那些年，我爬过的北科(八)——反反爬虫之验证码识别

2018-12-08 23:06:57

写在前面

本章将要介绍一下如何识别简单的验证码。会涉及到一些图像的概念以及机器学习的知识。

我们本次识别的验证码来自csdn，长相如下：

在学习之前，我们先安装本章需要的三个库：图像库Pillow、机器学习库Scikit-Learn、科学计算库Numpy。通过pip命令就可以进行安装。

1	pip install pillow scikit-learn numpy

源码介绍

本章节的案例稍微复杂，见：USTBCrawlers/lesson8

这里主要有三个部分：下载器、分割器、与识别器。我们可以先把代码clone下来，然后进入到lesson8这个目录下。

图像基本概念

下面我们先来对图像有个基本的介绍。图像是由一个一个像素点构成的，其内部结构是一个二维的矩阵，或者理解成一个二维数组。

例如，一个 M x N 的图像，可以表示成以下的格式:

图像的坐标和我们平时学的直角坐标并不相同，直角坐标的原点是在左下角；而图像的坐标起点是在左上角，如下图所示。

在python中，我们可以使用PIL（Pillow）对图像进行操作。如下，我们打开了我们的验证码，并调用convert("L")方法把图片转为灰度图像。

from PIL import Image

im = Image.open("csdn.png").convert("L")
im.show()  # 显示图像

然而我们真正操作并不是图像对象，而是一个矩阵，或者说是二维数组，我们可以把图像转成numpy数组。

可以看到我们的验证码是20*48的。

图像直方图

图像是由一个个的像素构成的，像素有灰度值，从0-255，一共256个灰度级。直方图的作用是观察每个灰度级所占像素的多少。

可以调用Image.histogram()获取Image对象的直方图。

比如说对于我们的验证码图片，一共有20*48=960个像素点，其中灰度级为94的像素有754个，而灰度级为255的有129个。

再次观察一下我们灰度化的验证码，可以看到验证码的字母是白色的，也就是灰度级为255。周围的背景是灰色的，灰度级为94。

图像二值化

在处理验证码的时候，背景很多时候并不是同一个灰度级的，为了减少背景对数据的影响。一般都会讲验证码进行二值化。

所谓二值化，其实就是把灰度图像变成只由纯黑、或纯白两种像素组成的图像。

方法很简单，我们可以设定一个阈值，灰度大于100的像素都变成纯白(255)，而灰度小于100的像素都变成纯黑(0)。

验证码字符分割

因为验证码包含四个数字，所以需要把每个字母分割开。笔者为读者准备的验证码是很好分割的类型，只需要对指定区域进行筛选即可。

这里的图片数字的宽度都是8，起点分别位于5、14、23、32。分割代码如下：

def split_and_save(path):
    path = "../downloader/captchas/" + path
    pix = np.array(Image.open(path).convert("L"))
    # threshold image
    pix = (pix > 100) * 255

    col_ranges = [
        [5, 5 + 8],
        [14, 14 + 8],
        [23, 23 + 8],
        [32, 32 + 8]
    ]
    # split and save
    for col_range in col_ranges:
        letter = pix[:, col_range[0]: col_range[1]]
        im = Image.fromarray(np.uint8(letter))
        save_path = "./letters/" + str(uuid.uuid4()) + ".png"
        im.save(save_path)

我们每个验证码字符的大小为：20*8。

创建数据集

对验证码分割后，我们就会得到一堆字母的图片了。

但是这些图片都没有标注，下面我们使用的机器学习算法是数据驱动的，所以需要一些已经标注好的验证码数据。我这里标注的方法比较简单，因为毕竟只有0-9十种字母，我就每种数据标注6个。直接通过文件名称进行标识。

机器学习之KNN算法

算法描述

K近邻算法的定义十分简单，在百度百科上有这样的解释：如果一个样本在特征空间中的k个最相似(即特征空间中最邻近)的样本中的大多数属于某一个类别，则该样本也属于这个类别。

也就是说，需要找到要识别的字母在训练样本中K个最近的字母，然后找出这K个字母中最多的是某个类的？要识别的图片也就是该类的。

算法举例

上面那么描述可能稍微有点儿晦涩，那我们举个例子。

这里以电影分类作为例子，电影题材可分为爱情片，动作片等。这里假定将电影分为爱情片和动作片两类，直观感受的话，如果一部电影中接吻镜头很多，打斗镜头较少，显然是属于爱情片，反之为动作片。

这里我们的数据有两个特征：一个是接吻镜头的数目，一个是打斗镜头的数目。下面我们有一组已知的数据。

我们这里的目标是利用已知的四个电影数据，预测未知电影的类型。

我们把爱情电影定义为红色的叉子，动作电影定义为绿色的圆圈，未知电影为问号。这里可以画个图直观感受一下。

假设我们K取3的话，那么从图中可以很清晰的看到，离未知电影最近的三个电影分别是：爱情电影、爱情电影、动作电影。爱情电影占比大，所以我们未知的电影是爱情片。

scikit-learn中使用KNN

我们将使用scikit-learn来实现KNN，所以不需要关注算法的实现（虽然实现也很简单），只要有数据和标签就好了。我们来看看怎么实现上面的预测电影类型的功能。

这里X是我们已知类型的四部电影，y是四部电影的标签。0代表爱情电影，1代表动作电影。然后调用scikit-learn中的KNeighborsClassifier先通过fit拟合数据，再调用predict预测就好了。

可以看到我们最后预测出未知电影的标签为0，也就是爱情电影，和想法一致。

验证码识别

了解了以上知识后，我们可以编写验证码识别脚本了。

我们这里首先编写加载数据的函数，加载之前标注好的验证码字母数据。我们验证码字母数据是20*8的，也就是相当于有160个特征。

def load_dataset():
    X = []
    y = []

    for i in range(60):
        path = "./dataset/%d%d.png" % (i / 6, i % 6 + 1)
        pix = np.array(Image.open(path).convert("L"))
        X.append(pix.reshape(8*20))
        y.append(i/6)
    return np.array(X), np.array(y)

然后对数据进行拟合：

1
2
3

X, y = load_dataset()
knn = KNeighborsClassifier(n_neighbors=5)
knn.fit(X, y.astype('uint8'))

最后先分割图片，再使用拟合好数据的knn进行预测。

def split_letters(path):
    pix = np.array(Image.open(path).convert("L"))
    # threshold image
    pix = (pix > 100) * 255

    col_ranges = [
        [5, 5 + 8],
        [14, 14 + 8],
        [23, 23 + 8],
        [32, 32 + 8]
    ]
    letters = []
    for col_range in col_ranges:
        letter = pix[:, col_range[0]: col_range[1]]
        letters.append(letter.reshape(8*20))

    return letters

if __name__ == "__main__":
    if len(sys.argv) != 2:
        print("Usage: python recognizer.py <image_filename>")

    letters = split_letters(sys.argv[1])
    print(knn.predict(letters))

我们运行一下，可以看到以下识别的结果，都识别出来了。

内容补充

以上的验证码识别只是一个基本的操作流程。现在只要有足够多的数据，利用深度学习基本上所有的验证码都能识别出来。

深度学习由于需要读者有数学基础以及相关的背景知识，这里笔者就提供一些我自己写过的验证码相关的资料，如果感兴趣可以自己去学习。

如果读者感兴趣可以进行深入学习。
笔者的验证码相关的一个项目：

https://github.com/nladuo/captcha-break

笔者的验证码相关的博客：

2018-12-08 23:06:57