C# 實作 QQ 驗證碼辨識（OCR）：特徵庫比對法完整原始碼解析

前言

本文分析一套針對 QQ 早期驗證碼（49×20 像素、4 字元）的辨識系統，採用像素特徵向量比對法：將字元二值化後，按行計算黑色像素位模式組成 20 維向量，與預建特徵庫比對，差異行數 < 4 視為匹配。程式碼包含特徵庫建立、序列化存取、字元切割與辨識完整流程。

核心資料結構

// 特徵庫容量：100,000 筆
public static int DataCount = 0;
public static ushort[,] FeatureVectors = new ushort[100000, 20]; // 每筆 20 行特徵
public static byte[,] CharSize = new byte[100000, 2];            // 寬、高
public static byte[] CharLabels = new byte[100000];              // 對應字元 (ASCII)

// 待辨識暫存
public ushort[] CurrentVector = new ushort[20];
public byte CurrentWidth, CurrentHeight;

關鍵演算法流程

1. 二值化與字元切割

• 亮度 < 0.999 視為前景（黑）。
• 水平投影尋找字元邊界：連續有前景像素的欄位區間。
• 垂直投影裁剪上下邊界，取得有效區域。
• 寬度 > 16 像素視為噪聲/黏連，捨棄。

2. 特徵向量產生（行位模式）

// 每行 16 位元對應 16 欄像素，LSB 對應左邊
ushort[] bitMask = { 1, 2, 4, 8, 16, 32, 64, 128, 256, 512, 1024, 2048, 4096, 8192, 16384, 32768 };

for (int row = y1; row <= y2; row++)
{
    ushort pattern = 0;
    for (int col = x1; col < x2; col++)
        if (binary[col, row]) pattern |= bitMask[col - x1];
    CurrentVector[row - y1] = pattern;
}

3. 特徵庫比對

public string MatchCharacter()
{
    for (int i = 0; i < DataCount; i++)
    {
        if (CharSize[i, 0] != CurrentWidth || CharSize[i, 1] != CurrentHeight) continue;

        int diffRows = 0;
        for (int r = 0; r < 20; r++)
            if (FeatureVectors[i, r] != CurrentVector[r]) diffRows++;

        if (diffRows < 4) // 容差閾值
            return ((char)CharLabels[i]).ToString();
    }
    return "";
}

4. 特徵庫序列化（二進位格式）

完整類別架構

namespace QQ
{
    public class CaptchaRecognizer
    {
        public CaptchaRecognizer(Bitmap captchaImage) { _image = captcha; }

        // 靜態工具方法：int/ushort ↔ byte[] (Big-Endian)
        public static void IntToBytes(int val, byte[] buf) { ... }
        public static void UShortToBytes(ushort val, byte[] buf) { ... }
        public static int BytesToInt(byte[] buf) { ... }
        public static ushort BytesToUShort(byte[] buf) { ... }

        // 特徵庫持久化
        public static void SaveLibrary(string path) { ... }
        public static void LoadLibrary(string path) { ... }

        // 核心流程
        public void ExtractFeatures() { /* 切割 + 向量化 + 加入庫(標籤=空白) */ }
        public string Recognize() { /* 切割 + 向量化 + 比對拼接 */ }

        // 私有輔助
        private bool ExistsInLibrary() { ... }
        private void AddToLibrary() { ... }
    }
}

效能與準確率分析

限制與改進方向

• 固定尺寸假設：僅支援 49×20、4 字元、等寬切割，通用性低。
• 簡單閾值二值化：對雜訊、干擾線、字元黏連抗性弱。
• 特徵向量維度固定：高度固定 20 行，字元縮放會失效。
• 改進建議：
  • 引入投影切割 + 連通元件分析處理黏連字元。
  • 使用關鍵點特徵（SIFT/ORB 簡化版）或 CNN 深度學習模型。
  • 採用動態時間規整 (DTW) 處理字元寬度變化。
  • 特徵庫採用 KD-Tree 或 LSH 加速最近鄰搜尋。

法律與道德提醒

驗證碼辨識技術僅供學術研究與安全測試使用。繞過驗證碼進行自動化註冊、爬蟲濫用、暴力破解等行為可能違反《電腦犯罪條例》或網站服務條款，請遵守法律法規與機器人協議 (robots.txt)。

1. 上一篇文章： 走進 C#（三）：語言演進脈絡、核心特性與編譯器入門
2. 下一篇文章： C# 呼叫 Windows API 列舉區域網路主機 (WNetEnumResource 實作)

關於C語言

C語言計算文件 SHA-1 哈希值：標準實現、流式處理與工程封裝

SHA-1 雖已不推薦用於數字簽名/證書，但在文件完整性校驗

C語言 scanf 終極避坑指南：輸入截斷、回車殘留、緩衝區殘留、非法輸入死循環

C語言 scanf 終極避坑指南：輸入截斷、回車殘留、緩衝區

C 語言字串反轉完全指南：從整數陣列到字串的演算法優化之路

整數陣列反轉：基礎邏輯建立 對 {1,2,3,4,5} 反轉

C 語言生成 N 個不重複隨機數（續）：O(N) 洗牌法，以空間換時間

核心思想：Fisher-Yates 洗牌變體 建立輔助陣列