内容摘要：准备工作这里我们使用 OpenCV 做图像处理，所以需要安装下面两个库：pip3installopencv-pythonpip3installnumpy 识别原理我们采取一种有监督式学习

 

准备工作

这里我们使用 OpenCV 做图像处理，验证码所以需要安装下面两个库：

pip3 install opencv-python  pip3 install numpy  

识别原理

我们采取一种有监督式学习的太嚣方法来识别验证码，包含以下几个步骤：

图片处理：对图片进行降噪、张竟二值化处理。验证码

切割图片：将图片切割成单个字符并保存。太嚣

人工标注：对切割的张竟字符图片进行人工标注，作为训练集。验证码

训练数据：用 KNN 算法训练数据。太嚣

检测结果：用上一步的张竟训练结果识别新的验证码。

下面我们来逐一介绍每一步的验证码过程，并给出具体的太嚣代码实现。

图片处理

先来看一下我们要识别的张竟验证码是长什么样的：

上图可以看到，字符做了一些扭曲变换。验证码仔细观察，太嚣还可以发现图片中间的张竟部分添加了一些颗粒化的噪声。

我们先读入图片，并将图片转成灰度图，代码如下：

import cv2 im = cv2.imread(filepath) im_gray = cv2.cvtColor(im, cv2.COLOR_BGR2GRAY) 

经过上面的处理，我们的彩色图片变成了下面这样：

将图片做二值化处理，代码如下：

ret, im_inv = cv2.threshold(im_gray,127,255,cv2.THRESH_BINARY_INV) 

127 是我们设定的云服务器阈值，像素值大于 127 被置成了 0，小于 127 的被置成了 255。处理后的图片变成了这样：

接下来，我们应用高斯模糊对图片进行降噪。高斯模糊的本质是用高斯核和图像做卷积，代码如下：

kernel = 1/16*np.array([[1,2,1], [2,4,2], [1,2,1]]) im_blur = cv2.filter2D(im_inv,-1,kernel) 

降噪后的图片如下：

上图可以看到一些颗粒化的噪声被平滑掉了。降噪后，我们对图片再做一轮二值化处理：

ret, im_res = cv2.threshold(im_blur,127,255,cv2.THRESH_BINARY) 

现在图片变成了这样：

好了，接下来，我们要开始切割图片了。

切割图片

这一步是所有步骤里最复杂的一步。我们的目标是把最开始的图片切割成单个字符，并把每个字符保存成如下的灰度图：

首先我们用 OpenCV 的 findContours 来提取轮廓：

im2, contours, hierarchy = cv2.findContours(im_res, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) 

我们把提取的轮廓用矩形框起来，画出来是这样的：

可以看到，每个字符都被检测出来了。但这只是源码下载理想情况，很多时候，相邻字符有粘连的会被识别成同一个字符，比如像下面的情况：

要处理这种情况，我们就要对上面的图片做进一步的分割。字符粘连会有下面几种情况，我们逐一来看下该怎么处理。

①4 个字符被识别成 3 个字符

这种情况，对粘连的字符轮廓，从中间进行分割，代码如下：

result = [] for contour in contours:     x, y, w, h = cv2.boundingRect(contour)     if w == w_max: # w_max是所有contonur的宽度中最宽的值         box_left = np.int0([[x,y], [x+w/2,y], [x+w/2,y+h], [x,y+h]])         box_right = np.int0([[x+w/2,y], [x+w,y], [x+w,y+h], [x+w/2,y+h]])         result.append(box_left)         result.append(box_right)     else:         box = np.int0([[x,y], [x+w,y], [x+w,y+h], [x,y+h]])         result.append(box) 

分割后，图片变成了这样：

②4 个字符被识别成 2 个字符

4 个字符被识别成 2 个字符有下面两种情况：

对第一种情况，对于左右两个轮廓，从中间分割即可。对第二种情况，将包含了 3 个字符的轮廓在水平方向上三等分。

具体代码如下：

result = [] for contour in contours:     x, y, w, h = cv2.boundingRect(contour)     if w == w_max and w_max >= w_min * 2:         # 如果两个轮廓一个是另一个的宽度的2倍以上，我们认为这个轮廓就是包含3个字符的轮廓         box_left = np.int0([[x,y], [x+w/3,y], [x+w/3,y+h], [x,y+h]])         box_mid = np.int0([[x+w/3,y], [x+w*2/3,y], [x+w*2/3,y+h], [x+w/3,y+h]])         box_right = np.int0([[x+w*2/3,y], [x+w,y], [x+w,y+h], [x+w*2/3,y+h]])         result.append(box_left)         result.append(box_mid)         result.append(box_right)     elif w_max < w_min * 2:         # 如果两个轮廓，较宽的源码库宽度小于较窄的2倍，我们认为这是两个包含2个字符的轮廓         box_left = np.int0([[x,y], [x+w/2,y], [x+w/2,y+h], [x,y+h]])         box_right = np.int0([[x+w/2,y], [x+w,y], [x+w,y+h], [x+w/2,y+h]])         result.append(box_left)         result.append(box_right)     else:         box = np.int0([[x,y], [x+w,y], [x+w,y+h], [x,y+h]])         result.append(box) 

