借@阿里巴巴耍了个帅——HTML5 JavaScript实现图片文字识别与提取

写在前面

8月底的时候，@阿里巴巴推出了一款名为“拯救斯诺克”的闯关游戏，作为前端校园招聘的热身，做的相当不错，让我非常喜欢。后来又传出了一条消息，阿里推出了A-star（阿里星）计划，入职阿里的技术培训生，将接受CTO等技术大牛的封闭培训，并被安排到最有挑战的项目中，由技术带头人担任主管。于是那几天关注了一下阿里巴巴的消息，结果看到这么一条微博（http://e.weibo.com/1897953162/A79Lpcvhi）：

此刻，@阿里足球队可爱的队员们已经出征北上。临走前，后防线的队员们留下一段亲切的问候，送给对手，看@新浪足球队的前锋们如何破解。@袁甲 @蓝耀栋 #阿里新浪足球世纪大战#

目测是一段Base64加密过的信息，但无奈的是这段信息是写在图片里的，我想看到解密后的内容难道还一个字一个字地打出来？这么懒这么怕麻烦的我肯定不会这么做啦→_→想到之前有看到过一篇关于HTML5实现验证码识别的文章，于是顿时觉得也应该动手尝试一下，这才是极客的风范嘛！

Demo与截图

先来一个大家最喜欢的Demo地址（识别过程需要一定时间，请耐心等待，识别结果请按F12打开Console控制台查看）：

http://www.clanfei.com/demos/recognition/

再来张效果图：

思路

实现一个算法，思路是最重要的，而实现不过是把思想转化为能够运行的代码。

简单地说，要进行文本识别，自然是拿图片的数据与文字的图形数据进行对比，找到与图片数据匹配程度最高的字符。

首先，先确定图片中文本所用的字体、字号、行距等信息，打开PhotoShop，确定了字体为微软雅黑，16像素，行距为24，Base64文字的开始坐标为(8, 161)。

然后，确定要进行匹配的字库，Base64编码中可能出现的字符为26个字母大小写、10个数字、加号、斜杠，但目测在图片中没有斜杠出现，因此字库应该为：

0123456789abcdefghijklmnopqrstuvwxyzABCDEFGHIJKLMNOPQRSTUVWXYZ+

接着，是确定如何判断字符是否匹配，由于只需要对字型进行匹配，因此颜色值对算法并无用处，因此将其灰度化（详见百度百科），并使用01数组表示，1代表该像素点落在此字符图形上，0反之，而如何确定该某个灰度值在数组中应该表示为0还是1，这个转换公式更是算法中的关键。

最后，将字型的灰度化数据与图片中文字部分的灰度化数据进行对比，将误差最小的字型作为匹配到的字符，然后进行下一个字符的匹配，直到图片中所有字符匹配完毕为止。

递归实现

详细的思路于代码注释中，个人觉得这样结合上下文更为容易理解（注：代码应运行于服务器环境，否则会出现跨域错误，代码行数虽多，但注释就占了大半，有兴趣可以耐心看完，图片资源于上方“写在前面”）。

