15分鐘破解網站驗證碼

概述

  不少開發者都討厭網站的驗證碼，特別是寫網絡爬蟲的程序員，而網站之因此設置驗證碼，是爲了防止機器人訪問網站，形成沒必要要的損失。如今好了，隨着機器學習技術的發展，機器識別驗證碼的問題比較好解決了。

樣本採集工具

  這裏咱們採用wordpress的Really Simple CAPTCHA生成驗證碼的插件，之因此選擇這個插件，一個是它的安裝量很大，二個是由於它是開源的，咱們能夠利用它批量的生成驗證碼圖片。

目標估計

  咱們經過demo網站得知，Really Simple CAPTCHA生成的是包含4個數字或者字母的圖片，經過閱讀源碼得知，這個插件還屏蔽了O和I這兩個比較容易混淆的字母，也就是說，還剩下32個字符，看來能夠完成。
  目前花費了兩分鐘。

依賴

  咱們要用到如下的工具和庫。

• python3
• opencv
• keras
• tensorflow

建立樣本集

  爲了達到目的，咱們首先要準備樣本集，樣本以下：

使用Really Simple CAPTCHA插件的源碼，咱們很方便的批量生成10000個驗證碼圖片和對應的結果，待咱們生成完成後，大概以下：

這地方你們能夠根據本身的實際狀況修改Really Simple CAPTCHA插件的源碼，來生成本身想要的樣本集。若是你覺着麻煩，也能夠下載我生成好的。

  目前爲止，咱們花了五分鐘。

如何訓練

  咱們如今有了樣本集了，咱們能夠直接那圖片和對應的結果直接進行神經網絡的訓練。

只要咱們的樣本夠多，最終也能達到咱們想要的效果。

  但咱們也能夠採用更好的訓練方法，這個訓練方法使用更少的樣本數據，可是結果要比直接訓練的方法好不少，我想你已經猜到了，這個方法就是把圖片中的四個字符切割開，造成四個樣本。這方法之因此可行，是由於全部的驗證碼圖片都是4個字符的。

  10000張圖片，一張一張手動用PS去切割，確定不現實，並且因爲圖片的橫向排列並非等間距的，字符間的距離大小不一致，手動切割確定不可能了。

  其實咱們只要畫出一個矩形，保證矩形框裏只有字符就能夠，而後從圖片中切出這樣的一個矩形，就造成了一個單個字符的圖片樣本。幸運的是，這個操做opencv已經幫咱們實現了，opencv有個函數叫作findContours()，能夠按照一樣色值的區域裁剪咱們想要的矩形。

• 首先準備一個圖片：

• 轉換圖片爲黑白色。這樣有字符的地方爲黑色，空白爲白色，便於opencv裁剪。

-接下來咱們用opencv的findContours函數切割圖片。

  接下來，咱們就把圖片從左到右進行切割，並存儲切割後的圖片，以及圖片對應的字符。可是實際操做的過程當中，我發現一個問題，就是有時候兩個字符靠的太近，致使opencv在切割的時候，把兩個字符切割刀一個圖片裏了，好比：

切割完的效果是：

若是不解決這個問題，咱們的樣本集就不許了，那訓練出來的模型也就不可能正確了。個人解決方法是，首先設置一個字符寬最大的像素，若是超過這個像素，則認爲一個圖片中包含了兩個字符，而後咱們選擇把這個圖片對半切割，分紅兩個字符。例如：

好，咱們如今獲得了一個驗證碼圖片對應的4個字符的圖片，如今咱們把全部的樣本圖片都切割好，而後，把相同的字符對應的圖片放到一個文件夾，這麼作的目的是儘可能多的找出同一個字符的多種樣式。結果以下：

  到目前爲止，我花了10分鐘。

訓練模型

  由於咱們只是識別圖片對應的數字或者字母，因此咱們不須要特別複雜的神經網絡算法。識別字符比識別小貓小狗的簡單多了。
  我這地方使用卷積神經網絡，two convolutional layers and two fully-connected layers。

這地方對卷積神經網絡算法就不作詳細介紹，感興趣的同窗，能夠google學習一下。
  訓練完成後，咱們須要測試一下。15分鐘花完。

總結

整個過程看起來很簡單：

• 從使用咱們上述提到的插件的wordpress網站上下載驗證碼圖片
• 把圖片切割成包含單個字符的小圖片
• 使用神經網絡算法訓練模型
• 預測新的驗證碼圖片對應的字符

下面是個人測試：

代碼

你能夠從這獲得完整的代碼和示例圖片，你能夠參照README來運行相關的程序。

轉載自個人博客捕蛇者說

• 英文原文
• 下載代碼