python+tesseract驗證碼識別的一點當心得

因爲公司須要，最近開始學習驗證碼的識別

我選用的是tesseract-ocr進行識別，聽說之前是惠普公司開發的排名前三的，如今開源了。到目前爲止已經出到3.0.2了

固然了，前期咱們仍是須要對驗證碼進行一些操做，讓他對機器更友好，這樣才能提升識別率。

步驟基本上是這樣的

第一步對驗證碼進行灰度圖以及二值化

須要用到pil庫能夠pip下載

代碼以下

def binarization(image):
    #轉成灰度圖
    imgry = image.convert('L')
    #二值化，閾值能夠根據狀況修改
    threshold = 128
    table = []
    for i in range(256):
        if i < threshold:
            table.append(0)
        else:
            table.append(1)
    out = imgry.point(table, '1')
    return out

接着是去噪，由於我研究的驗證碼基本不須要去噪，因此省略，須要去噪的小夥伴們，請自行谷歌。

還有傾斜度調整，推薦使用旋轉卡殼算法

原理是對圖片進行-30度到30度的旋轉，寬度最大的通常就是正的了。(網上這樣說的，我試過了，對大部分是能夠，小部分如c啥的貌似效果很差)

歸一化

能夠用腐蝕算法對驗證碼進行細化

腐蝕算法請自行谷歌。

第二步對驗證碼進行切割

對不一樣的驗證碼有不一樣的算法

目前我只研究了這幾種

一

垂直像素直方圖

原理是根據每一個x的黑塊數量進行切割，黑塊數量大於某個值開始切割，小於某個值結束切割。適用於驗證碼之間有間隔或者間隔較大的，對那種粘連在一塊兒的驗證碼效果很差。

二

平均分割法

原理是找到黑塊開始出現的x，y軸和黑塊不出現的x，y軸，切割。而後平均分割成n等分。適用於驗證碼大小比較固定的，對粘連在一塊兒的驗證碼效果比上一種方法要好一點。

三

波谷分割法

原理和垂直像素直方圖相似，記錄每一個x的黑塊數量，找到局部的極小值，切割。適用於驗證碼之間有間隔或者間隔較大的，對那種粘連在一塊兒的驗證碼效果比垂直像素直方圖要好。

四

滴水算法

原理是模擬水滴的流動，記錄水滴的流動路徑，而後進行切割。要注意的是，起始點的肯定很重要，對那種粘連在一塊兒的驗證碼效果很好。

以上的四種算法之後我會將代碼貼在另外一個隨筆裏

第三步對驗證碼進行識別

終於到了重頭戲了

須要導入pytesser，調用image_to_string(image)便可識別。

不過識別率實在是低的可憐。

因此須要咱們對機器進行訓練。

下面簡要介紹下若是對機器進行訓練。

首先下載tesseract-ocr，必須的沒有怎麼識別對吧。

找儘可能多的驗證碼，最好是二值化後的或者按照上面的步驟切割下來的。

下載jTessBoxEditor選擇Tools中的merge-tiff，選擇要訓練的圖片，按下shift選擇多個，而後保存起來名字以下[lang].[fontname].exp[num].tif 

生成 .box文件 
tesseract ec.ufont.exp0.tif ec.ufont.exp0 batch.nochop makebox 

而後能夠經過jTessBoxEditor的Box Editor進行調整能夠一張張調整。

如下摘自http://www.cnblogs.com/wolfray/p/5547267.html

爲了方便 ，將tif命名格式設爲[lang].[fontname].exp[num].tif 
lang是語言 
fontname是字體 
好比咱們要訓練自定義字庫 ec 字體名:unfont 
那麼咱們把tif文件重命名 ec.ufont.exp0.tif

生成 .box文件 
tesseract ec.ufont.exp0.tif ec.ufont.exp0 batch.nochop makebox 
使用訓練過的字庫生成.box文件 
tesseract ec.ufont.exp0.tif ec.ufont.exp0 -l ufont batch.nochop makebox

而後寫一個腳本批量運行如下命令

腳本內容以下

num.font.exp0.tif應該改爲你本身的文件名字

rem 執行改批處理前先要目錄下建立font_properties文件  
  
echo Run Tesseract for Training..  
tesseract.exe num.font.exp0.tif num.font.exp0 nobatch box.train  
  
echo Compute the Character Set..  
unicharset_extractor.exe num.font.exp0.box  
mftraining -F font_properties.txt -U unicharset -O num.unicharset num.font.exp0.tr  
  
echo Clustering..  
cntraining.exe num.font.exp0.tr  
  
echo Rename Files..  
rename normproto num.normproto  
rename inttemp num.inttemp  
rename pffmtable num.pffmtable  
rename shapetable num.shapetable   
  
echo Create Tessdata..  
combine_tessdata.exe num. 

