Python識別驗證碼！學會這步，百分之60的網站你基本都能識別了！

識別原理

我們採取一種有監督式學習的方法來識別驗證碼，包含以下幾個步驟

圖片處理 – 對圖片進行降噪、二值化處理

切割圖片 – 將圖片切割成單個字元並儲存

人工標註 – 對切割的字元圖片進行人工標註，作為訓練集

訓練資料 – 用KNN演算法訓練資料

檢測結果 – 用上一步的訓練結果識別新的驗證碼

下面我們來逐一介紹一下每一步的過程，並給出具體的程式碼實現。

127是我們設定的閾值，畫素值大於127被置成了0，小於127的被置成了255。處理後的圖片變成了這樣

接下來，我們應用高斯模糊對圖片進行降噪。高斯模糊的本質是用高斯核和影像做卷積，程式碼如下

kernel = 1/16*np.array([[1,2,1], [2,4,2], [1,2,1]])

im_blur = cv2.filter2D(im_inv,-1,kernel)

降噪後的圖片如下

可以看到一些顆粒化的噪聲被平滑掉了。

降噪後，我們對圖片再做一輪二值化處理

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

現在圖片變成了這樣

好了，接下來，我們要開始切割圖片了。

切割圖片

這一步是所有步驟裡最複雜的一步。我們的目標是把最開始的圖片切割成單個字元，並把每個字元儲存成如下的灰度圖

首先我們用opencv的findContours來提取輪廓

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

我們把提取的輪廓用矩形框起來，畫出來是這樣的

可以看到，每個字元都被檢測出來了。

但這只是理想情況，很多時候，相鄰字元有粘連的會被識別成同一個字元，比如像下面的情況

要處理這種情況，我們就要對上面的圖片做進一步的分割。字元粘連會有下面幾種情況，我們逐一來看下該怎麼處理。

4個字元被識別成3個字元

這種情況，對粘連的字元輪廓，從中間進行分割，程式碼如下

result = []

for contour in contours:

x, y, w, h = cv2.boundingRect(contour)

if w == w_max: # w_max是所有contonur的寬度中最寬的值

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)

分割後，圖片變成了這樣

4個字元被識別成2個字元

4個字元被識別成2個字元有下面兩種情況

對第一種情況，對於左右兩個輪廓，從中間分割即可。對第二種情況，將包含了3個字元的輪廓在水平方向上三等分。具體程式碼如下

result = []

for contour in contours:

x, y, w, h = cv2.boundingRect(contour)

if w == w_max and w_max >= w_min * 2:

# 如果兩個輪廓一個是另一個的寬度的2倍以上，我們認為這個輪廓就是包含3個字元的輪廓

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:

# 如果兩個輪廓，較寬的寬度小於較窄的2倍，我們認為這是兩個包含2個字元的輪廓

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)

分割後的圖片如下

4個字元被識別成1個字元

這種情況對輪廓在水平方向上做4等分即可，程式碼如下

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])

分割後的圖片如下

對圖片分割完成後，我們將分割後的單個字元的圖片存成不同的圖片檔案，以便下一步做人工標註。存取字元圖片的程式碼如下

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)) # 將字元圖片統一調整為30×30的圖片大小

timestamp = int(time.time() * 1e6) # 為防止檔案重名，使用時間戳命名檔名

filename = “{}.jpg”.format(timestamp)

filepath = os.path.join(“char”, filename)

cv2.imwrite(filepath, roistd)

字元圖片儲存在名為char的目錄下面，這個目錄裡的檔案大致是長這樣的（檔名用時間戳命名，確保不會重名）

接下來，我們開始標註資料。

人工標註

這一步是所有步驟裡最耗費體力的一步了。為節省時間，我們在程式裡依次開啟char目錄中的每張圖片，鍵盤輸入字元名，程式讀取鍵盤輸入並將字元名儲存在檔名裡。程式碼如下

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)

這裡一共標註了大概800張字元圖片，標註的結果存在名為label的目錄下，目錄下的檔案是這樣的（檔名由原檔名+標註名組成）

接下來，我們開始訓練資料。

訓練資料

首先，我們從label目錄中載入已標註的資料

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)

接下來，訓練我們的模型

model = cv2.ml.KNearest_create()

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

訓練完，我們用這個模型來識別一下新的驗證碼。

檢測結果

下面是我們要識別的驗證碼

對於每一個要識別的驗證碼，我們都需要對圖片做降噪、二值化、分割的處理（程式碼和上面的一樣，這裡不再重複）。假設處理後的圖片存在變數im_res中，分割後的字元的輪廓資訊存在變數boxes中，識別驗證碼的程式碼如下

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)

執行上面的程式碼，可以看到程式輸出

y

y

4

e

圖片中的驗證碼被成功地識別出來。

我們測試了下識別的準確率，取100張驗證碼圖片（存在test目錄下）進行識別，識別的準確率約為82%。看到有人說用神經網路識別驗證碼，準確率可以達到90%以上，下次有機會可以嘗試一下。