借@阿里巴巴 耍了个帅——HTML5 JavaScript实现图片文字识别与提取
杰拉斯 | 时间：2013-09-16, Mon | 46,621 views前端开发
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！
如需转载请注明出处：杰拉斯的博客
我是不是这张全家福里面唯一能看懂上面代码的人？
全家福？
之前注意力都在算法上面，今晚经同学一说才意识到。。
难道您是阿里足球队一员？
这篇好玩，通俗易懂有条理。
PS 我蛙泳神功初成了，会换气了。
先记下了 明天下午来试试>
怎么那个demo没效果啊，我再mac上 chrome，safari，firefox 都试过了
mac上没调试过（没环境T_T），不过Windows上Chrome应该是可以的。
一个比赛？
@红色石头
啥？不是哦，兴趣所致，一个小小的研究而已= =
看到13年就有这样的文章了，感觉自己差的真是好多，特意来求教：
请问如果我想用JS抓取文字类的按照您的思路在字符中，就要导入目前已知汉字，同时希望把已经提取的数据给转存出来的话，是不是可以再优化下呢？