如何识别高级的验证码

Pnig0s1992:最近作验证码识别的技术调查，看了几篇不错的文章。

1、验证码的基本知识 

　　1. 验证码的主要目的是强制人机交互来抵御机器自动化***的。 

　　2. 大部分的验证码设计者并不得要领，不了解图像处理，机器视觉，模式识别，人工智能的基本概念。 

　　3. 利用验证码，能够发财，固然要犯罪：好比招商银行密码只有6位，验证码形同虚设，计算机很快就能破解一个有钱的帐户，不少账户是能够网上交易的。 

　　4. 也有设计的比较好的，好比Yahoo,Google,Microsoft等。而国内Tencent的中文验证码虽然难，但算不上好。 

　　2、人工智能，模式识别，机器视觉，图像处理的基本知识 

　　1)主要流程： 

　　好比咱们要从一副图片中，识别出验证码;好比咱们要从一副图片中，检测并识别出一张人脸。 大概有哪些步骤呢? 

　　1.图像采集：验证码呢，就直接经过HTTP抓HTML，而后分析出图片的url，而后下载保存就能够了。 若是是人脸检测识别，通常要经过视屏采集设备，采集回来，经过A/D转操做，存为数字图片或者视频频。 

　　2.预处理：检测是正确的图像格式，转换到合适的格式，压缩，剪切出ROI，去除噪音，灰度化，转换色彩空间这些。 

　　3.检测：车牌检测识别系统要先找到车牌的大概位置，人脸检测系统要找出图片中全部的人脸(包括疑似人脸);验证码识别呢，主要是找出文字所在的主要区域。 

　　4.前处理：人脸检测和识别，会对人脸在识别前做一些校订，好比面内面外的旋转，扭曲等。我这里的验证码识别，“通常”要作文字的切割 

　　5.训练：经过各类模式识别，机器学习算法，来挑选和训练合适数量的训练集。不是训练的样本越多越好。过学习，泛化能力差的问题可能在这里出现。这一步不是必须的，有些识别算法是不须要训练的。 

　　6.识别：输入待识别的处理后的图片，转换成分类器须要的输入格式，而后经过输出的类和置信度，来判断大概多是哪一个字母。识别本质上就是分类。 

　　2)关键概念： 

　　图像处理：通常指针对数字图像的某种数学处理。好比投影，钝化，锐化，细化，边缘检测，二值化，压缩，各类数据变换等等。 

　　1.二值化：通常图片都是彩色的，按照逼真程度，可能不少级别。为了下降计算复杂度，方便后续的处理，若是在不损失关键信息的状况下，能将图片处理成黑白两种颜色，那就最好不过了。 

　　2.细化：找出图像的骨架，图像线条多是很宽的，经过细化将宽度将为1，某些地方可能大于1。不一样的细化算法，可能有不一样的差别，好比是否更靠近线条中间，好比是否保持联通行等。 

　　3.边缘检测：主要是理解边缘的概念。边缘其实是图像中图像像素属性变化剧烈的地方。可能经过一个固定的门限值来判断，也多是自适应的。门限多是图像全局的，也多是局部的。不能说那个就必定好，不过大部分时候，自适应的局部的门限可能要好点。被分析的，多是颜色，也多是灰度图像的灰度。 

　　机器视觉：利用计算机来模式实现人的视觉。 好比物体检测，定位，识别。按照对图像理解的层次的差异，分高阶和低阶的理解。 

　　模式识别：对事物或者现象的某种表示方式(数值，文字，咱们这里主要想说的是数值)，经过一些处理和分析，来描述，归类，理解，解释这些事物，现象及其某种抽象。 

　　人工智能：这种概念比较宽，上面这些都属于人工智能这个大的方向。简单点不要过度学院派的理解就是，把人类的很“智能”的东西给模拟出来协助生物的人来处理问题，特别是在计算机里面。