<!doctype html>
<html lang="zh-CN">
<head>
<meta charset="UTF-8">
<title>文字识别</title>
</head>
<body>
<canvas id="canvas" width="880" height="1500"></canvas>
<script type="text/javascript">
var image = new Image();
image.onload = recognition;
image.src = 'image.jpg';
function recognition(){
// 开始时间，用于计算耗时
var beginTime = new Date().getTime();
// 获取画布
var canvas = document.getElementById('canvas');
// 字符库
var letters = '0123456789abcdefghijklmnopqrstuvwxyzABCDEFGHIJKLMNOPQRSTUVWXYZ+';
// 字型数据
var letterData = {};
// 获取context
var context = canvas.getContext('2d');
// 设置字体、字号
context.font = '16px 微软雅黑';
// 设置文字绘制基线为文字顶端
context.textBaseline = 'top';
// 一个循环获取字符库对应的字型数据
for(var i = 0; i < letters.length; ++i){
var letter = letters[i];
// 获取字符绘制宽度
var width = context.measureText(letter).width;
// 绘制白色背景，与图片背景对应
context.fillStyle = '#fff';
context.fillRect(0, 0, width, 22);
// 绘制文字，以获取字型数据
context.fillStyle = '#000';
context.fillText(letter, 0, 0);
// 缓存字型灰度化0-1数据
letterData[letter] = {
width : width,
data : getBinary(context.getImageData(0, 0, width, 22).data)
}
// 清空该区域以获取下个字符字型数据
context.clearRect(0, 0, width, 22);
}
// console.log(letterData);
// 绘制图片
context.drawImage(this, 0, 0);
// 要识别的文字开始坐标
var x = beginX = 8;
var y = beginY = 161;
// 行高
var lineHeight = 24;
// 递归次数
var count = 0;
// 结果文本
var result = '';
// 递归开始
findLetter(beginX, beginY, '');
// 递归函数
function findLetter(x, y, str){
// 找到结果文本，则递归结束
if(result){
return;
}
// 递归次数自增1
++ count;
// console.log(str);
// 队列，用于储存可能匹配的字符
var queue = [];
// 循环匹配字符库字型数据
for(var letter in letterData){
// 获取当前字符宽度
var width = letterData[letter].width;
// 获取该矩形区域下的灰度化0-1数据
var data = getBinary(context.getImageData(x, y, width, 22).data);
// 当前字符灰度化数据与当前矩形区域下灰度化数据的偏差量
var deviation = 0;
// 一个临时变量以确定是否到了行末
var isEmpty = true;
// 如果当前矩形区域已经超出图片宽度，则进行下一个字符匹配
if(x + width > 440){
continue;
}
// 计算偏差
for(var i = 0, l = data.length; i < l; ++i){
// 如果发现存在的有效像素点，则确定未到行末
if(isEmpty && data[i]){
isEmpty = false;
}
// 不匹配的像素点，偏差量自增1
if(data[i] != letterData[letter].data[i]){
++deviation;
}
}
// 由于调试时是在猎豹浏览器下进行的，而不同浏览器下的绘图API表现略有不同
// 考虑到用Chrome的读者应该也不少，故简单地针对Chrome对偏差进行一点手动微调
// （好吧，我承认我是懒得重新调整getBinary方法的灰度化、0-1化公式=_=||）
// 下面这段if分支在猎豹浏览器下可以删除
if(letter == 'F' || letter == 'E'){
deviation -= 6;
}
// 如果匹配完所有17行数据，则递归结束
if(y > beginY + lineHeight * 17){
result = str;
break;
}
// 如果已经到了行末，重置匹配坐标
if(isEmpty){
x = beginX;
y += lineHeight;
str += '\n';
}
// 如果偏差量与宽度的比值小于3，则纳入匹配队列中
// 这里也是算法中的关键点，怎样的偏差量可以纳入匹配队列中
// 刚开始是直接用绝对偏差量判断，当偏差量小于某个值的时候则匹配成功，但调试过程中发现不妥之处
// 字符字型较小的绝对偏差量自然也小，这样l，i等较小的字型特别容易匹配成功
// 因此使用偏差量与字型宽度的比值作为判断依据较为合理
// 而这个判断值3的确定也是难点之一，大了递归的复杂度会大为增长，小了很可能将正确的字符漏掉
if(deviation / width < 3){
queue.push({
letter : letter,
width : width,
deviation : deviation
});
}
}
// 如果匹配队列不为空
if(queue.length){
// 对队列进行排序，同样是根据偏差量与字符宽度的比例
queue.sort(compare);
// console.log(queue);
// 从队头开始进行下一个字符的匹配
for(var i = 0; i < queue.length && ! result; ++i){
var item = queue[i];
// 下一步递归
findLetter(x + item.width, y, str + item.letter);
}
}else{
return false;
}
}
// 递归结束
// 两个匹配到的字符的比较方法，用于排序
function compare(letter1, letter2){
return letter1.deviation / letter1.width - letter2.deviation / letter2.width;
}
// 图像数据的灰度化及0-1化
function getBinary(data){
var binaryData = [];
for(var i = 0, l = data.length; i < l; i += 4){
// 尝试过三种方式
// 一种是正常的灰度化公式，无论系数如何调整都无法与绘制的文字字型数据很好地匹配
// binaryData[i / 4] = (data[i] * 0.3 + data[i + 1] * 0.59 + data[i + 2] * 0.11) < 90;
// 一种是自己是通过自己手动调整系数，结果虽然接近但总是不尽人意
// binaryData[i / 4] = data[i] < 250 && data[i + 1] < 203 && data[i + 2] < 203;
// 最后使用了平均值，结果比较理想
binaryData[i / 4] = (data[i] + data[i + 1] + data[i + 2]) / 3 < 200;
}
return binaryData;
}
console.log(result);
// 输出耗时
console.log(count, (new Date().getTime() - beginTime) / 1000 + ' s');
// 将文字绘制到图片对应位置上，以方便查看提取是否正确
context.drawImage(this, this.width, 0);
var textArray = result.split('\n');
for(var i = 0; i < textArray.length; ++i){
context.fillText(textArray[i], this.width + beginX, beginY + lineHeight * i);
}
}
</script>
</body>
</html>

