验证码识别技术（1） - 边缘检测

概述

验证码有时候也叫图形码，是一种阻止软件进行某些自动化行为的技术。被广泛的用于各种系统的帐号注册、登录验证等环节。在一定程度上验证码可以阻止软件自动进行帐号密码猜解、注册等行为。

但迫于一些原因，我们需要自动进行上述被“禁止”的行为，这时就有一个课题摆在我们面前：验证码识别技术，也可以叫做图形识别技术、模式识别技术。

如今的验证码已不再像互联网初期那么单纯，早期的验证码可以通过简单的二维矩阵对比即可得出结果，因为早期的图形码采用固定的字库，并加以简单的处理的后输出，例如随机产生一些噪点，和随机修改字符颜色。

早期的图形码字符排列整齐，字符数量确定，甚至是固定位置，例如第一个字符出现在 X:10 Y:3 第二个字符出现在 X:25 Y:3，字符大小，字符轮廓都一成不变，单色背景，或固定单色前景，对于这些验证码的识别不在本文的讨论范畴内。本文将要讨论的是字符经过扭曲、旋转，字符数量不确定，字符位置不确定，字符大小不确定，并且背景为复杂背景（背景存在多种颜色，甚至渐变色，或是纹理图案）高级验证码识别技术。本文讨论的内容不但可用于网站验证码识别领域，还广泛用于工业、医学，例如车牌识别、OCR印刷文字识别。但重点介绍的还是基于验证码的识别技术。

验证码识别的实现思路

复杂图形码识别的第一步便是图像的定位与切割。其中包括如何把信息部分（包含字符轮廓的部分）从背景中分离，并把字符切开，并把信息部分二值化（只有黑色#000000和白色#FFFFFF）。如果不定位与切割图像，计算量将会是非常庞大，并且识别错误率极大。

对于背景较为简单（单色）的图形码，背景与前景的分离，就会容易做到。单对于背景为多色、渐变色、纹理图片的验证码来说分离背景就显得异常复杂。

这里我们应该考虑人的思维方式，当我们看到这种验证码的时候，肉眼并不是先把背景进行分离，我们首先看懂了其中我们认识的前景轮廓（字符、数字），然后我们把前景移除，我们才发现原来背景是一幅带有纹理的图片。

根据这个思想我们应当略过背景分离，直接寻找前景轮廓。如果我们能够得到前景的轮廓（我们感兴趣的也只是前景部分）就不必再去分离背景。如果验证码背景和前景没有明显的轮廓和反差，哪么别说机器，就算人眼也无法辨识。

于是，我们设定一个合理的“阈值”通过边缘检测算法来把图片轮廓（反差强烈的部分）依次分割出来。但需要注意的是，我们提取出的部分除了包含前景（字符轮廓）还包含了其他零碎的片段，例如背景图片，或背景图片的一部分，或字符“0”中空心的部分。

 

---

 

边缘检测算法可以用一个词形象的概括，那就是“燃烧”。

1，首先从X:0 Y:0点开始燃烧，把相邻并且在“阈值”限定内的像素“点燃”，并把该像素标记为“已点燃”。

2，从最后一次“点燃”的像素递归过程1，继续点燃“阈值”限定内的其他相邻点。（注意每次递归过程要按照最后一次“点燃”像素和当前像素之间的色差来对比“阈值”，而不能始终以X:0 Y:0点计算“阈值”，这样才能处理渐变的背景色。）

3，当第一轮燃烧（X:0 Y:0）全部熄灭后，第一次边缘检测便完成了，接着，遍历图形，寻找标记为“未点燃”状态的像素，并从此开始重复“燃烧”过程。直到全部像素都被标记为“已点燃”。

不过实际操作中，遍历函数会受到栈大小的限制，在处理过大图片的时候（例如300*300的图片），很可能会因为遍历深度过大引起栈溢出，而让你的程序Down掉，不过可以使用其他方法，例如建立“燃烧任务表”的方法来解决这个问题。其本质还是遍历。

 

---

 

一般来说我们应当抛弃掉分割后体积超过50%的部分，因为这么大的部分，他只能是背景。分割后体积小于5%的部分也应当抛弃，这可能是背景纹理、或是噪点、干扰线，根据多次的边缘检测学习，我们总能够给出一个合理的值，率除掉大部分无关的分割结果。

经过这些过滤算法，和精确的边缘检测，我们完全可以把分割后的部分填充为单色，以便于后续的识别。但是在真正的识别开始之前我们还需要对这些图像进行一些操作。

1，缩放操作，把待识别图像缩放到指定大小，一个既能保证图像细节不过多丢失，又能尽可能小，以加快识别速度的大小，我这里用的是24*24大小，主要是因为目前的验证字符过于复杂（手写体、镂空）如果过小会丢失太多细节。

2，旋转操作，检测出待识别图像被旋转的角度，并反向旋转，以便识别。

3，图像修复，经过边缘检测算法后，图像可能会有一些受损，例如中部出现镂空点，我们需要经过一定的算法对图像进行修复。

4，粘连、重叠图形检测，再次分割，或掩码识别，针对复杂验证码，这是非常重要的一步，也是业界内普遍遇到的难点。

 

请期待我的下一篇文章：验证码识别技术（2） - 边缘检测后进一步的处理