出现无疑提升了工作效率，也改变了我们的生活。

参考文献：

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

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

编辑：jq