安基网 首页 编程 软件学院 查看内容

Python绕过“验证码”

2018-11-24 08:01| 投稿: lofor |来自: 互联网


免责声明:本站系公益性非盈利IT技术普及网,本文由投稿者转载自互联网的公开文章,文末均已注明出处,其内容和图片版权归原网站或作者所有,文中所述不代表本站观点,若有无意侵权或转载不当之处请从网站右下角联系我们处理,谢谢合作!

摘要: 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:pip3installopencv-python pip3installnumpy 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 ...

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((0900)) 
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((1900)).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((-11)).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。


Tag标签: Python

小编推荐:欲学习电脑技术、系统维护、网络管理、编程开发和安全攻防等高端IT技术,请 点击这里 注册账号,公开课频道价值万元IT培训教程免费学,让您少走弯路、事半功倍,好工作升职加薪!



免责声明:本站系公益性非盈利IT技术普及网,本文由投稿者转载自互联网的公开文章,文末均已注明出处,其内容和图片版权归原网站或作者所有,文中所述不代表本站观点,若有无意侵权或转载不当之处请从网站右下角联系我们处理,谢谢合作!


鲜花

握手

雷人

路过

鸡蛋

相关阅读

最新评论

 最新
返回顶部