简单验证码识别入门

Posted 2021-04-24 黑客工具箱

表哥已经换域名的，现在的域名是 www.92aq.com，比原来好记，各位表弟只要记住 “就爱安全”即可

一、简单入门

首先从最简单的验证码入手：

这种验证码基本没有干扰，也比较常见，只有数字。识别这种验证码的步骤主要是”去噪->切割->异或”，在识别之前得有做好的字模。

0x01 去噪

这种最简单的干扰就用最简单的去噪：二值去噪

设置一个阈值，颜色比阈值浅就算噪点设置为”255,255,255″(rgb值白色)，比阈值深就保留为”0,0,0“(rbg值黑色)。

代码：

 
   
   
 

  
    
    
  


  
    
    
  
 
   
def binary(f):
 
   
    img = Image.open(f)
 
   
    pixdata = img.load()
 
   
    for y in xrange(img.size[1]):
 
   
        for x in xrange(img.size[0]):
 
   
            if pixdata[x, y][0] < 90:
 
   
                pixdata[x, y] = (0, 0, 0, 255)
 
   
    for y in xrange(img.size[1]):
 
   
        for x in xrange(img.size[0]):
 
   
            if pixdata[x, y][1] < 136:
 
   
                pixdata[x, y] = (0, 0, 0, 255)
 
   
    for y in xrange(img.size[1]):
 
   
        for x in xrange(img.size[0]):
 
   
            if pixdata[x, y][2] > 0:
 
   
                pixdata[x, y] = (255, 255, 255, 255)
 
   
    return img
 
  
 
   
   
 

0x02 字模

这个就得自己切割了，选取出现次数较多的作为字模。

这是我切图的辅助代码：

 
   
   
 

  
    
    
  


  
    
    
  
 
   
#!/usr/bin python
 
   
#coding: utf-8
 
   
import os ,Image
 
   
j = 1
 
   
dir="./data/"
 
   
for f in os.listdir(dir):
 
   
    if f.endswith(".gif"):
 
   
        img = Image.open(dir+f)
 
   
        for i in range(4): 
 
   
            x = 7 + i*13
 
   
            y = 0
 
   
            img.crop((x, y, x+9, y+20)).save("./font/%d.bmp" % j, 'bmp') 
 
   
            print "j=",j 
 
   
            j += 1
 
  
 
   
   
 

0x03 切割

把一个图片切割成4个小块，与字模进行异或对比：

代码：

 
   
   
 

  
    
    
  


  
    
    
  
 
   
def cut(img):
 
   
    font = []    
 
   
    for i in range(4):
 
   
        x=7+i*13
 
   
        y=3
 
   
        font.append(img.crop((x,y,x+9,y+13)))
 
   
    return font
 
  
 
   
   
 

0x04 异或

对比图像相似度时，有很多种方法，其中异或是最简单的。不过在对付这种简单验证码时，已经足够了。

代码：

 
   
   
 

  
    
    
  


  
    
    
  
 
   
def compare(img, im):
 
   
        num = 0
 
   
        for x in range(9):
 
   
            for y in range(13):
 
   
                if img[x, y] != im[x, y]:
 
   
                    num += 1
 
   
        return num
 
  
 
   
   
 

然后加上判断语句，从返回的num里面选择最小的，也就是不同程度最小的字模，即可认定该数字等于字模标识的数字。最后完整的识别文件：

res.zip

该脚本会识别data1目录下所有图片(使用了PIL库)。

二、进阶

在dzscan第二次改版的时候，就想到了爆破UCenter，只是UCenter存在验证码，所以就想做个识别的，这次分享出来供大家参考。

0x01 去噪

验证码识别去噪一般都是最大的问题，如图：

如果用二值去噪，右边的那些也会被认为是普通的字符，导致无法识别。所以我选择了rgb值去噪。主要方法为：

先转换成黑白图，即rgb 转化为 L模式，只有256个值，从全黑到全白。然后对每个相同像素的个数进行统计，像素点个数最多的四个L值必然是四个字母，效果如图：

不过也有这样的：

明显是去噪残了，所以就要第二次去噪，通过判断周围的像素点数量去除小的噪点，也就是看某个像素点前后左右有多少像素点，如果像素周围的像素点之和小于等于2，即认为是孤立像素点，去掉，效果如图：

基本上可以进行下一步了。

0x02 匹配算法

由于有像素损失，这种图片不能确保切割下来的长宽高和形状是一样的，所以简单地异或是肯定不可以的

这次我选择的是另外一种匹配算法。

首先对图片进行切割，因为第二步已经基本没有了单独的噪点了，所以直接从左向右搜索，遇到又黑色的一列就作为切割的起始，遇到全是白色的列就作为切割的结束，对其切割，将切割下来的图进行识别，重复四次，即可切出4个字母的大概轮廓。

对每个字符来说，确定位置的是字符的左和右，而字符是悬浮不定的，如上图，每个字符的上下是不可知的。

但是对于每个字符来说，每一列最上面的像素点到最下面的像素点的长度都基本相同

根据这个原理可以提取出来一系列特征值，为了更加精确，个别字符有两个特征值(图片中的字符本来就不完全相同，加上去噪的影响，所以有些图片特征不同但是同一个字符)就用大小写来分别代替，不过有个缺点，那就是”O,C,Q”分不清，这种目前未解决，解决方法其实也不难，再加个每一列像素点个数之和的比较。

将特征提取出来后即可与预置的特征比较，相差最少的即可认为相同。

由于各种影响，比如“O,C,Q”等特征不明确，所以最终识别率在百分之30左右，如果再加个判断应该能达到百分之60以上。

此处随机选取了15个验证码进行识别，5个是对的。