用 Python 识别验证码

Posted Python那些事

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了用 Python 识别验证码相关的知识,希望对你有一定的参考价值。


来源:Python与数据分析  链接

https://mp.weixin.qq.com/s/OPHNA8nxpzo4NlHJE5k85g


很多网站登录都需要输入验证码,如果要实现自动登录就不可避免的要识别验证码。本文以一个真实网站的验证码为例,实现了基于一下KNN的验证码识别。

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

  1. 图片处理 - 对图片进行降噪、二值化处理

  2. 切割图片 - 将图片切割成单个字符并保存

  3. 人工标注 - 对切割的字符图片进行人工标注,作为训练集

  4. 训练数据 - 用KNN算法训练数据

  5. 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一下每一步的过程,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

用 Python 识别验证码

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

用 Python 识别验证码

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

用 Python 识别验证码

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

用 Python 识别验证码

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

用 Python 识别验证码

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

用 Python 识别验证码

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

用 Python 识别验证码

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

用 Python 识别验证码

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。

4个字符被识别成3个字符

用 Python 识别验证码

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

用 Python 识别验证码

4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

用 Python 识别验证码

用 Python 识别验证码


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

用 Python 识别验证码

用 Python 识别验证码


4个字符被识别成1个字符

用 Python 识别验证码

这种情况对轮廓在水平方向上做4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

用 Python 识别验证码

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)

用 Python 识别验证码

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)

用 Python 识别验证码

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)


看完本文有收获?请转发分享给更多人

关注「Python那些事」,做全栈开发工程师

推荐阅读


以上是关于用 Python 识别验证码的主要内容,如果未能解决你的问题,请参考以下文章

python利用selenium库识别点触验证码

用Python识别验证码

用tesseract实现图片验证码降噪识别

新年快乐:用Python识别验证码

超级硬核!用Python识别验证码

Python大佬手把手带你用爬虫破解——滑动验证码识别