运行环境

Win7 64位，i3-3220 CPU 3.30 GHz，8G内存

运行结果

yv66vgAAADIAHQoABgAPCQAQABEIABIKABMAFAcAF
QcAFgEABjxpbml0PgEAAygpVgEABENvZGUB
AA9MaW5lTnVtYmVyVGFibGUBAARtYWluAQAWKFtMa
mF2YS9sYW5nL1N0cmluZzspVgEAClNvdXJj
ZUZpbGUBAAlNYWluLmphdmEMAAcACAcAFwwAGAA
ZAQBv5paw5rWq6Laz55CD6Zif5a6e5Yqb6LaF
576k77yM6Zi15a656LGq5Y2O44CC5LmF5Luw5aSn5ZC
N77yM5ZGo5pel5LiA5oiY77yM6L+Y5pyb
5LiN6YGX5L2Z5Yqb77yM5LiN5ZCd6LWQ5pWZ44CCBw
AaDAAbABwBAARNYWluAQAQamF2YS9sYW5n
L09iamVjdAEAEGphdmEvbGFuZy9TeXN0ZW0BAANvdX
QBABVMamF2YS9pby9QcmludFN0cmVhbTsB
ABNqYXZhL2lvL1ByaW50U3RyZWFtAQAHcHJpbnRsbgE
AFShMamF2YS9sYW5nL1N0cmluZzspVgAh
AAUABgAAAAAAAgABAAcACAABAAkAAAAdAAEAAQA
AAAUqtwABsQAAAAEACgAAAAYAAQAAAAEACQAL
AAwAAQAJAAAAJQACAAEAAAAJsgACEgO2AASxAAAA
AQAKAAAACgACAAAAAwAIAAQAAQANAAAAAgAO
715 1.984 s（猎豹）
772 15.52 s（Chrome）

（递归次数谷歌只比猎豹多几十，耗时却对了十几秒，看来猎豹真的比Chrome快？）

非递归实现

其实非递归实现只是递归实现前做的一点小尝试，只在猎豹下调试完成，因为不舍得删，所以顺便贴出来了，使用Chrome的各位就不要跑了（我真的不是在给猎豹做广告= =||）。

