很多網站登錄都需要輸入驗證碼,如果要實現自動登錄就不可避免的要識別驗證碼。本文以一個真實網站的驗證碼為例,實現了基於一下KNN的驗證碼識別。
準備工作
這裡我們使用opencv做圖像處理,所以需要安裝下面兩個庫
pip3 install opencv-pythonpip3 install numpy
識別原理
我們採取一種有監督式學習的方法來識別驗證碼,包含以下幾個步驟
- 圖片處理 - 對圖片進行降噪、二值化處理
- 切割圖片 - 將圖片切割成單個字符並保存
- 人工標註 - 對切割的字符圖片進行人工標註,作為訓練集
- 訓練數據 - 用KNN算法訓練數據
- 檢測結果 - 用上一步的訓練結果識別新的驗證碼
下面我們來逐一介紹一下每一步的過程,並給出具體的代碼實現。
圖片處理
先來看一下我們要識別的驗證碼是長什麼樣的
可以看到,字符做了一些扭曲變換。仔細觀察,還可以發現圖片中間的部分添加了一些顆粒化的噪聲。
我們先讀入圖片,並將圖片轉成灰度圖,代碼如下
import cv2
im = cv2.imread(filepath)
im_gray = cv2.cvtColor(im, cv2.COLOR_BGR2GRAY)
經過上面的處理,我們的彩色圖片變成了下面這樣
將圖片做二值化處理,代碼如下
ret, im_inv = cv2.threshold(im_gray,127,255,cv2.THRESH_BINARY_INV)
127是我們設定的閾值,像素值大於127被置成了0,小於127的被置成了255。處理後的圖片變成了這樣
接下來,我們應用高斯模糊對圖片進行降噪。高斯模糊的本質是用高斯核和圖像做卷積,代碼如下
kernel = 1/16*np.array([[1,2,1], [2,4,2], [1,2,1]])
im_blur = cv2.filter2D(im_inv,-1,kernel)
降噪後的圖片如下
可以看到一些顆粒化的噪聲被平滑掉了。
降噪後,我們對圖片再做一輪二值化處理
ret, im_res = cv2.threshold(im_blur,127,255,cv2.THRESH_BINARY)
現在圖片變成了這樣
好了,接下來,我們要開始切割圖片了。
切割圖片
這一步是所有步驟裡最複雜的一步。我們的目標是把最開始的圖片切割成單個字符,並把每個字符保存成如下的灰度圖
首先我們用opencv的findContours來提取輪廓
im2, contours, hierarchy = cv2.findContours(im_res, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
我們把提取的輪廓用矩形框起來,畫出來是這樣的
可以看到,每個字符都被檢測出來了。
但這只是理想情況,很多時候,相鄰字符有粘連的會被識別成同一個字符,比如像下面的情況
要處理這種情況,我們就要對上面的圖片做進一步的分割。字符粘連會有下面幾種情況,我們逐一來看下該怎麼處理。
4個字符被識別成3個字符
這種情況,對粘連的字符輪廓,從中間進行分割,代碼如下
result = []
for contour in contours:
x, y, w, h = cv2.boundingRect(contour)
if w == w_max: # w_max是所有contonur的寬度中最寬的值
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)
分割後,圖片變成了這樣
4個字符被識別成2個字符
4個字符被識別成2個字符有下面兩種情況
對第一種情況,對於左右兩個輪廓,從中間分割即可。對第二種情況,將包含了3個字符的輪廓在水平方向上三等分。具體代碼如下
result = []
for contour in contours:
x, y, w, h = cv2.boundingRect(contour)
if w == w_max and w_max >= w_min * 2:
# 如果兩個輪廓一個是另一個的寬度的2倍以上,我們認為這個輪廓就是包含3個字符的輪廓
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:
# 如果兩個輪廓,較寬的寬度小於較窄的2倍,我們認為這是兩個包含2個字符的輪廓
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)
分割後的圖片如下
4個字符被識別成1個字符
這種情況對輪廓在水平方向上做4等分即可,代碼如下
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])
分割後的圖片如下
對圖片分割完成後,我們將分割後的單個字符的圖片存成不同的圖片文件,以便下一步做人工標註。存取字符圖片的代碼如下
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)) # 將字符圖片統一調整為30x30的圖片大小
timestamp = int(time.time() * 1e6) # 為防止文件重名,使用時間戳命名文件名
filename = "{}.jpg".format(timestamp)
filepath = os.path.join("char", filename)
cv2.imwrite(filepath, roistd)
字符圖片保存在名為char的目錄下面,這個目錄裡的文件大致是長這樣的(文件名用時間戳命名,確保不會重名)
接下來,我們開始標註數據。
人工標註
這一步是所有步驟裡最耗費體力的一步了。為節省時間,我們在程序裡依次打開char目錄中的每張圖片,鍵盤輸入字符名,程序讀取鍵盤輸入並將字符名保存在文件名裡。代碼如下
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)
這裡一共標註了大概800張字符圖片,標註的結果存在名為label的目錄下,目錄下的文件是這樣的(文件名由原文件名+標註名組成)
接下來,我們開始訓練數據。
訓練數據
首先,我們從label目錄中加載已標註的數據
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)
接下來,訓練我們的模型
model = cv2.ml.KNearest_create()model.train(samples, cv2.ml.ROW_SAMPLE, label_ids)
訓練完,我們用這個模型來識別一下新的驗證碼。
檢測結果
下面是我們要識別的驗證碼
對於每一個要識別的驗證碼,我們都需要對圖片做降噪、二值化、分割的處理(代碼和上面的一樣,這裡不再重複)。假設處理後的圖片存在變量im_res中,分割後的字符的輪廓信息存在變量boxes中,識別驗證碼的代碼如下
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)
運行上面的代碼,可以看到程序輸出
yy4e
圖片中的驗證碼被成功地識別出來。
我們測試了下識別的準確率,取100張驗證碼圖片(存在test目錄下)進行識別,識別的準確率約為82%。看到有人說用神經網絡識別驗證碼,準確率可以達到90%以上,下次有機會可以嘗試一下。
閱讀更多 編程導師 的文章