验证码识别技术研究

转载自：http://hi.baidu.com/mrcaptcha/blog/item/051ff527f3b25727d40742a0.html

使用的反破解技巧：
e9ei?T &;Õ?Otilde;?RMb(gl?ÿ}?q_N&y
1.不连续的点组成字符
2.有一定程度的倾斜

设计不好的地方：
e9ei?T ÿÕ?RMb(gl?ÿ}?q_N&y
1.通过纵横的直方图投影，可以找到字幕区域
2.通过Hough变换，适当的参数，可以找到近似的横线，可以做倾斜矫正
3.字符串的倾斜式面内的，没有太多的破解难度
4.字母宽度一定，大小一定

2)Clubic
使用的反破解技巧：
e9ei?T &a;yuml;Õ?Otilde;?Rb(gl?ÿ}?q_N&y
1.字符是手写体

设计不好的地方：

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，而且手写体变化不大
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： e9ei?T &Õ?Otilde;?RMb(gl?ÿ}?q_N&y

1.背景颜色块
2.前景的横线或矩形

设计不好的地方：

1.背景色是单一色块，有形状，通过Region-Growth区域增长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
e9ei?T ÿ∓Otilde;?Otild;?RMb(gl?&am;yuml;}?q_N&y
4)Ourcolony
使用的反破解技巧：

1.设计的太低级，不屑于去评价

设计不好的地方：

1.这种验证码，设计的最丑，但还是能把菜鸟搞定，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，而且作为前景
2.字母位置粗细都有变化
e9ei?T &um;≈Otilde;Otilde;?RMb(gl?ÿ}?q_N&y
设计不好的地方：

1.字母没有粘连
2.噪音类型单一
3.通过在X轴的直方图投影，能准确分割字幕
4.然后在Y周作直方图投影,能准确定位高度
5.识别阶段，都是印刷体，简单地很

四、网上的一些高级验证码
e9ei?T amp;yuml;am;ilde;?Otide;?RM(gl?ÿ}?q_N&y
1)ICQ
2)IMDb
3)MS MVPS

4)MVN Forum

这些类型是被很多人认为比较难得类型，分析一下可以发现，字符检测，定位和分割都不
是难。 唯一影响识别率的是IMDBb和MVPS这两类，字体变形略大。

总体来说，这些类型的破解也不难，很容易做到50%以上的识别率。

五、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，没有简单的做法能自动处理各种不同的验证码，即使
能力很强，那么系统自然也十分复杂强大。所以，要想在很简单的算法实现比较高级的验证
码破解，必须分析不同验证码算法的特点：

作为一般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等各种变换后的特征。但最终目标都是
Dimension Reduction（降维）然后利于识别，不仅仅是速度的考虑。从图像的角度看，很多系
统都考虑转换为灰度级甚者黑白图片。
　e;yuml;Õ?Otilde;?RMb(gl?ÿ}?q_N& :ygbLT b ÿFOE?ge9ei?T ;Õ?Otilde;?RMb(gl?&; :ygbLT b ÿFOE?g;?Otilde;?RMb(gl?ÿ}?q_N&y
Google的图片可以看出，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。
　
如果能成功的分割字符，那么后期识别无论是用SVM等分类算法，还是分析笔顺比划走向
来硬识别，都相对好做。
　
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：做了一些Tidy整理。
　　（这个一般要根据特定的Captcha算法调整）
010：做切割,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。
　　（合并过程可以做分析: 比如X坐标偏移门限分析，交叉点区域纹理分析，线条走势分析，
等等各种方法，找出更可能的切分点和分离后部件的组合管理。）
代码：（代码质量不高，从其他项目拷贝过来，简单修改的。）
(gl?ÿ}?q_N&; :ygbLT b;FOE?g;?Otilde;?RMb(gl?ÿ}?q_N&y
查看代码(./pstzine_09_01.txt)

注： 在这里，我们可以看到，基本的部件（字母是分割开了，但可以造成统一字母的被切
割成多个Component。 一种做法是：利用先验知识，做分割； 另外一种做法是，和第二部分的
识别结合起来。 比如按照从左至右，尝试增加component来识别，如果不能识别而且
component的总宽度，总面积还比较小，继续增加。 当然不排除拒识的可能性。 ）

3)字符部件组合和识别。
e9ei?T &e9ei?T ÿÕ?Otilde;?RMb(gl?ÿ}?q_N&;}?q_N&y
part2的代码展示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中展示了ImageSpam检测过程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，完全可以不用到，仅做参考。

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。可以通过1:1或者1:n
的方式来组合成一个多类分类的分类器。 天生通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）,然后找到一条线，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一样的。 这里的简单做法是：

首先：
?sect;;yuml;}?q_Ný :ygbLT b ÿFOE?g;?Otilde;?RMb(gl?ÿ}?q_N&y
#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个像素，如果为0(黑色，是字母上的像素),那么svm中该位
置就SVM_MAX,反之则反。
e ÿFOE?ge9ei?T ÿÕ?Otilde;?RMb(gl?ÿ}?q_Ný :ygbLT b ÿFOE?g;?Otilde;?RMb(gl?ÿ}?q_N&y
最后：

训练阶段，在svm的input的前面，为该类打上标记，即是那一个字母。
识别阶段，当然这个类别标记是SVM分类出来。

注意：

如果是SVM菜鸟，最好找一个在SVM外边做了包装的工具，比如样本选择，交叉验证，核函
数选择这些，让程序自动选择和分析。

代码：通过ReginGrowth来提取单个单个的字符，然后开始识别。

查看代码(./pstzine_09_02.txt)

六、对验证码设计的一些建议
eyuml;Õ?Otilde;?RMb(gl?ÿ}?q_Ný :ygbLT b ÿFOE?ge9ei?T ÿÕ?Otilde;?RMb(gl?ÿ}?q_Ný :ygbLT b ÿFOE?g;?Otilde;?RMb(gl?ÿ}?q_N&y
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）一样。

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。 比如粘连字符的
分割和手写体（通过印刷体做特别的变形也可以）。 而不要一味的去加一些看起来比较复杂
的噪音或者其他的花哨的东西。即使你做的足够复杂，但如果人也难识别，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，一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次才能识别出来。 这样可以大大降低破解难度和破解的准
确率。
e9ei?T &e9ei?T ÿÕ?Otilde;?RMb(gl?ÿ}?q_Ný :ygbLT b ÿFOE?ge9ei?T ÿÕ?Otilde;?RMb(gl?ÿ}?q_Ný :ygbLT b ÿFOE?g;?Otilde;?RMb(gl?ÿ}?q_N&y
七、个人郑重申明

1.这个问题，本身是人工智能，计算机视觉，模式识别领域的一个难题。我是虾米，菜得
不能再菜的那种。作为破解者来说，是出于劣势地位。要做的很好，是很难得。总体来说，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，不同于网上很多不太入流的
破解方法。我能做的只有利用有限的知识，抛砖引玉而已。 很多OCR的技术，特别是离线手
写体中文等文字识别的技术，个人了解有限的很，都不敢在这里乱写。

2.希望不要把这种技术用于非法用途。