太囂張了!他竟用 Python 繞過了「驗證碼」
(給
Python開發者
加星標,提升Python技能
)
轉自:Python與數據分析(微信號:PythonML)
很多網站登錄都需要輸入驗證碼,如果要實現自動登錄就不可避免的要識別驗證碼。本文以一個真實網站的驗證碼為例,實現了基於一下KNN的驗證碼識別。
準備工作
這裡我們使用opencv做圖像處理,所以需要安裝下面兩個庫
pip3 install opencv-pythonpip3 install numpy
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保存
人工標註 - 對切割的字元圖片進行人工標註,作為訓練集
訓練數據 - 用KNN演算法訓練數據
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,並給出具體的代碼實現。
圖片處理
先來看一下我們要識別的驗證碼是長什麼樣的
可以看到,字元做了一些扭曲變換。仔細觀察,還可以發現圖片中間的部分添加了一些顆粒化的雜訊。
我們先讀入圖片,並將圖片轉成灰度圖,代碼如下
import
im = cv2.imread(filepath)
im_gray = cv2.cvtColor(im, cv2.COLOR_BGR2GRAY)
經過上面的處理,我們的彩色圖片變成了下面這樣
將圖片做二值化處理,代碼如下
127 255ret, im_inv = cv2.threshold(im_gray,
127是我們設定的閾值,像素值大於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圖像做卷積,代碼如下
1kernel =
/
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雜訊被平滑掉了。
降噪後,我們對圖片再做一輪二值化處理
127 255ret, im_res = cv2.threshold(im_blur,
,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
這一步是所有步驟里最複雜的一步。我們的目標是把最開始的圖片切割成單個字元,並把每個字元保存成如下的灰度圖
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,代碼如下
for in if # w_max是所有contonur的寬度中最寬的值 2 2 2 2 elseresult = []
x, y, w, h = cv2.boundingRect(contour)
box_left = np.int0([[x,y], [x+w/
box_right = np.int0([[x+w/
result.append(box_left)
result.append(box_right)
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。具體代碼如下
for in if and 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 3 3 3 2 3 2 3 3 2 3 2 3 elif 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 2 2 2 2 elseresult = []
x, y, w, h = cv2.boundingRect(contour)
box_left = np.int0([[x,y], [x+w/
box_mid = np.int0([[x+w/
box_right = np.int0([[x+w*
result.append(box_left)
result.append(box_mid)
result.append(box_right)
box_left = np.int0([[x,y], [x+w/
box_right = np.int0([[x+w/
result.append(box_left)
result.append(box_right)
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,代碼如下
0 4 4 4 2 4 2 4 4 2 4 3 4 3 4 2 4 3 4 3 4result = []
contour = contours[
x, y, w, h = cv2.boundingRect(contour)
box0 = np.int0([[x,y], [x+w/
box1 = np.int0([[x+w/
box2 = np.int0([[x+w*
box3 = np.int0([[x+w*
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文件,以便下一步做人工標註。存取字元圖片的代碼如下
for in 0 0 0 255 2 0 1 3 1 0 0 1 0 30 30 # 將字元圖片統一調整為30x30的圖片大小 1e6 # 為防止文件重名,使用時間戳命名文件名 "{}.jpg" "char"
cv2.drawContours(im, [box],
roi = im_res[box[
roistd = cv2.resize(roi, (
timestamp = int(time.time() *
filename =
filepath = os.path.join(
cv2.imwrite(filepath, roistd)
字元圖片保存在名為char的目錄下面,這個目錄里的文件大致是長這樣的(文件名用時間戳命名,確保不會重名)
接下來,我們開始標註數據。
人工標註
這一步是所有步驟里最耗費體力的一步了。為節省時間,我們在程序里依次打開char目錄中的每張圖片,鍵盤輸入字元名,程序讀取鍵盤輸入並將字元名保存在文件名里。代碼如下
"char" for in "." 0 "label/{}_*" if 1 "{} done" continue "char" "image" 0 if 27 if 13 continue "." 0 "{}_{}.jpg" "label"files = os.listdir(
filename_ts = filename.split(
patt =
saved_num = len(glob.glob(patt))
print(
filepath = os.path.join(
im = cv2.imread(filepath)
cv2.imshow(
key = cv2.waitKey(
sys.exit()
char = chr(key)
filename_ts = filename.split(
outfile =
outpath = os.path.join(
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,目錄下的文件是這樣的(文件名由原文件名+標註名組成)
接下來,我們開始訓練數據。
訓練數據
首先,我們從label目錄中載入已標註的數據
"label" 0 900 for in "label" "." 0 "_" 1 1 900 0 lambda 1 1filenames = os.listdir(
samples = np.empty((
labels = []
filepath = os.path.join(
label = filename.split(
labels.append(label)
im = cv2.imread(filepath, cv2.IMREAD_GRAYSCALE)
sample = im.reshape((
samples = np.append(samples, sample,
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(
label_ids = np.array(label_ids).reshape((-
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(代碼和上面的一樣,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信息存在變數boxes中,識別驗證碼的代碼如下
for in 0 1 3 1 0 0 1 0 30 30 1 900 3 0 0
roi = im_res[box[
roistd = cv2.resize(roi, (
sample = roistd.reshape((
ret, results, neighbours, distances = model.findNearest(sample, k =
label_id = int(results[
label = id_label_map[label_id]
print(label)
運行上面的代碼,可以看到程序輸出
yy4e
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。
推薦閱讀
(點擊標題可跳轉閱讀)
Python驗證碼識別:利用pytesser識別簡單圖形驗證碼
除了冒泡排序,你知道 Python 內建的排序演算法嗎?
手把手教你用 Python 處理非平穩時間序列
覺得本文對你有幫助?請分享給更多人
關注「Python開發者」加星標,提升Python技能
※代碼也浪漫:用 Python 放一場煙花秀!
※成為 BAT 瘋搶的大數據人才,需要哪些努力?
TAG:Python開發者 |