 

---

1. 產生字符特徵文件 .tr

tesseract ec.ufont.exp0.tif ec.ufont.exp0 nobatch box.train 
這一步將會產生 ec.ufont.exp0.tr文件和一個 ec.ufont.exp0.txt文件,txt文件貌似沒什麼用，看看而以。

2.計算字符集(生成unicharset文件） 
unicharset_extractor ec.ufont.exp0.box

3.定義字體特徵文件 
—Tesseract-OCR3.01以上的版本在訓練以前須要建立一個名稱爲font_properties.txt的字體特徵文件 
手工創建一個文件font_properties.txt 
內容如：ufont 0 0 0 0 0 
注意:這裏 必須與訓練名中的名稱保持一致,填入下面內容 ,這裏全取值爲0，表示字體不是粗體、斜體等等。

4.彙集字符特徵 
1) shapeclustering -F font_properties.txt -U unicharset ec.ufont.exp0.tr 
注意：若是font_properties不加擴展名.txt，可能會報錯 
2) mftraining -F font_properties.txt -U unicharset -O ufont.unicharset ec.ufont.exp0.tr 
使用上一步產生的字符集文件unicharset，來生成當前新語言的字符集文件ec.unicharset。同時還會產生圖形原型文件inttemp和每一個字符所對應的字符 
特徵數文件pffmtable。最重要的就是這個inttemp文件了，他包含了全部須要產生的字的圖形原型。 
3)cntraining ec.ufont.exp0.tr 
這一步產生字符形狀正常化特徵文件normproto。 
shapeclustering 操做不是必須的，若沒有進行此步，在mftraining的時候 會自動進行。 
5.更名字 
把目錄下的unicharset、inttemp、pffmtable、shapetable、normproto這五個文件前面都加上ufont.

6.執行combine_tessdata ufont. 
而後把ufont.traineddata放到tessdata目錄

7.測試 
必須肯定的是第type 一、三、四、5的數據不是-1，那麼一個新的字典就算生成了。 
tesseract ec.ufont.exp0.tif papapa -l ufont

tesseract也提出，經過使用多個語言訓練庫聯合使用。如此，新的字體訓練庫也能夠與原有的數據訓練庫聯合使用。如參數 -l 以後 tesseract input.tif output -l eng+newfont。

cntraining和mftraining只能最多采用32個.tr文件，所以，對於相同的字體，你必須從多種語言中，以字體獨立的方式，將全部的文件cat到一塊兒來讓32種語言結合在一塊兒。cntraining/mftraining以及unicharset_extractor命令行工具必須各自由給定的.tr和.box文件，以相同的順序，爲不一樣的字體進行不一樣的過濾。能夠提供一個程序來完成以上的事情，並在字符集表中挑出相同字符集。這樣會將事情更簡單些。 
寫批處理bat命令的時候，要靈活使用excel裏面的填充功能。

 

最後記錄下訓練時遇到的問題

tesseract.exe eng.font.exp0.tif eng.font.exp0 nobatch box.train

運行上述命令是可能會遇到could not find a matching blob問題

請調整你的box大小，或者更換圖片

在此隨便解釋下box裏面的值的含義

第一個是識別出的值+空格+box起始x座標+空格+不知道什麼鬼的座標，貌似不是起始y座標+空格+box終點x座標即起始x座標加上寬度+空格+起始y座標加上高度

通常來講若是調整了box大小都還報錯的話，建議換圖

另外一個問題是運行

mftraining -F font_properties -U unicharset eng.font.exp0.tr

會報錯

改爲運行

mftraining -F font_properties.txt -U unicharset eng.font.exp0.tr

就是font_proerties加上.txt

 

在這裏感謝下不少大神在網站的解答和記錄，對個人學習起了很大的做用。謝謝。