Tesseract与tess4j验证码识别

验证码，英文名CAPTCHA，全称叫做：全自动区分计算机和人类的图灵测试。验证码主要为了防一些不怀好意的人(程序猿)，避免批量注册账户，暴力尝试多次登录失败等一些恶意行为。

最经典的就是文字型的验证码：

简单的文字型验证码容易被OCR识别，所以程序猿们让文字随机旋转、扭曲、黏连，在验证码上加干扰线、加噪点以降低自动化程序的识别率，但是很多扭曲变形的文字连人都识别不出来，比如中国移动这个验证码：

这些诡异的验证码反而降低了用户体验，所以现在比较流行的是行为式验证码

这篇文章主要讨论入门级的传统文字型验证码的识别。

因为我自己也没有深入研究过图形学，所以这里拿一个最简单验证码举例：

Tesseract

这里用开源的Tesseract-OCR引擎来识别字符，Tesseract目前最新版是4.0，Wiki里给出了各平台的安装方式。

tesseract-ocr是谷歌赞助开发的一款开源的光学字符识别(Optical character recognition)引擎，通常拿来进行文档扫描，图片字符识别。最常见的例子就是车牌号的识别与pdf扫描

Windows下载地址：https://github.com/tesseract-ocr/tesseract/wiki/Downloads

除了软件安装包，还有官方提供的训练数据：https://github.com/tesseract-ocr/tesseract/wiki/Data-Files

我们需要设置TESSDATA_PREFIX变量为训练数据所在的目录。

将Tesseract安装目录配置到环境变量后，我们可以直接用tesseract命令来对上面的验证码进行识别：

--psm选项用于是page segmentation mode，用于设置分页模式，tesseract有13中分页模式，因为验证码中字符基本在一行显示，所以选用7单行文本模式。

stdout表示我们将识别结果输出到标准输出流(也就是控制台)，如果你想把识别结果输出到一个文件中可以直接指定文件名。比如tesseract CheckCode.jpg --psm 7 out