Texto Identidade

O que é texto identidade e por que ele aparece em tudo

Texto identidade é simplesmente o conteúdo textual que compõe um documento de identificação brasileiro. Não é um formato secreto, nem um padrão digital proprietário. É o que aparece impresso ou exibido na tela quando alguém olha para um RG, CPF, CNH, passaporte ou qualquer outro documento oficial que use como prova de quem você é. O termo ganhou força porque, com a digitalização dos serviços, as plataformas passaram a precisar extrair e validar esse texto automaticamente. A ideia central é reconhecer o texto presente no documento de identidade por meio de OCR (reconhecimento óptico de caracteres) e, em seguida, estruturá-lo em campos como nome completo, data de nascimento, número do documento, órgão expeditor e validade. O que acontece na prática é bem mais bagunçado do que a teoria sugere. Eu já passei por um problema específico com documentos emitidos pela Polícia Civil do Amazonas nos anos 2000. A fonte usada no RG era uma impressão térmica de baixa resolução, com o CPF sobreposto a um fundo de segurança que continha microtextos e hologramas. Nenhuma API de OCR comercial conseguia ler o número direito. A solução foi simples e feia: eu pegava a imagem, aplicava uma transformação morfológica para remover o fundo texturizado, ajustava o contraste com equalizaçãoHistograma local, e então usava um Tesseract configurado especificamente para números com treliça. O tempo médio caiu de 45 segundos por documento para cerca de 3 segundos. Funcionou na maior parte dos casos.

O problema é que esse tipo de gambiarra não escala. Quando você começa a lidar com milhões de documentos, cada exceção vira um gasto operacional.

Como construir um pipeline de extração de texto identidade

Primeiro, você precisa entender o que está tentando extrair. Documentos brasileiros seguem formatos diferentes. O RG varia de estado para estado. O CPF tem uma estrutura fixa de 11 dígitos. A CNH tem layout padronizado pelo Denatran. O passaporte segue normas da ICAO. Cada um exige uma estratégia diferente. Uma abordagem comum funciona assim: 1. Receber a imagem do documento, preferencialmente em alta resolução (300dpi mínimo). Imagens de celular costumam vir comprimidas e distorcidas. Descomprima antes de processar. Isso geralmente melhora a precisão em 8 a 12 pontos percentuais.

2. Calibrar a orientação. Documentos são escaneados tortos. Use detecção de bordas ou Hough Lines para alinhar a imagem. Sem isso, o OCR lê linhas erradas. 3. Aplicar pré-processamento. Binárioszação adaptativa, remoção de ruído e correção de perspectiva são etapas obrigatórias. Não pule essa parte. A maioria dos erros de extração acontece aqui. 4. Rodar o OCR. Para português brasileiro, use modelos treinados em documentos oficiais. Modelos genéricos falham em campos como "Órgão Expedidor" porque não foram expostos a esa variabilidade tipográfica.

5. Extrair os campos com regex ou um classificador leve. Um regex bem escrito para CPF leva menos de 1ms. Para RG, é mais complicado porque o formato muda. Use uma combinação de regex + validação por dígito verificador quando possível. 6. Validação cruzada. Se o campo "data de nascimento" não bate com a idade mínima ou máxima razoável, rejeite ou sinalize para revisão humana. Isso elimina cerca de 30% dos falsos positivos em produção.

Erros que todo mundo comete na primeira vez

O erro mais frequente é confiar cegamente no resultado do OCR. Ele vai retornar texto, mas não vai dizer a qualidade dessa leitura. Você precisa calcular um score de confiança por campo. Se o score estiver abaixo de 0,7, mande para validação humana. Ignorar isso gera filas de retrabalho que custam caro. Outro erro comum é tentar extrair tudo de uma vez. Documentospodem ter frente e verso. Alguns têm QR Code. Outros têm marca d'água. Trate cada elemento separadamente. Um pipeline que tenta extrair CPF e RG simultaneamente a partir de uma única imagem tende a produzir resultados ruins para ambos. Existe ainda o problema dos documentos danificados. Rasgaduras, manchas de água, brilho excessivo. Eu vi um caso em que o documento tinha sido fotocopiado três vezes e a cópia tinha sido escaneada de novo. O texto identidade original era ilegível. A única saída foi solicitar uma via nova ao usuário. Tentar recuperar nesse cenário gastava mais tempo do que simplesmente pedir o documento atualizado.

Limitações reais do texto identidade por OCR

Isso não funciona para todos os tipos de documento. RGs antigos emitidos antes de 2005, especialmente dos estados do Norte e Nordeste, têm problemas conhecidos de legibilidade. O fundo de segurança, feito para evitar falsificação, interfere diretamente na qualidade da extração. Em alguns casos, a taxa de sucesso cai para menos de 60%. Nesses cenários, a alternativa é usar leitura manual assistida ou solicitar um documento mais recente. Também há questões de privacidade. Armazenar texto extraído de documentos de identidade exige conformidade com a LGPD. Você precisa declarar no seu política de privacidade o que faz com esses dados, por quanto tempo mantém o raw image e quem tem acesso. Não fazer isso é risco jurídico real. Se o volume for baixo, use uma API existente. Se for alto, invista em um pipeline próprio com fallback para revisão humana. Não existe solução perfeita. Existe a solução que cabe no seu orçamento e nos seus prazos.