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

蓝飞 蓝飞 | 时间:2013-09-16, Mon | 32,615 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#

阿里足球队

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:
HTML5 JavaScript实现图片文字提取

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:蓝飞技术部落格

10 条评论 »

  1. 坐弹去旅行 坐弹去旅行

    我是不是这张全家福里面唯一能看懂上面代码的人?

    1. 全家福?

    2. 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?

  2. 树浩Lawrence 树浩Lawrence

    这篇好玩,通俗易懂有条理。
    PS 我蛙泳神功初成了,会换气了。

  3. 蓝光 蓝光

    先记下了 明天下午来试试>

  4. Les.xw Les.xw

    怎么那个demo没效果啊,我再mac上 chrome,safari,firefox 都试过了

    1. mac上没调试过(没环境T_T),不过Windows上Chrome应该是可以的。

  5. 一个比赛?

    1. @红色石头
      啥?不是哦,兴趣所致,一个小小的研究而已= =

  6. 翔子 翔子

    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?