<!doctype html>
<html lang="zh-CN">
<head>
<meta charset="UTF-8">
<title>文字识别</title>
</head>
<body>
<canvas id="canvas" width="880" height="1500"></canvas>
<script type="text/javascript">
var image = new Image();
image.onload = recognition;
image.src = 'image.jpg';
function recognition(){
// 开始时间，用于计算耗时
var beginTime = new Date().getTime();
// 获取画布
var canvas = document.getElementById('canvas');
// 字符库
var letters = '0123456789abcdefghijklmnopqrstuvwxyzABCDEFGHIJKLMNOPQRSTUVWXYZ+';
// 字型数据
var letterData = {};
// 获取context
var context = canvas.getContext('2d');
// 设置字体、字号
context.font = '16px 微软雅黑';
// 设置文字绘制基线为文字顶端
context.textBaseline = 'top';
// 一个循环获取字符库对应的字型数据
for(var i = 0; i < letters.length; ++i){
var letter = letters[i];
// 获取字符绘制宽度
var width = context.measureText(letter).width;
// 绘制白色背景，与图片背景对应
context.fillStyle = '#fff';
context.fillRect(0, 0, width, 22);
// 绘制文字，以获取字型数据
context.fillStyle = '#000';
context.fillText(letter, 0, 0);
// 缓存字型灰度化0-1数据
letterData[letter] = {
width : width,
data : getBinary(context.getImageData(0, 0, width, 22).data)
}
// 清空该区域以获取下个字符字型数据
context.clearRect(0, 0, width, 22);
}
// console.log(letterData);
// 绘制图片
context.drawImage(this, 0, 0);
// 要识别的文字开始坐标
var x = beginX = 8;
var y = beginY = 161;
// 行高
var lineHeight = 24;
// 结果文本
var result = '';
// 非递归开始
var count = 0;
while(y <= 569 && ++count < 1000){
// 当前最匹配的字符
var trueLetter = {letter: null, width : null, deviation: 100};
// 循环匹配字符
for(var letter in letterData){
// 获取当前字符宽度
var width = letterData[letter].width;
// 获取该矩形区域下的灰度化0-1数据
var data = getBinary(context.getImageData(x, y, width, 22).data);
// 当前字符灰度化数据与当前矩形区域下灰度化数据的偏差量
var deviation = 0;
// 一个临时变量以确定是否到了行末
var isEmpty = true;
// 如果当前矩形区域已经超出图片宽度，则进行下一个字符匹配
if(x + width > this.width){
continue;
}
// 计算偏差
for(var i = 0, l = data.length; i < l; ++i){
// 如果发现存在的有效像素点，则确定未到行末
if(isEmpty && data[i]){
isEmpty = false;
}
// 不匹配的像素点，偏差量自增1
if(data[i] != letterData[letter].data[i]){
++deviation;
}
}
// 非递归无法遍历所有情况，因此针对某些字符进行一些微调（这里只针对猎豹，Chrome的没做）
// 因为其实非递归实现只是在递归实现前做的一点小尝试，因为不舍得删，就顺便贴出来了
if(letter == 'M'){
deviation -= 6;
}
// 如果偏差量与宽度的比值小于3，则视为匹配成功
if(deviation / width < 3){
// 将偏差量与宽度比值最小的作为当前最匹配的字符
if(deviation / width < trueLetter.deviation / trueLetter.width){
trueLetter.letter = letter;
trueLetter.width = width;
trueLetter.deviation = deviation;
}
}
}
// 如果已经到了行末，重置匹配坐标，进行下一轮匹配
if(isEmpty){
x = beginX;
y += lineHeight;
result += '\n';
continue;
}
// 如果匹配到的字符不为空，则加入结果字符串，否则输出匹配结果
if(trueLetter.letter){
result += trueLetter.letter;
// console.log(x, y, trueLetter.letter);
}else{
console.log(x, y, result.length);
break;
}
// 调整坐标至下一个字符匹配位置
x += trueLetter.width;
}
// 非递归结束
// 图像数据的灰度化及0-1化
function getBinary(data){
var binaryData = [];
for(var i = 0, l = data.length; i < l; i += 4){
// 尝试过三种方式
// 一种是正常的灰度化公式，无论系数如何调整都无法与绘制的文字字型数据很好地匹配
// binaryData[i / 4] = (data[i] * 0.3 + data[i + 1] * 0.59 + data[i + 2] * 0.11) < 90;
// 一种是自己是通过自己手动调整系数，结果虽然接近但总是不尽人意
// binaryData[i / 4] = data[i] < 250 && data[i + 1] < 203 && data[i + 2] < 203;
// 最后使用了平均值，结果比较理想
binaryData[i / 4] = (data[i] + data[i + 1] + data[i + 2]) / 3 < 200;
}
return binaryData;
}
console.log(result);
// 输出耗时
console.log(count, (new Date().getTime() - beginTime) / 1000 + ' s');
// 将文字绘制到图片对应位置上，以方便查看提取是否正确
context.drawImage(this, this.width, 0);
var textArray = result.split('\n');
for(var i = 0; i < textArray.length; ++i){
context.fillText(textArray[i], this.width + beginX, beginY + lineHeight * i);
}
}
</script>
</body>
</html>

