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。
相關文章
- Python識別網站驗證碼Python網站
- python 驗證碼識別示例(一) 某個網站驗證碼識別Python網站
- 驗證碼識別
- Python驗證碼識別:利用pytesser識別簡單圖形驗證碼Python
- 有了這個Python庫,免費實現驗證碼識別!Python
- python利用Tesseract識別驗證碼Python
- Python驗證碼自動識別Python
- 初探驗證碼識別
- java識別驗證碼Java
- 網站模擬登陸的滑塊驗證碼識別網站
- Python OCR識別圖片驗證碼(一)Python
- Python OCR識別圖片驗證碼(二)Python
- Python驗證碼識別處理例項Python
- 神器!使用Python 輕鬆識別驗證碼Python
- 驗證碼的識別和運用
- Python高效深度學習機器識別驗證碼教程分享Python深度學習
- Python識別字母數字組合驗證碼Python
- 超簡單的PHP驗證碼識別PHP
- 影片直播app原始碼,傳送驗證碼 驗證碼識別APP原始碼
- Python實現AI影像識別-身份證識別PythonAI
- 機器視覺以及驗證碼識別視覺
- 使用 Ruby 識別英文數字驗證碼
- 使用 Swift 識別英文數字驗證碼Swift
- 使用 OCaml 識別英文數字驗證碼
- 每次登入驗證都用Python來識別驗證碼,真的是太方便了!Python
- C#實現驗證碼識別例項C#
- 使用 C# 識別英文數字驗證碼C#
- Python爬蟲教程-29-驗證碼識別-Tesseract-OCRPython爬蟲
- 生物識別身份驗證新元素:心臟掃描識別身份
- 學習身份證影象識別
- 一次簡單的驗證碼識別以及思考
- QQ驗證碼識別原始碼(C#/NET1.1)原始碼C#
- 實時驗證碼技術可改進生物識別身份驗證
- 【爬蟲系列】1. 無事,Python驗證碼識別入門爬蟲Python
- 簡單驗證碼識別及工具編寫思路
- 騰訊 IVWEB 團隊:前端識別驗證碼思路分析Web前端
- 智慧實驗室-通用認證碼識別(Captchio) 2.0.0.80APT
- 爬蟲遇到頭疼的驗證碼?教你彈窗處理和驗證碼識別爬蟲