驗證碼識別技術 Captcha Decode Technology

驗證碼識別技術 Captcha Decode Technology

由於現在很多網站，為了加強安全性，以及防止程式的自動操作網站，都加入的了驗證碼技術。但卻給廣大站長推廣宣傳網站帶來的麻煩。所以我準備寫這篇關於驗證碼識別技術的文章，不足之處在所難免！本人從來不寫東西，今天為了想落伍才寫了！         廣大站長宣傳推廣自己的網站，經常要發布一些宣傳廣告，如果靠人工，太慢太昂貴，所以理想的辦法是使用群發軟體，可現在很多網站都有驗證碼，這成為群發軟體的技術痛點，而識別也就痛點中的痛點，好的，閑話少說，言歸正傳！         我舉的例子是比較難於識別的驗證碼，不討論不變形、不換字型、不換大小、不旋轉的驗證碼，這裡我可能不會寫出代碼，只是提供我編寫的思路，按照這個思路，我寫出的程式，比市場上出售的程式的識別率還要高很多。（有興趣的可以問我，我不想在這裡幫別人宣傳，呵呵～～）         首先以數字驗證碼開始，字母的要比數字麻煩一些，不過搞清楚了數字驗證碼的識別，字母的也就不難了。         驗證碼一般都是圖片，而且一般都是4位元，處理過程是：先分割為4個部分，然後逐一識別，由於分割比較簡單，我這裡就不說了，我這裡只說如何識別。         我的方法是把需要識別的圖片，劃分為 5 行，3 列，15個塊，為什麼要劃分為15個塊呢？先看圖！ ○■○ ■○■ ■○■ ■○■ ○■○ ○■○ ■■○ ○■○ ○■○ ■■■ ■■■ ○○■ ■■■ ■○○ ■■■ ■■■ ○○■ ■■■ ○○■ ■■■         我先舉這4個例子吧，其餘的大家可以自己畫出來。如果做過驗證碼識別的朋友，肯定很快就明白為什麼劃分為15個塊，其實主要就是因為這樣劃分更合理，也就更能提高識別率。         我的方法是把需要識別的圖片，劃分為 5 行，3 列，15個塊，然後對每個塊進行計算，當每個塊裡的有效象素超過多少百分比的時候，就標記為 ■，如果沒超過就標記為○，（這裡為了顯示方便我使用了■，○，你完全可以把它標為1、0），這裡要注意一下，這裡的百分比根據字型的粗細可以取 67％，50％，33％，20％，為什麼要取這幾個數？主要和電腦的浮點數運算有關，選這幾個數，運算更快，且不容易出錯，否則電腦在進行大量計算時也是會出錯的！當然這裡，你完全可以選適合你的驗證碼圖片的百分比！！         如果驗證碼不變形、不換字型、不換大小、不旋轉，我們的識別工作到這一步基本上就結束了，因為已經可以得到比較清晰的塊圖，對付大多數論壇，就已經足夠了。^_^         如果驗證碼的變形比較大、且有很多字型、大小也不固定、且有旋轉，那麼我們經過劃分、取比率顯示後，可能會得到這樣一個圖： ○■○ ○○■ ○■○ ■○○ ■■■         那麼這個數字應該是什麼數字，我們需要使用排除法！排除所有不可能，在0123456789中，這個圖不可能是013456789，他只能是 ：2。         寫過驗證碼識別的朋友可能已經明白了！是的，我們需要建立一個類似的資料庫，也就是識別庫，出現哪些圖，他就屬於那個數字。   再舉一個例子： ○■○ ■○○ ■■■ ■○■ ○■○         這是哪個數字呢？？是6，沒錯         我這裡我需要再說明一下為什麼要取5行，3列，15個塊，因為塊太多了你 的識別庫就會很大，塊太少了，就會出現很多分不清楚的塊圖。         另外你取的百分比也需要注意，不能太大也不能太小。         好了，等做好自己的資料庫，這時就可以識別大部分數字了。         最後還有一個問題，就是重複的問題，比如，圖片上的數字，明明是 5，可由於它的字型不是常見的字型，且發生了旋轉，最後得到這樣一個圖： ■■■ ■○○ ■■■ ■○■ ■■■         在我的資料庫裡，這個塊圖，是6，也是就說識別錯誤，怎麼辦？         我的解決方案是，在資料庫裡先把這條資料刪除因為這個是錯誤的。         遇到這種情況，就需要進行二次處理，我的方法是：降低百分比，這時就得到了： ■■○ ■○○ ■■○ ○○■ ■■○         OK，經過降低百分比，圖片就由“6”又變為“5”了，呵呵～～～由於降低了百分比，我們需要再建立一個識別庫的來儲存這些資料。         好了，我的文章就寫到這裡，只是給大家提供一個思路，可能還有一些細節我沒寫出來，但主要的方法都提供出來了，希望能起到拋磚引玉的作用，也希望能夠落伍！！！！