分割后的图片如下：

③4 个字符被识别成 1 个字符

这种情况对轮廓在水平方向上做四等分即可，代码如下：

result = [] contour = contours[0] x, y, w, h = cv2.boundingRect(contour) box0 = np.int0([[x,y], [x+w/4,y], [x+w/4,y+h], [x,y+h]]) box1 = np.int0([[x+w/4,y], [x+w*2/4,y], [x+w*2/4,y+h], [x+w/4,y+h]]) box2 = np.int0([[x+w*2/4,y], [x+w*3/4,y], [x+w*3/4,y+h], [x+w*2/4,y+h]]) box3 = np.int0([[x+w*3/4,y], [x+w,y], [x+w,y+h], [x+w*3/4,y+h]]) result.extend([box0, box1, box2, box3]) 

分割后的图片如下：

对图片分割完成后，我们将分割后的单个字符的图片存成不同的图片文件，以便下一步做人工标注。

存取字符图片的代码如下：

for box in result:     cv2.drawContours(im, [box], 0, (0,0,255),2)     roi = im_res[box[0][1]:box[3][1], box[0][0]:box[1][0]]     roistd = cv2.resize(roi, (30, 30)) # 将字符图片统一调整为30x30的图片大小     timestamp = int(time.time() * 1e6) # 为防止文件重名，使用时间戳命名文件名     filename = "{ }.jpg".format(timestamp)     filepath = os.path.join("char", filename)     cv2.imwrite(filepath, roistd) 

字符图片保存在名为 char 的目录下面，这个目录里的文件大致是长这样的（文件名用时间戳命名，确保不会重名）：

接下来，我们开始标注数据。

人工标注

这一步是所有步骤里最耗费体力的一步了。为节省时间，我们在程序里依次打开 char 目录中的每张图片，键盘输入字符名，程序读取键盘输入并将字符名保存在文件名里。

代码如下：

files = os.listdir("char") for filename in files:     filename_ts = filename.split(".")[0]     patt = "label/{ }_*".format(filename_ts)     saved_num = len(glob.glob(patt))     if saved_num == 1:         print("{ } done".format(patt))         continue     filepath = os.path.join("char", filename)     im = cv2.imread(filepath)     cv2.imshow("image", im)     key = cv2.waitKey(0)     if key == 27:         sys.exit()     if key == 13:         continue     char = chr(key)     filename_ts = filename.split(".")[0]     outfile = "{ }_{ }.jpg".format(filename_ts, char)     outpath = os.path.join("label", outfile)     cv2.imwrite(outpath, im) 

这里一共标注了大概 800 张字符图片，标注的结果存在名为 label 的目录下，目录下的文件是这样的（文件名由原文件名+标注名组成）：

接下来，我们开始训练数据。

训练数据

首先，我们从 label 目录中加载已标注的数据：

filenames = os.listdir("label") samples = np.empty((0, 900)) labels = [] for filename in filenames:     filepath = os.path.join("label", filename)     label = filename.split(".")[0].split("_")[-1]     labels.append(label)     im = cv2.imread(filepath, cv2.IMREAD_GRAYSCALE)     sample = im.reshape((1, 900)).astype(np.float32)     samples = np.append(samples, sample, 0) samples = samples.astype(np.float32) unique_labels = list(set(labels)) unique_ids = list(range(len(unique_labels))) label_id_map = dict(zip(unique_labels, unique_ids)) id_label_map = dict(zip(unique_ids, unique_labels)) label_ids = list(map(lambda x: label_id_map[x], labels)) label_ids = np.array(label_ids).reshape((-1, 1)).astype(np.float32) 

接下来，训练我们的模型：

model = cv2.ml.KNearest_create() model.train(samples, cv2.ml.ROW_SAMPLE, label_ids) 

训练完，我们用这个模型来识别一下新的验证码。

检测结果

下面是我们要识别的验证码：

对于每一个要识别的验证码，我们都需要对图片做降噪、二值化、分割的处理（代码和上面的一样，这里不再重复）。

假设处理后的图片存在变量 im_res 中，分割后的字符的轮廓信息存在变量 boxes 中，识别验证码的代码如下：

for box in boxes:     roi = im_res[box[0][1]:box[3][1], box[0][0]:box[1][0]]     roistd = cv2.resize(roi, (30, 30))     sample = roistd.reshape((1, 900)).astype(np.float32)     ret, results, neighbours, distances = model.findNearest(sample, k = 3)     label_id = int(results[0,0])     label = id_label_map[label_id]     print(label) 

运行上面的代码，可以看到程序输出：

y y 4 e 

图片中的验证码被成功地识别出来。我们测试了下识别的准确率，取 100 张验证码图片（存在 test 目录下）进行识别，识别的准确率约为 82%。

看到有人说用神经网络识别验证码，准确率可以达到 90% 以上，下次有机会可以尝试一下。

完整代码已上传 GitHub，所有训练数据、测试数据、已标注图片都已上传百度网盘，后台回复“验证码”可获取地址。