验证码识别 ——知乎网友1

首页 > 代码库 > 验证码识别 ——知乎网友1

验证码识别 ——知乎网友1

2024-07-30 07:29:15 224人阅读

机器自动识别验证码的原理是怎么样的？

我自己写验证码识别模块的时候是这样的，当然不一定大家都这样写，肯定有更好的算法，我要识别的那个验证码是比较简单地那种，所以这样写就够了。

我用Windows的画图工具画了这个张图，用来举个例子：

这是一张分辨率为19*7的图片

1、遍历所有像素点（像PHP就是先getimagesize，获取i和j，然后用imagecolorat进行两重循环，就可以得到所有像素点的RGB值数据），然后二值化【比如判断RGB值小于#FFFFFF的（即非白色）时候标记为1，大于等于#FFFFFF（即白色）的标记为0，存进二维数组】，最后得到一个19*7的二维数组；
2、删除干扰的点、线（干扰像素的特点是不连续，占用的像素点少，可以很容易地设计算法容易过滤，如果干扰像素采用了和验证码正文明显不同的颜色，则可以在第一步二值化中直接去掉。这个例子里没有干扰点、干扰线）
3、把数组里连续的字符切割成一个个独立的字符（像下面这个，最右边一列都是0，就可以判断是图像边缘，然后切开，最后可以得到三个类似这样的6*6二维数组。实际切开的话，最右边一列是没有整列都是0的情况的，这里是我特地加上的。）如果字符有旋转的，还得根据边缘把它再给摆直

0 1 1 1 1 0 0
1 1 0 0 1 1 0
0 0 0 0 1 1 0
0 0 0 1 1 1 0
0 0 0 1 1 0 0
0 0 1 1 0 0 0
0 1 1 0 0 0 0
1 1 1 1 1 1 0

4、然后直接循环匹配已有的所有的同字体的数据（同样是二值化数据，这些数据是哪里来的呢？一般是先作完前面3步，然后把那些二值化数据一个个全部复制下来，多刷新十几次获取样本，运气好的话[A-Z]，[0-9]就都有了），达到一定的相似度（不要求完全匹配），就认定这个验证码的其中这个字符是2。

就像这样的数据，开了自动换行，应该比较好认了，摘掉眼镜快速滑动页面也可以比较清楚地看清这些数据的内容。

另外还有一种人肉分布式验证码识别”技术“，专门开发一个客户端软件给没事干的大学生打码赚些小钱。服务端获取到验证码后分发给在线的客户端，客户端人肉识别，返回结果。如果在线人数足够多，任务下达后几乎都是秒回的，效率也是不错的，进程等待验证码从人肉识别机上返回的时间就挂起，不怎么占用CPU时间。现在业界人肉打码机大概是这个价。

识别不同验证码也分难度等级吗？

根据上面的识别原理，可以确定识别难度肯定分等级。从步骤1和2看，噪点多、干扰线条多、背景颜色紊乱的肯定难识别，因为会在二值化那里遇到困难，最容易识别的肯定是噪点少、干扰线条少、背景颜色统一的验证码。
不过验证码要达到人可以识别的程度，肯定主体部分（验证码）的RGB值还是有一定的规律的，也就是可以通过一定的判断来二值化。像主体部分，一般颜色要比背景深，根据不同的情况设计算法是可以区分背景和正体的。

什么样的验证码识别起来简单？

这个是弱验证码的典型，2006年那时候我刚开始做网站开发时，当时最热门的那几个论坛程序就在用这种验证码，现在那几个论坛停更了好多，所以还有不少网站现在还在用这种验证码。
★★☆☆☆☆☆☆☆☆

这个也是弱验证码的典型，比上面那个好不了多少，虽然背景加入了大量干扰点，但是颜色偏淡，可以在二值化中直接设置一个阈值直接干掉，正确的做法应该是加入和验证码本体颜色一致的干扰线和干扰点，理论上说数量越多越好。
★★★☆☆☆☆☆☆☆

这个又比上面那个好一些了，干扰点和验证码正文颜色都非常随意，遗憾的都是非常分散的点，很容易被识别出来并过滤掉。如果换成若干条和正文颜色相同、并且与正文交叉的细线会好一些。
★★★★☆☆☆☆☆☆

什么样的验证码识别起来难？

难以识别的验证码1：大量背景、线、点干扰，而且字体有一定程度的旋转，连人眼都难以识别的验证码（影响第1、2步的识别），线的干扰在这里起作用比较明显。
★★★★★★☆☆☆☆

最难以识别是每个字符都粘连在一起的，这些会在第3步（切割字符）和第4步匹配已有数据（每次的字体扭曲程度都是不同的，难以匹配）时遇到困难。

难以识别的验证码2：没有干扰点、背景也很干净、也没有干扰线，就靠不规则每次都不同的字体和字符粘连，就可以让写验证码识别的人头疼好久。（影响第3、4步的识别）
★★★★★★★★☆☆

另外英文还是比较Naive的，中文识别难度不知道要比英文高到哪里去，以百度贴吧为例：

难以识别的验证码3：
1、干扰线
2、加粗不加粗混用
3、采用了中文常用字。中文常用字大概有5000个，笔画繁复，形似字多，比起26个字母不知道高到那里去！
4、不同的字体混用，比如楷体、宋体、幼圆混用
5、形近字：”缴“和”激“、”寿“和”寺“等等
6、拼音，又是一大杀器
7、扭曲字体（”营“字有比较明显的扭曲）
8、需要准确识别13位汉字，增加了失败概率
（全面影响所有识别步骤）
汉字粘连后识别度不如英语高，所以一般汉字验证码都不粘连。
★★★★★★★★★☆