3、常见的验证码的破解分析 
　　以http://libcaca.zoy.org/wiki/PWNtcha这里PWNtcha项目中的资料为例分析，各类验证码的破解。(方法不少，仅仅从我我的乍看之下以为可行的方法来分析) 
　　1)Authp_w_picpath 
 
使用的反破解技巧： 
　　1.不连续的点组成字符 
　　2.有必定程度的倾斜 
　　设计很差的地方： 
　　1.经过纵横的直方图投影，能够找到字幕区域 
　　2.经过Hough变换，适当的参数，能够找到近似的横线，能够作倾斜矫正 
　　3.字符串的倾斜式面内的，没有太多的破解难度 
　　4.字母宽度必定，大小必定 
　　2)Clubic 
 
使用的反破解技巧： 
　　1.字符是手写体 
　　设计很差的地方： 
　　1.检测切割阶段没有任何技术含量，属于设计的比较丑的 
　　2.只有数字，并且手写体变化不大 
　　3.表面看起来对识别阶段有难度，仔细分析，发现几乎不用任何高级的训练识别算法，就 
　　固定的招某些像素点是否有色彩就够了 
　　3)linuxfr.org 
 
使用的反破解技巧： 
　　1.背景颜色块 
　　2.前景的横线或矩形 
　　设计很差的地方： 
　　1.背景色是单一色块，有形状，经过Region-Growth区域增加来很容易把背景给去掉 
　　2.前景色是标准的线条，色彩单一 
　　3.字母无粘连 
　　4.都是印刷体 
　　4)Ourcolony 
 
使用的反破解技巧： 
　　1.设计的过低级，不屑于去评价 
　　设计很差的地方： 
　　1.这种验证码，设计的最丑，但仍是能把菜鸟搞定，毕竟学计算机的少，搞这个破解的更少，正所谓隔行如隔山 
　　5)LiveJournal 
 
使用的反破解技巧： 
　　1.这个设计略微好点，使用个随机噪音，并且做为前景 
　　2.字母位置粗细都有变化 
　　设计很差的地方： 
　　1.字母没有粘连 
　　2.噪音类型单一 
　　3.经过在X轴的直方图投影，能准确分割字幕 
　　4.而后在Y周做直方图投影,能准肯定位高度 
　　5.识别阶段，都是印刷体，简单地很

4、网上的一些高级验证码 
　　1)ICQ 
 
2)IMDb 
 
3)MS MVPS 
 
4)MVN Forum 
 
　　这些类型是被不少人认为比较可贵类型，分析一下能够发现，字符检测，定位和分割都不难。 惟一影响识别率的是IMDBb和MVPS这两类，字体变形略大。 
　　整体来讲，这些类型的破解也不难，很容易作到50%以上的识别率。 
5、高级验证码的破解分析 
　　时间关系，我简单介绍如何利用图像处理和模式识别技术，自动识别比较高级的验证码。 
　　(以风头正劲的Google为例) 
 
1)至少从目前的AI的发展程度看，没有简单的作法能自动处理各类不一样的验证码，即便能力很强，那么系统天然也十分复杂强大。因此，要想在很简单的算法实现比较高级的验证码破解，必须分析不一样验证码算法的特色： 
　　做为通常的图像处理和计算机视觉，会考虑色彩，纹理，形状等直接的特征，同时也考虑直方图，灰度等统计特征，还考虑FFT，Wavelet等各类变换后的特征。但最终目标都是Dimension Reduction(降维)而后利于识别，不只仅是速度的考虑。从图像的角度看，不少系统都考虑转换为灰度级甚者黑白图片。 
　　Google的图片能够看出，颜色变化是虚晃一枪，不存在任何处理难度。难度是字体变形和字符粘连。 
　　若是能成功的分割字符，那么后期识别不管是用SVM等分类算法，仍是分析笔顺比划走向来硬识别，都相对好作。 
　　2)图像处理和粘连分割 
　　代码中的part1目录主要完成图像预处理和粘连字符分割 
　　001：将图像从jpg等格式转换为位图便于处理 
　　002：采用Fix/Adaptive的Threshold门限算法，将图片Bin-Value二值化。(可用003算法) 
　　003：采用OSTU分水岭算法，将图片Bin-Value二值化。(更通用，大部分时候效果更好) 
　　005：获取ROI感兴趣的区域。 
　　006：Edge Trace边缘跟踪。 
　　007：Edge Detection边界检测。 
　　008：Thin细化去骨架。 
　　009：作了一些Tidy整理。(这个通常要根据特定的Captcha算法调整) 
　　010：作切割,注意图片中红色的交叉点。 
　　011：将边缘检测和骨干交叉点监测的图像合并。(合并过程能够作分析: 好比X坐标偏移门限分析，交叉点区域纹理分析，线条走势分析，等等各类方法，找出更可能的切分点和分离后部件的组合管理。) 
 
