12306验证码为什么那么变态？都是这项深度学习应用给逼的 _12306

导读：12306为什么要设置那么复杂的验证码机制呢？就是因为OCR 。
今天聊OCR 。
OCR是人工智能、机器学习特别是深度学习，在图像识别方向最为重要的应用之一。OCR全称Optical Chararcter Recogition，中文翻译为光学字符识别，通常简写为OCR 。

作者：莫凡
来源：华章科技

文章插图

如果之前没有接触过OCR，光看名字上又光学又识别的，容易产生“听起好像很高端很复杂”的距离感，但实际上，计算机科学的每一项技术都是为了机器具备多一项技能，而OCR要机器具备的，是一项对于我们人来说属于最最基本的技能——“看图识字” 。
我们可能对这个能力习以为常了，以至于不会觉得这算是一项能力，但仔细想一想就知道，看图识字虽然最最基本，不过同样也最最基础，很多工作都需要首先具备看图识字这项技能才能开展。同样的道理，OCR现在也已经是我们日常生活中应用最为广泛的智能技术之一。
如果一时没想起来，不妨从咱们中国人都很熟悉的春运说起。12306大家应该都知道，是订火车票的官方网站，2015年12306出了一个轰动全国的“大新闻”，12306改变“验证码机制”了。买火车票之前，用户先得要做几道颇为棘手的智力题，譬如要求在几张图片中找出某位名人，据说有些用户因为知识面比较窄最后选择放弃了购买火车票。
这事大家都知道，不过有没有想过一个最基本的问题：12306为什么要改变验证码机制呢？
就是因为OCR 。

文章插图
▲网友恶搞的12306验证码
验证码之所以叫验证“码”，是因为最开始验证码大都是一串保存在图片里的四位数字。验证码的作用自然是区别真人和机器，听起来很厉害，其实原理异常简单：机器擅长处理结构化数据，而对于图像、文本和音频这些生活中很常见但属于非结构化的数据，对机器来说，用传统的算法处理难度非常大。
为什么呢？不妨想象一个最最传统的验证码，白底黑字，上面一共四个阿拉伯数字，我们人自然看一眼就知道是哪四个数字。但是在机器看起来，这张图片是由一个挨一个的像素数值构成的数据矩阵，这就产生一个问题，我们人看起来是“空白”的地方，在机器看起来同样也存在着数字，并没有什么不同，自然无法区分到底上面写了什么。
OCR的研究人员当然也没有偷懒，努力尝试了很多办法，有一种思路是提取图片特征，也研究出两种传统的提取方法，分别是基于结构形态的特征提取，和基于几何分布的特征提取，也取得一些成果。
但总的来说，要求机器准确识别图片中的数字仍然很困难，只要图片中存在一点点杂质干扰，识别的正确率就大幅度下降，这就是为什么后来验证码都会选择采用一些随机线条，对于OCR来说，这都是低成本高收益的防破解手段。但对人来说却轻而易举，只需要看一眼就能识别。
正是因为人和机器在处理非结构化数据存在能力鸿沟，在验证码这里，就是人和机器在识别图片中字符上的能力存在显著差异，因此，只要简单使用验证码，就能相当准确地辨别正在输入的究竟是人还是机器。
那为什么12306在2015年就非得换了很好用的验证码机制呢？是因为就在2012年，发生了一件轰动整个研究界的事件，这个事件影响深远，推动OCR技术发生飞跃，从此机器也能很轻易就准确识别图片上的数字了。
OCR并不是新出现的概念，起步非常早。根据《深度实践OCR：基于深度学习的文字识别》一书介绍，早在1929年，德国科学家就已经提出了OCR的想法，后续又有一些科学家加入进行这方面研究，不过，直到计算机出现以后，想法才慢慢落地。
相比之下，中国对OCR的研究起步稍晚，起步于70年代，算起来也有近50年的历史了。
但是，虽然早就开始了对OCR的研究，科学家们也从各个方面贡献了很多颇有益处的奇思妙想，为后续研究奠定了坚实基础，但总的来说，OCR技术的应用发展迟缓，直到前些年仍然处于学术研究的领域。不过，每一项科研领域的僵局都最终会被一项划时代的技术打破，打破OCR领域僵局的就是鼎鼎大名的深度学习技术。