验证码识别，最新Discuz验证码和PhpWind验证码的识别

需验证码识别，对常用论坛的验证码识别的时候大家用来做群发是最合适不过了。一个非常有意义的参考

注：非crazycoder原装，文章是转载的，原文出处不祥了，很多地方都有，找不到原出处了

验证码(captcha)是伴随自动提交程序(spam)的出现而出现的。现在各种论坛、博客、投票等程序都带有验证码功能。大部分验证码都比较容 易识别，只需要简单对照一下特征码就可以得到百分之百准确的结果。也有稍微复杂一点的，比如phpwind和discuz的验证码。

前段时间做了phpwind和discuz的验证码识别，phpwind6.0以前的验证码和discuz最新的验证码如果在不改变后台验证码配置的情况下，识别正确率几乎可以达到100%，现在跟大家分享一下识别方法。

验证码识别一般分为以下几个步骤：

1. 取出字模
2. 二值化
3. 计算特征
4. 对照样本

各种验证码在具体的步骤上操作会有所不同。

我的程序是用VC++写的，这里不贴详细代码了，只讲识别方法。

先说phpwind验证码的识别方法：

具体分为这几步：

1. 把图片横向等宽分为4块
2. 找出每块图片中分布最多的一种颜色
3. 与已有样本比较得出结果

因为这个验证码的字符分布几乎是等宽的，所以我们首先把图片切为4份，这样方便取出每一个字符。分成4块后，通过每一块中的颜色值对比可以很快得到 字符的特征。因为每一块中字符的颜色值比杂点颜色值要多很多，而且字符是纯色的，所以只要统计出最多的一种颜色，然后去除其它颜色就可以得到只有字符的干 净图片。然后对图片二值化（即构造一个二维数组对应图片上有颜色的点，把有颜色的点的数组值置为1，无颜色的置为0），与样本比对即可得到字符。当然首先 要得到样本。样本的制作与上面分析的步骤一致。经过测试，上面这种方法的识别率是100%的，不会有差错。

discuz的验证码识别较之phpwind要稍难一点。因为图片带有不太容易去掉的背景。字符也不是单纯的字符，有阴影边框，而且不等宽，位置不确定。我们具体分为以下几步：

1. 去除背景色
2. 分出每一个字符区域
3. 用轮廓法（berg）得到特征码
4. 与样本比较得出结果

这个背景色是渐变的而字符的颜色是不变的。首先去除对角线上找不到相同颜色的点，然后统计出每一种颜色占用的区域的宽度和高度。去除占用区域高度小 于图片总高度1/5或大于图片总高度2/3的点，因为一个字符不可能达到这种尺寸。再去除密度（即颜色点数/颜色所占的区域宽高的积）小于15%的点。剩 下的就只有干净的字符的颜色点了。

把这些点分为4份。（分割的办法为从左到右用一条竖直的线扫描，扫描线经过的连续区域就是字符区域。）分成4个字符块后，我们就可以对每一个字符块进行轮廓特征取值。

什么是轮廓法？我是由berg（berg是网易社区的牛人，对我帮助不少）那里获知验证码识别中的轮廓法。即将一个字模点阵，以四条直线由上下左右 4个方向向字符中心扫描，遇到点即停下，把每一条线通过的路径长度记下。然后以比路径长度和其它一些相关的参数得到正确的字符。

我稍微变换了一下轮廓法。即把4个方向上的路径长度变为波的形式。波峰记为1，波谷记为0，最后得到一个由1和0组成的特征串，与样本串比较即可得 到匹配结果。有几个字符，如V和Y、H和M、4和6等，得到的特征串可能是一样的，这样需要通过其它的一些参数来辅助得到结果。

下面是我计算的特征串和字符的对照样本：
10-10-10-10- X
1-1010-1-10101- W
-1010--- W
1--1-101- T
-1-1010-10- R
--10-10- R
101-101-1010-1010- Q
-1-101-1- P
--1-1- P
-10--1010- M
-10-10-10- K
10-10-1-1- J
10-10--- J
101-101-1010-10- G
--101-1- F
--1010-- E
101-101-10101-101- C
101-10-10-10- C
-1-10101-1- B
---- B
10101-101-101-101- 9
1---10- 9
-101--- 8
10--1-101- 7
-1-10-- 6
1-101-10-101- 4
1010---- 3
1010-101-1010-- 2
10--10-- 2
//below is equivocal
1-10-1-101- V  //Y
10-10-10-- G  //Q
-10--10- H  //M
10101-101-10101-101- 3  //8
101-101-101-101- 4  //6

 

上面这种方法，对discuz的默认验证码，即如图所示的验证码识别正确率为100%

 

上面对phpwind和discuz的验证码识别方法均没有用到高级的算法，更加没有用到人工智能的知识，不免有点遗憾，不过准确率相当高，也容易看懂。

在实际应用中可能遇到一些问题，比如discuz验证码可以在后台设为gif图片格式。如何把gif动画中那一个字符帧转为bmp图片呢？下面是VC里面的方法：

BOOL CCaptchaBreak::Gif2Bmp(CString &sPath)
{
 ULONG_PTR   GdippToken;  
 GdiplusStartupInput   GdippStart;  
 GdiplusStartup(&GdippToken,&GdippStart,0);
 BSTR bsTemp = sPath.AllocSysString();
 Bitmap   bmp(bsTemp);
 ::SysFreeString(bsTemp);

 int   FrameCount,FramePos,size,pause;  
 PropertyItem*   pPropItem;  
 GUID   pageGuid;  
 GUID*   pDimID;  
 UINT   count;  

 count=bmp.GetFrameDimensionsCount();  

 pDimID=new GUID[count];  

 bmp.GetFrameDimensionsList(pDimID,count);  
 FrameCount=bmp.GetFrameCount(&pDimID[0]);

 if (1==FrameCount) //if is bmp then exit
 {
  delete[]pDimID;  
  return FALSE;
 }

 size=bmp.GetPropertyItemSize(PropertyTagFrameDelay);  
 pPropItem=(PropertyItem*)malloc(size);  

 bmp.GetPropertyItem(PropertyTagFrameDelay,size,pPropItem);  
 delete[]pDimID;  

 pageGuid=FrameDimensionTime;  
 FramePos=0;

 int iFontFramePos = 0;
 int iMaxPause = 0;
 while (FramePos

 return TRUE;
}

BOOL CCaptchaBreak::GetEncoderClsid(const WCHAR* format, CLSID* pClsid)
{
 UINT  num = 0;          // number of image encoders
 UINT  size = 0;         // size of the image encoder array in bytes

 ImageCodecInfo* pImageCodecInfo = NULL;

 GetImageEncodersSize(&num, &size);
 if(size == 0)
  return FALSE; 

 pImageCodecInfo = (ImageCodecInfo*)(malloc(size));
 if(pImageCodecInfo == NULL)
  return FALSE; 

 GetImageEncoders(num, size, pImageCodecInfo);

 for(UINT j = 0; j < num; ++j)
 {
  if( wcscmp(pImageCodecInfo[j].MimeType, format) == 0 )
  {
   *pClsid = pImageCodecInfo[j].Clsid;
   free(pImageCodecInfo);
   return TRUE;  // Success
  }   
 }

 free(pImageCodecInfo);
 return FALSE; 
}