注：在这里，咱们能够看到，基本的部件(字母是分割开了，但能够形成统一字母的被切割成多个Component。 一种作法是：利用先验知识，作分割; 另一种作法是，和第二部分的识别结合起来。 好比按照从左至右，尝试增长component来识别，若是不能识别并且component的总宽度，总面积还比较小，继续增长。 固然不排除拒识的可能性。) 
　　3)字符部件组合和识别。 
　　part2的代码展现了切割后的字母组合，和基于svm的字符识别的训练和识别过程。 
　　Detection.cpp中展现了ImageSpam检测过程当中的一些字符分割和组合，layout的分析和利用的简单技术。 而Google的验证码的识别，彻底能够不用到，仅作参考。 
　　SVM及使用： 
　　本质上，SVM是一个分类器，原始的SVM是一个两类分类的分类器。能够经过1:1或者1:n的方式来组合成一个多类分类的分类器。 天生经过核函数的使用支持高维数据的分类。从几何意义上讲，就是找到最能表示类别特征的那些向量(支持向量SV),而后找到一条线，能最大化分类的Margin。 
　　libSVM是一个不错的实现。 
　　训练间断和识别阶段的数据整理和归一化是同样的。这里的简单作法是： 
　　首先： 
#define SVM_MAX +0.999 
　　#define SVM_MIN +0.001 
　　其次： 
　　扫描黑白待识别字幕图片的每一个像素，若是为0(黑色，是字母上的像素),那么svm中该位置就SVM_MAX,反之则反。 
　　最后： 
　　训练阶段，在svm的input的前面，为该类打上标记，便是那一个字母。 
　　识别阶段，固然这个类别标记是SVM分类出来。 
　　注意： 
　　若是是SVM菜鸟，最好找一个在SVM外边作了包装的工具，好比样本选择，交叉验证，核函数选择这些，让程序自动选择和分析。 
6、对验证码设计的一些建议 
　　1.在噪音等类型的使用上，尽力让字符和用来混淆的前景和背景不容易区分。尽力让坏人(噪音)长得和好人(字母)同样。 
　　2.特别好的验证码的设计，要尽力发挥人类擅长而AI算法不擅长的。 好比粘连字符的分割和手写体(经过印刷体作特别的变形也能够)。 而不要一味的去加一些看起来比较复杂的噪音或者其余的花哨的东西。即便你作的足够复杂，但若是人也难识别，显然别人认为你是没事找抽型的。 
　　3. 从专业的机器视觉的角度说，验证码的设计，必定要让破解者在识别阶段，反复在低阶视觉和高阶视觉之间多反复几回才能识别出来。 这样能够大大下降破解难度和破解的准确率。 
　　7、郑重申明 
　　1.这个问题，自己是人工智能，计算机视觉，模式识别领域的一个难题。做为破解者来讲，是出于劣势地位。要作的很好，是很可贵。整体来讲，我走的是比较学院派的线路，能真正的破解难度比较高的验证码，不一样于网上不少不太入流的破解方法。我能作的只有利用有限的知识，抛砖引玉而已。不少OCR的技术，特别是离线手写体中文等文字识别的技术，我的了解有限的很，都不敢在这里乱写。