运行结果

yv66vgAAADIAHQoABgAPCQAQABEIABIKABMAFAcAF
QcAFgEABjxpbml0PgEAAygpVgEABENvZGUB
AA9MaW5lTnVtYmVyVGFibGUBAARtYWluAQAWKFtMa
mF2YS9sYW5nL1N0cmluZzspVgEAClNvdXJj
ZUZpbGUBAAlNYWluLmphdmEMAAcACAcAFwwAGAA
ZAQBv5paw5rWq6Laz55CD6Zif5a6e5Yqb6LaF
576k77yM6Zi15a656LGq5Y2O44CC5LmF5Luw5aSn5ZC
N77yM5ZGo5pel5LiA5oiY77yM6L+Y5pyb
5LiN6YGX5L2Z5Yqb77yM5LiN5ZCd6LWQ5pWZ44CCBw
AaDAAbABwBAARNYWluAQAQamF2YS9sYW5n
L09iamVjdAEAEGphdmEvbGFuZy9TeXN0ZW0BAANvdX
QBABVMamF2YS9pby9QcmludFN0cmVhbTsB
ABNqYXZhL2lvL1ByaW50U3RyZWFtAQAHcHJpbnRsbgE
AFShMamF2YS9sYW5nL1N0cmluZzspVgAh
AAUABgAAAAAAAgABAAcACAABAAkAAAAdAAEAAQA
AAAUqtwABsQAAAAEACgAAAAYAAQAAAAEACQAL
AAwAAQAJAAAAJQACAAEAAAAJsgACEgO2AASxAAAA
AQAKAAAACgACAAAAAwAIAAQAAQANAAAAAgAO
702 1.931 s（猎豹）

真正的结果

找了个在线的Base64解码工具将上面的提取结果进行了一下解码，发现是一个Java编译后的.class文件，大概内容是：“新浪足球队实力超群，阵容豪华。久仰大名，周日一战，还望不遗余力，不吝赐教。”

写在最后

这个只是一个最浅层次的文字识别提取算法，不够通用，性能也一般，权当兴趣研究之用，不过我想，勇于实践、敢于尝试的精神才是最重要的。。

因为最近实习工作略忙，再加上学校开学事情也多，拖了两个星期才把这边文章写出来，除此之外还有不少计划都落下了，还得继续努力啊>_<

还有最近的一些思考的结果和感触也要找个时间写下来。

PS：写这篇博客的时候精神略差，之后有想到什么再作补充吧，如果写的不好还请多多指教！

=======================签名档=======================
原文地址（我的博客）：http://www.clanfei.com/2013/09/1723.html
欢迎访问交流，至于我为什么要多弄一个博客，因为我热爱前端，热爱网页，我更希望有一个更加自由、真正属于我自己的小站，或许并不是那么有名气，但至少能够让我为了它而加倍努力。。
=======================签名档=======================