太嚣张了!他竟用Python绕过了“验证码”

准备工作

这里我们使用 OpenCV 做图像处理，所以需要安装下面两个库：

pip3 install opencv-python 
pip3 install numpy 

识别原理

我们采取一种有监督式学习的方法来识别验证码，包含以下几个步骤：

• 图片处理：对图片进行降噪、二值化处理。
• 切割图片：将图片切割成单个字符并保存。
• 人工标注：对切割的字符图片进行人工标注，作为训练集。
• 训练数据：用 KNN 算法训练数据。
• 检测结果：用上一步的训练结果识别新的验证码。

下面我们来逐一介绍每一步的过程，并给出具体的代码实现。

图片处理

先来看一下我们要识别的验证码是长什么样的：

上图可以看到，字符做了一些扭曲变换。仔细观察，还可以发现图片中间的部分添加了一些颗粒化的噪声。

我们先读入图片，并将图片转成灰度图，代码如下：

import cv2 
 
im = cv2.imread(filepath) 
im_gray = cv2.cvtColor(im, cv2.COLOR_BGR2GRAY) 

经过上面的处理，我们的彩色图片变成了下面这样：

将图片做二值化处理，代码如下：

ret, im_inv = cv2.threshold(im_gray,127,255,cv2.THRESH_BINARY_INV) 

127 是我们设定的阈值，像素值大于 127 被置成了 0，小于 127 的被置成了 255。处理后的图片变成了这样：

接下来，我们应用高斯模糊对图片进行降噪。高斯模糊的本质是用高斯核和图像做卷积，代码如下：

kernel = 1/16*np.array([[1,2,1], [2,4,2], [1,2,1]]) 
im_blur = cv2.filter2D(im_inv,-1,kernel) 

降噪后的图片如下：

上图可以看到一些颗粒化的噪声被平滑掉了。降噪后，我们对图片再做一轮二值化处理：

ret, im_res = cv2.threshold(im_blur,127,255,cv2.THRESH_BINARY) 

现在图片变成了这样：

好了，接下来，我们要开始切割图片了。

切割图片

这一步是所有步骤里最复杂的一步。我们的目标是把最开始的图片切割成单个字符，并把每个字符保存成如下的灰度图：

首先我们用 OpenCV 的 findContours 来提取轮廓：

im2, contours, hierarchy = cv2.findContours(im_res, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) 

我们把提取的轮廓用矩形框起来，画出来是这样的：

可以看到，每个字符都被检测出来了。但这只是理想情况，很多时候，相邻字符有粘连的会被识别成同一个字符，比如像下面的情况：

要处理这种情况，我们就要对上面的图片做进一步的分割。字符粘连会有下面几种情况，我们逐一来看下该怎么处理。

①4 个字符被识别成 3 个字符

这种情况，对粘连的字符轮廓，从中间进行分割，代码如下：

result = [] 
for contour in contours: 
 x, y, w, h = cv2.boundingRect(contour) 
 if w == w_max: # w_max是所有contonur的宽度中最宽的值 
 box_left = np.int0([[x,y], [x+w/2,y], [x+w/2,y+h], [x,y+h]]) 
 box_right = np.int0([[x+w/2,y], [x+w,y], [x+w,y+h], [x+w/2,y+h]]) 
 result.append(box_left) 
 result.append(box_right) 
 else: 
 box = np.int0([[x,y], [x+w,y], [x+w,y+h], [x,y+h]]) 
 result.append(box) 

分割后，图片变成了这样：

②4 个字符被识别成 2 个字符

4 个字符被识别成 2 个字符有下面两种情况：

对第一种情况，对于左右两个轮廓，从中间分割即可。对第二种情况，将包含了 3 个字符的轮廓在水平方向上三等分。

具体代码如下：

result = [] 
for contour in contours: 
 x, y, w, h = cv2.boundingRect(contour) 
 if w == w_max and w_max >= w_min * 2: 
 # 如果两个轮廓一个是另一个的宽度的2倍以上，我们认为这个轮廓就是包含3个字符的轮廓 
 box_left = np.int0([[x,y], [x+w/3,y], [x+w/3,y+h], [x,y+h]]) 
 box_mid = np.int0([[x+w/3,y], [x+w*2/3,y], [x+w*2/3,y+h], [x+w/3,y+h]]) 
 box_right = np.int0([[x+w*2/3,y], [x+w,y], [x+w,y+h], [x+w*2/3,y+h]]) 
 result.append(box_left) 
 result.append(box_mid) 
 result.append(box_right) 
 elif w_max < w_min * 2: 
 # 如果两个轮廓，较宽的宽度小于较窄的2倍，我们认为这是两个包含2个字符的轮廓 
 box_left = np.int0([[x,y], [x+w/2,y], [x+w/2,y+h], [x,y+h]]) 
 box_right = np.int0([[x+w/2,y], [x+w,y], [x+w,y+h], [x+w/2,y+h]]) 
 result.append(box_left) 
 result.append(box_right) 
 else: 
 box = np.int0([[x,y], [x+w,y], [x+w,y+h], [x,y+h]]) 
 result.append(box) 

