OCR

Em resumo

OCR são as siglas de optical character recognition, reconhecimento óptico de caracteres. É a técnica que pega a imagem de um texto e devolve esse texto como caracteres, de modo que um sistema possa tratá-lo como dado e não como pixels.

Aplicado a um documento de identidade, o trabalho não termina em reconhecer letras. Termina em devolver campos: isto é o número do documento, isto é a data de nascimento, isto é o sobrenome. Reconhecer os caracteres é metade do trabalho; saber o que cada grupo de caracteres significa dentro daquele documento específico é a outra metade.

Por isso a leitura de documentos não se resolve com um reconhecedor genérico. Exige saber como está diagramado cada tipo de documento, em cada uma das suas versões vigentes.

Como se extrai um campo de uma foto

A sequência é curta e cada etapa pode estragar a seguinte.

• Captura. Uma fotografia do documento, feita com a câmera do usuário, com a iluminação disponível e à distância que lhe ocorrer.
• Normalização. Recortar o documento do fundo, corrigir a perspectiva, endireitá-lo e compensar o contraste. É o que transforma uma foto inclinada em uma imagem retangular comparável a um modelo.
• Identificação do documento. Determinar de que tipo e de que versão de documento se trata, porque a posição dos campos depende disso.
• Segmentação de campos. Localizar na imagem as regiões onde cada dado deveria estar, de acordo com o modelo do documento identificado.
• Reconhecimento. Converter em caracteres o conteúdo de cada região.
• Validação. Verificar se o que foi devolvido tem o formato correto: que a data seja uma data, que o número respeite o formato do país, que o vencimento seja posterior à emissão.

A etapa 3 é a mais subestimada. Um mesmo país mantém várias versões do seu documento em circulação ao mesmo tempo, porque as anteriores continuam válidas até o vencimento. Cada versão tem seu próprio layout, e um modelo errado devolve dados bem reconhecidos no campo errado.

Por que a MRZ é lida melhor que a frente

Sobre um mesmo documento, o reconhecimento não rende igual em todas as partes, e a diferença não é por acaso.

A MRZ é projetada para ser lida por uma máquina. Usa uma tipografia pensada para minimizar a confusão entre caracteres, um conjunto de caracteres reduzido, um espaçamento fixo e uma posição estável. Além disso, traz dígitos verificadores, então o próprio dado indica se foi lido corretamente.

A frente do documento é projetada para ser lida por uma pessoa. Tipografias variáveis, fundos com tramas de segurança, hologramas que refletem, texto sobre imagem, campos que mudam de lugar entre versões. Tudo isso é correto para o seu propósito e hostil ao reconhecimento automático.

Daí uma regra prática: quando o mesmo dado está disponível na faixa ou no [código de barras](/glosario/pdf417) do verso, essa é a fonte preferida, e a frente serve para confrontá-la. Não o contrário.

Onde falha, e o que fazer com isso

Os erros de reconhecimento em documentos são bastante previsíveis, e essa previsibilidade é o que permite administrá-los.

• Confusão entre caracteres parecidos — zero e a letra O, um e a letra I, cinco e S, oito e B. É o erro clássico e afeta sobretudo números de documento.
• Condições de captura — reflexo no plástico, foco desfocado, pouca luz, um dedo cobrindo um campo. A maioria das rejeições de um onboarding começa aqui.
• Desgaste do documento — uma credencial de anos, riscada ou desbotada, tem campos que já não são legíveis nem para uma pessoa.
• Versão não reconhecida — um documento cujo layout o sistema não conhece. Não devolve um erro claro: devolve campos mal atribuídos, o que é pior.
• Transliteração — nomes com acentos, til ou caracteres não latinos aparecem de forma diferente na faixa e na frente. Tratar essa diferença como discrepância rejeita documentos legítimos.

O que corrige esses erros não é um reconhecedor melhor, é ter mais de uma fonte para o mesmo dado. O cross-check frente e verso detecta uma leitura defeituosa no momento em que as duas vias não coincidem, e os dígitos verificadores da MRZ fazem o mesmo sem sair da faixa.

O OCR lê, não verifica

É a confusão mais cara do tema e vale a pena deixá-la registrada.

O reconhecimento devolve o que está impresso. Nada mais. Se o documento foi alterado e a alteração está bem feita, o reconhecimento devolve o dado alterado com total normalidade, porque seu trabalho é transcrever o que vê.

Um documento completamente falso, com dados coerentes e um layout bem reproduzido, produz uma extração impecável. A qualidade do reconhecimento não diz nada sobre a legitimidade do documento.

O que responde pela autenticidade é outra coisa: a análise dos elementos de segurança do suporte, a assinatura criptográfica do chip quando o documento a possui, o contraste entre as representações do mesmo dado e, onde o país permite, a consulta a uma fonte oficial. Nenhuma dessas verificações é reconhecimento de caracteres, e nenhuma pode ser substituída por ele.

Por isso o OCR é uma etapa dentro da verificação documental e nunca seu equivalente. E por isso os marcos de prevenção à lavagem de dinheiro da região, como o SARLAFT na Colômbia ou a lei antilavagem no México, exigem conservar evidência de como a identidade foi comprovada, não apenas o dado extraído.