分享一个图片验证码识别的干货

验证码的功能通常是防止使用程序恶意注册、暴力破解或批量发帖而设置的。所谓验证码，就是将一串随机产生的数字或符号，生成一幅图片，图片里加上一些干扰象素（防止OCR），由用户肉眼识别其中的验证码信息，输入表单提交网站验证，验证成功后才能使用某项功能。学习验证码的破解/识别技术，不只能够知道验证码的原理，并且可让你知道怎样才能防止验证码被破解。

最多见的验证码主要有如下几种：

1. 四位数字，随机的一数字字符串，最原始的验证码，验证做用几乎为零。 
2. 随机数字图片验证码。图片上的字符比较中规中矩，有的可能加入一些随机干扰素，还有一些是随机字符颜色，验证做用比上一个好。没有基本图形图像学知识的人，不可破！
3. 各类图片格式的随机数字+随机大写英文字母+随机干扰像素+随机位置。 
4. 汉字是注册目前最新的验证码，随机生成，打起来更难了,影响用户体验，因此，通常应用的比较少。 

为简单起见，破解说明主要针对是第2种类型的，先来看看网上常见的这种验证码的图片：

• 第一种，最容易，图片背景和数字都使用相同的颜色，字符规整，字符位置统一。 
• 第二种，看似不容易，其实仔细研究会发现其规则，背景色和干扰素不管怎么变化，验证字符字符规整，颜色相同，因此排除干扰素很是容易，只要是非字符色素所有排除便可。
• 第三种，看似更复杂，处理上面提到背景色和干扰素一直变化外，验证字符的颜色也在变化，而且各个字符的颜色也各不相同。 
• 第四种，除了第三个图片上提到的特征外，又在文字上加了两条直线干扰率，看似困难其实，很容易去掉。 

验证码识别通常分为如下几个步骤：

1. 取出字模 识别验证码，毕竟不是专业的OCR识别，而且，因为各个网站的验证码各不相同，因此，最多见的方法就是就是创建这个验证码的特征码库。去字模时，咱们须要多下载几张图片，使这些图片中，包括全部的字符，咱们这里的字母只有图片，因此，只要收集到包括0-9的图片便可。
2. 二值化 二值化就是把图片上的验证数字上每一个象素用一种数字表示1，其余部分用0表示。这样就能够计算出每一个数字字模，记录下这些字模来，看成key便可。
3. 计算特征 把要识别的图片，进行二值化，获得图片特征。 
4. 对照样本 把步骤3种的图片特征码和验证码的字模进行对比，获得验证图片上的数字。 

使用目前这种方法，对验证码的识别基本上能够作到100%。

经过以上步骤，您可能说了，并无发现如何取出干扰素啊！其实取出干扰素的方法很简单，干扰素的一个重要特征是，不能影响验证码的显示效果，因此制做干扰素时它的RGB可能低于或者高于某个特定值，好比我给的例子中的图片，干扰素的RGB各项值是不会超过125的，因此，这样咱们就很容易去掉干扰素了。

简单的验证码只有数字和字母组成，格式统一，每次出现位置固定。下面继续深刻研究识别验证码，此次须要识别的目标是：验证码有字符和数字组成，验证码存在旋转（可能左右都旋转），位置不固定，存在字符与字符之间的粘连，且验证码有更强的干扰素。

咱们如下图为例进行讲解。

第一步：二值化。把验证码的部分用 1 表示，背景部分用 0 表示出来，识别方法很简单，咱们打印出验证码整张图片的 RGB ，而后分析其规律便可，经过 RGB 码，咱们很容易分辨出上面这张图片的 R 值大于 120 ， G 和 B 的值小于 80 ，因此依据这个规则咱们很容易把上面的图片二值化。

再来看看上面的第三种验证码图片

刚看上去，感受很复杂。验证码的图片每次背景色都不相同，且不是单色，各个验证码数字的颜色每次也各不相同。貌似很难二值化，其实咱们打印出其 RGB 值很容易就发现。不管验证数字颜色如何变化，该数字的 RGB 值总有一个值小于 125 ，因此经过以下判断 $rgbarray['red'] < 125 || $rgbarray['green']<125|| $rgbarray['blue'] < 125 咱们就很容易分辨出哪里是数字，哪里是背景。

