15分钟破解网站验证码

概述

  不少开发者都讨厌网站的验证码，特别是写网络爬虫的程序员，而网站之因此设置验证码，是为了防止机器人访问网站，形成没必要要的损失。如今好了，随着机器学习技术的发展，机器识别验证码的问题比较好解决了。

样本采集工具

  这里咱们采用wordpress的Really Simple CAPTCHA生成验证码的插件，之因此选择这个插件，一个是它的安装量很大，二个是由于它是开源的，咱们能够利用它批量的生成验证码图片。

目标估计

  咱们经过demo网站得知，Really Simple CAPTCHA生成的是包含4个数字或者字母的图片，经过阅读源码得知，这个插件还屏蔽了O和I这两个比较容易混淆的字母，也就是说，还剩下32个字符，看来能够完成。
  目前花费了两分钟。

依赖

  咱们要用到如下的工具和库。

• python3
• opencv
• keras
• tensorflow

建立样本集

  为了达到目的，咱们首先要准备样本集，样本以下：

使用Really Simple CAPTCHA插件的源码，咱们很方便的批量生成10000个验证码图片和对应的结果，待咱们生成完成后，大概以下：

这地方你们能够根据本身的实际状况修改Really Simple CAPTCHA插件的源码，来生成本身想要的样本集。若是你觉着麻烦，也能够下载我生成好的。

  目前为止，咱们花了五分钟。

如何训练

  咱们如今有了样本集了，咱们能够直接那图片和对应的结果直接进行神经网络的训练。

只要咱们的样本够多，最终也能达到咱们想要的效果。

  但咱们也能够采用更好的训练方法，这个训练方法使用更少的样本数据，可是结果要比直接训练的方法好不少，我想你已经猜到了，这个方法就是把图片中的四个字符切割开，造成四个样本。这方法之因此可行，是由于全部的验证码图片都是4个字符的。

  10000张图片，一张一张手动用PS去切割，确定不现实，并且因为图片的横向排列并非等间距的，字符间的距离大小不一致，手动切割确定不可能了。

  其实咱们只要画出一个矩形，保证矩形框里只有字符就能够，而后从图片中切出这样的一个矩形，就造成了一个单个字符的图片样本。幸运的是，这个操做opencv已经帮咱们实现了，opencv有个函数叫作findContours()，能够按照一样色值的区域裁剪咱们想要的矩形。

• 首先准备一个图片：

• 转换图片为黑白色。这样有字符的地方为黑色，空白为白色，便于opencv裁剪。

-接下来咱们用opencv的findContours函数切割图片。

  接下来，咱们就把图片从左到右进行切割，并存储切割后的图片，以及图片对应的字符。可是实际操做的过程当中，我发现一个问题，就是有时候两个字符靠的太近，致使opencv在切割的时候，把两个字符切割刀一个图片里了，好比：

切割完的效果是：

若是不解决这个问题，咱们的样本集就不许了，那训练出来的模型也就不可能正确了。个人解决方法是，首先设置一个字符宽最大的像素，若是超过这个像素，则认为一个图片中包含了两个字符，而后咱们选择把这个图片对半切割，分红两个字符。例如：

好，咱们如今获得了一个验证码图片对应的4个字符的图片，如今咱们把全部的样本图片都切割好，而后，把相同的字符对应的图片放到一个文件夹，这么作的目的是尽可能多的找出同一个字符的多种样式。结果以下：

  到目前为止，我花了10分钟。

训练模型

  由于咱们只是识别图片对应的数字或者字母，因此咱们不须要特别复杂的神经网络算法。识别字符比识别小猫小狗的简单多了。
  我这地方使用卷积神经网络，two convolutional layers and two fully-connected layers。

这地方对卷积神经网络算法就不作详细介绍，感兴趣的同窗，能够google学习一下。
  训练完成后，咱们须要测试一下。15分钟花完。

总结

整个过程看起来很简单：

• 从使用咱们上述提到的插件的wordpress网站上下载验证码图片
• 把图片切割成包含单个字符的小图片
• 使用神经网络算法训练模型
• 预测新的验证码图片对应的字符

下面是个人测试：

代码

你能够从这获得完整的代码和示例图片，你能够参照README来运行相关的程序。

转载自个人博客捕蛇者说

• 英文原文
• 下载代码