python验证码识别库_python验证码识别

写爬虫有一个绕不过去的问题就是验证码&＃xff0c;现在验证码分类大概有4种&＃xff1a;图像类

滑动类

点击类

语音类

今天先来看看图像类&＃xff0c;这类验证码大多是数字、字母的组合&＃xff0c;国内也有使用汉字的。在这个基础上增加噪点、干扰线、变形、重叠、不同字体颜色等方法来增加识别难度。

相应的&＃xff0c;验证码识别大体可以分为下面几个步骤&＃xff1a;灰度处理

增加对比度(可选)

二值化

降噪

倾斜校正分割字符

建立训练库

识别

由于是实验性质的&＃xff0c;文中用到的验证码均为程序生成而不是批量下载真实的网站验证码&＃xff0c;这样做的好处就是可以有大量的知道明确结果的数据集。

当需要真实环境下需要获取数据时&＃xff0c;可以使用结合各个大码平台来建立数据集进行训练。

生成验证码这里我使用 Claptcha 这个库&＃xff0c;当然 Captcha 这个库也是个不错的选择。

为了生成最简单的纯数字、无干扰的验证码&＃xff0c;首先需要将claptcha.py的285行_drawLine做一些修改&＃xff0c;我直接让这个函数返回None&＃xff0c;然后开始生成验证码&＃xff1a;

这里需要注意ubuntu的字体路径&＃xff0c;也可以在网上下载其他字体使用。生成验证码如下&＃xff1a;

可以看出&＃xff0c;验证码有形变。对于这类最简单的验证码&＃xff0c;可以直接使用谷歌开源的tesserocr来识别。

首先安装&＃xff1a;

然后开始识别&＃xff1a;

可以看出&＃xff0c;对于这种简单的验证码&＃xff0c;基本什么都不做识别率就已经很高了。有兴趣的小伙伴可以用更多的数据来测试&＃xff0c;这里我就不展开了。

接下来&＃xff0c;在验证码背景添加噪点来看看&＃xff1a;

生成验证码如下&＃xff1a;

识别&＃xff1a;

效果还可以。接下来生成一个字母数字组合的&＃xff1a;

生成验证码如下&＃xff1a;

第3个为小写字母o&＃xff0c;第4个为大写字母O&＃xff0c;第5个为数字0&＃xff0c;第6个为小写字母z&＃xff0c;第7个为大写字母Z&＃xff0c;最后一个是数字2。人眼已经跪了有木有&＃xff01;但现在一般验证码对大小写是不做严格区分的&＃xff0c;看自动识别什么样吧&＃xff1a;

人眼都跪的计算机当然也废了。但是&＃xff0c;对于一些干扰小、形变不严重的&＃xff0c;使用tesserocr还是十分简单方便的。然后将修改的claptcha.py的285行_drawLine还原&＃xff0c;看添加干扰线的情况。

加了条干扰线就完全识别不出来了&＃xff0c;那么有没有什么办法去除干扰线呢&＃xff1f;

虽然图片看上去是黑白的&＃xff0c;但还需要进行灰度处理&＃xff0c;否则使用 load() 函数得到的是某个像素点的RGB元组而不是单一值了。处理如下&＃xff1a;

处理后的图片如下&＃xff1a;

可以看出处理后图片锐化了很多&＃xff0c;接下来尝试去除干扰线&＃xff0c;常见的4邻域、8邻域算法。所谓的X邻域算法&＃xff0c;可以参考手机九宫格输入法&＃xff0c;按键5为要判断的像素点&＃xff0c;4邻域就是判断上下左右&＃xff0c;8邻域就是判断周围8个像素点。如果这4或8个点中255的个数大于某个阈值则判断这个点为噪音&＃xff0c;阈值可以根据实际情况修改。

处理后的图片如下&＃xff1a;

好像……根本没卵用啊&＃xff1f;&＃xff01;确实是这样的&＃xff0c;因为示例中的图片干扰线的宽度和数字是一样的。对于干扰线和数据像素不同的&＃xff0c;比如Captcha生成的验证码&＃xff1a;

从左到右依次是原图、二值化、去除干扰线的情况&＃xff0c;总体降噪的效果还是比较明显的。另外降噪可以多次执行&＃xff0c;比如我对上面的降噪后结果再进行依次降噪&＃xff0c;可以得到下面的效果&＃xff1a;

再进行识别得到了结果&＃xff1a;

另外&＃xff0c;从图片来看&＃xff0c;实际数据颜色明显和噪点干扰线不同&＃xff0c;根据这一点可以直接把噪点全部去除&＃xff0c;这里就不展开说了。

感谢 大家转发 关注