咱们可以找到这些规律的缘由是，在制做验证码的干扰素时，为了使干扰素不影响数字的显示效果，必须使用干扰素的 RGB 和数字 RGB 相互独立，互不干扰。只要懂得这个规律，咱们就很容易实现二值化。

咱们找到的 120 ， 80 ， 125 等阈值，可能和实际的 RGB 有出入，因此，有时二值化后，会有部分地方出现 1 ，对于验证码上固定位置显示数字，这种干扰没有太大意义。可是对于验证码位置不肯定的图片来讲，在咱们切割字符时，极可能形成干扰。因此，在二值化后要进行去噪处理。

第二部：去噪处理。去噪的原理很简单，就是把孤立的有效的值去掉，若是噪点比较高，要求的效率也比较高的话，这里面也有不少工做要作。幸亏这里咱们不要求这么高深，咱们使用最简单的方法就能够，若是一个点为 1 则判断这个点的上下左右上左上右下左下右 8 个方位上数字是否为 1 ，若是不为 1 ，就认为是一个燥点，直接设置为 1 便可。

如上图所示，咱们使用此方法很容易发现红色方框部分的 1 为燥点，直接设置为 1 便可。在判断时咱们使用了一个技巧，有时候的噪点多是两个连续的 1 ，因此咱们计算这个点的 8 个方向上的值之和，最后咱们判断他们的和是否小于特定的阈值。

第三部：切割字符。切割字符的方法有不少种，这里采用最简单的一种，先垂直方向切割成为字符，而后在水平方向去掉多于的 0000 ，以下图

第一步切割红线部分，第二步切割蓝线部分，这样就能够获得独立的字符了。可是像下面这种状况

按上面的方法会把 dw 字符切割成一个字符，这是错误的切割，因此这里咱们涉及到粘连字符的切割。

第四步：粘连字符切割。制做验证码时，规则字符的粘连很容易分割开，若是字符自己有缩放，变形就很难处理，通过分析，咱们能够发现，上面的字符粘连属于很简单的方式，只是规则字符的粘连，因此处理这种状况，咱们也使用很简单的处理方式。当完成分割操做后，咱们不能立刻肯定分割的部分就为一个字符，要进行验证，验证的关键因素就是，切割下来的字符的宽是否大于阈值，这个阈值的取舍标准是，一个字符不管怎么旋转变形都不会大于这个阈值，因此，若是咱们切割的块大于这个阈值，就能够认为这是一个粘连字符；若是大于两个阈值之和，就认为是三个字符粘连，以此类推。知道这个规则后，切割粘连字符也就很简单了。若是咱们发现是粘连字符块，直接平分这个块为两个或者多个新的块就能够。固然为了更好的还原字符，我通常都采用平分 +1 ， -1 对字符块的部分进行适当的补充。

第五步：匹配字符。对于旋转字符的特征码创建，有不少种方法，这里就不作深刻研究了。我这里使用的最简单的方式，为全部字符的全部状况创建匹配库，因此在我提供的代码种增长了 study 操做，其目的就是，先有人手工识别图片的验证码，而后经过 study 方法，写入特征码库。这样写入的图片数据越多，验证识别的准确行也就越高。

通过以上步骤，咱们基本上能够识别如今互联网上大部分的验证码，这里咱们都是使用的最简单的方法，没有使用任何 OCR 知识。

另外制做验证码的一些建议：

对于识别验证码的程序来讲，最可贵部分是验证字符的切割和特征码的创建，而国内不少程序员只作验证码时，老是喜欢在验证码加不少干扰素，干扰线，影响效果不说，还达不到很好的效果；因此，要想使本身验证码难于本识别，只作下面两点就够了

1. 字符粘连，最好全部的字符都有粘连的部分； 
2. 不要使用规格字符，验证码的各个部分使用不一样比例的缩放或者旋转。 

只要作到这两点，或者这两点的变形，识别程序就很难识别。