分割后的图片如下：

③4 个字符被识别成 1 个字符

这种情况对轮廓在水平方向上做四等分即可，代码如下：

result = [] 
contour = contours[0] 
x, y, w, h = cv2.boundingRect(contour) 
box0 = np.int0([[x,y], [x+w/4,y], [x+w/4,y+h], [x,y+h]]) 
box1 = np.int0([[x+w/4,y], [x+w*2/4,y], [x+w*2/4,y+h], [x+w/4,y+h]]) 
box2 = np.int0([[x+w*2/4,y], [x+w*3/4,y], [x+w*3/4,y+h], [x+w*2/4,y+h]]) 
box3 = np.int0([[x+w*3/4,y], [x+w,y], [x+w,y+h], [x+w*3/4,y+h]]) 
result.extend([box0, box1, box2, box3]) 

分割后的图片如下：

对图片分割完成后，我们将分割后的单个字符的图片存成不同的图片文件，以便下一步做人工标注。

存取字符图片的代码如下：

for box in result: 
 cv2.drawContours(im, [box], 0, (0,0,255),2) 
 roi = im_res[box[0][1]:box[3][1], box[0][0]:box[1][0]] 
 roistd = cv2.resize(roi, (30, 30)) # 将字符图片统一调整为30x30的图片大小 
 timestamp = int(time.time() * 1e6) # 为防止文件重名，使用时间戳命名文件名 
 filename = "{}.jpg".format(timestamp) 
 filepath = os.path.join("char", filename) 
 cv2.imwrite(filepath, roistd) 

字符图片保存在名为 char 的目录下面，这个目录里的文件大致是长这样的（文件名用时间戳命名，确保不会重名）：

接下来，我们开始标注数据。

人工标注

这一步是所有步骤里最耗费体力的一步了。为节省时间，我们在程序里依次打开 char 目录中的每张图片，键盘输入字符名，程序读取键盘输入并将字符名保存在文件名里。

代码如下：

files = os.listdir("char") 
for filename in files: 
 filename_ts = filename.split(".")[0] 
 patt = "label/{}_*".format(filename_ts) 
 saved_num = len(glob.glob(patt)) 
 if saved_num == 1: 
 print("{} done".format(patt)) 
 continue 
 filepath = os.path.join("char", filename) 
 im = cv2.imread(filepath) 
 cv2.imshow("image", im) 
 key = cv2.waitKey(0) 
 if key == 27: 
 sys.exit() 
 if key == 13: 
 continue 
 char = chr(key) 
 filename_ts = filename.split(".")[0] 
 outfile = "{}_{}.jpg".format(filename_ts, char) 
 outpath = os.path.join("label", outfile) 
 cv2.imwrite(outpath, im) 

这里一共标注了大概 800 张字符图片，标注的结果存在名为 label 的目录下，目录下的文件是这样的（文件名由原文件名+标注名组成）：

接下来，我们开始训练数据。

训练数据

首先，我们从 label 目录中加载已标注的数据：

filenames = os.listdir("label") 
samples = np.empty((0, 900)) 
labels = [] 
for filename in filenames: 
 filepath = os.path.join("label", filename) 
 label = filename.split(".")[0].split("_")[-1] 
 labels.append(label) 
 im = cv2.imread(filepath, cv2.IMREAD_GRAYSCALE) 
 sample = im.reshape((1, 900)).astype(np.float32) 
 samples = np.append(samples, sample, 0) 
samples = samples.astype(np.float32) 
unique_labels = list(set(labels)) 
unique_ids = list(range(len(unique_labels))) 
label_id_map = dict(zip(unique_labels, unique_ids)) 
id_label_map = dict(zip(unique_ids, unique_labels)) 
label_ids = list(map(lambda x: label_id_map[x], labels)) 
label_ids = np.array(label_ids).reshape((-1, 1)).astype(np.float32) 

接下来，训练我们的模型：

model = cv2.ml.KNearest_create() 
model.train(samples, cv2.ml.ROW_SAMPLE, label_ids) 

训练完，我们用这个模型来识别一下新的验证码。

检测结果

下面是我们要识别的验证码：

对于每一个要识别的验证码，我们都需要对图片做降噪、二值化、分割的处理（代码和上面的一样，这里不再重复）。

假设处理后的图片存在变量 im_res 中，分割后的字符的轮廓信息存在变量 boxes 中，识别验证码的代码如下：

for box in boxes: 
 roi = im_res[box[0][1]:box[3][1], box[0][0]:box[1][0]] 
 roistd = cv2.resize(roi, (30, 30)) 
 sample = roistd.reshape((1, 900)).astype(np.float32) 
 ret, results, neighbours, distances = model.findNearest(sample, k = 3) 
 label_id = int(results[0,0]) 
 label = id_label_map[label_id] 
 print(label) 

运行上面的代码，可以看到程序输出：

y 
y 
4 
e 

图片中的验证码被成功地识别出来。我们测试了下识别的准确率，取 100 张验证码图片（存在 test 目录下）进行识别，识别的准确率约为 82%。

看到有人说用神经网络识别验证码，准确率可以达到 90% 以上，下次有机会可以尝试一下。

完整代码已上传 GitHub，所有训练数据、测试数据、已标注图片都已上传百度网盘，后台回复“验证码”可获取地址。