验证码识别分析

       前几天抢火车票，自己抢到后又帮同事抢，抢的真是不亦乐乎，这是一个惊险和恐怖的过程。同时对于很多人来讲这也是一个非常具有时代特征的过程，从大环境来讲，现在春运一票难求，一张票千人抢，但这种情况肯定会逐渐缓解，相信在过几年春运车票会好买很多；同时随着大家收入逐渐增加，大家还可以选择做飞机回家，届时不管车票好买与否，都不会再去抢票了。所以这种抢票经历很具有时代特征，赶紧珍惜每一次抢票吧，哈哈！再说说抢票过程中的惊险和恐怖吧。2011年铁路开始网络售票，对于很多人来说，结束了排着绝望长队买票的历史，开始了电脑前点点鼠标就能通过网络购票的全新体验。在春运这个时间节点，网络购票有什么惊险和恐怖呢？惊险，主要体现在购票过程中验证码填写过程。购票时，用户登录要填一次验证码，预定买票时还要填一次验证码，如果验证码没看清，不小心填写错误，那基本要杯具了，订单提交慢了半拍，票就会被别人抢走了，够惊险吧；恐怖，这两天有新闻报道说有付费抢票软件破解了12306验证码，然后黄牛使用这种软件短时间内就刷走近千张车票，这可是10几节车厢的票，自己也是搞软件的，人肉抢票怎么可能抢的过计算机，你说这恐怖不，当然在这么惊险和恐怖的情况下还能抢到票，那真是太刺激了。上面说的惊险和恐怖都涉及到一个“小东西”，那就是验证码，虽然验证码的概念在脑中形成已久，但一直没有具体看这方面的资料，今天看了几篇验证码识别相关文章，发现这篇文章写的挺清晰，摘录一下。原文链接：http://www.chinasb.org/archives/2013/01/5048.shtml

       1 验证码识别技术
       验证码识别技术属于模式识别的范畴，具体来讲它属于模式识别中的文字识别。验证码识别技术与手写体字符识别技术比较接近，但是一方面验证码比手写体字符多了许多干扰，一方面验证码字符的变化又不如手写体字符丰富，所以它们之间还是有一定的区别。模式识别系统一般具有如图1所示结构，主要包括预处理、特征提取、训练和识别几个部分，验证码识别系统也不例外。根据验证码的特点，研究表明验证码识别的难点和重点在于预处理，即去除噪声、干扰和字符分割。

                                                    

                                                                             图1 模式识别系统原理结构框图

       本文以下图所示验证码的识别为例来介绍验证码识别技术。

                                                                     

       1.1预处理

       预处理是在验证码学习和识别之前对验证码图片进行前期处理，主要包括Jpeg解码、二值化、去除噪声和干扰、字符分割、归一化等。预处理的好坏极大地影响到识别性能，其中去除干扰和字符分割尤为重要。

       Jpeg解码 ：并非所有验证码的识别都需要进行Jpeg解码，但是本验证码图片为Jpeg格式，只有先经过Jpeg解码才能进行处理。本程序采用GDI++进行Jpeg解码，通过调用相关函数，使Jpeg格式的验证码图片首先转换为bmp格式，暂存于临时文件CodeBmp.bmp中，然后再打开CodeBmp.bmp文件进行处理。Jpeg解码的相关函数调用如下：
gdiplus.ConvertPic(L”image/bmp”, DllDir+”/CodeBmp.bmp”, PicPath); //将jpg格式转换为bmp格式

       二值化：二值化是将验证码图片的灰度值，以某一阈值为限，转换为0或255，即黑和白，以便于处理。因为本验证码的字符灰度偏白，所以在进行二值化之前先进行了灰度反置，即让背景变白，让字符变黑。二值化阈值根据具体验证码分析所得，选择合理的阈值可消除很多背景、噪声，同时不损伤字符笔画。本程序的二值化阈值设为120，可以很好的去除背景。

       去除噪声和干扰：二值化后大部分噪声都已经去除，但是还有很多干扰线，不去除这些干扰线就不可能进行后续的处理。通过对本验证码干扰线的特点进行分析，发现干扰线很细，比字符笔画细很多，干扰线的高度为1个象素，干扰线相交处的高度一般为2个象素。本程序首先去除了所有高度为1的点线，然后去除了高度为2且与高度为1的象素相通的点线。

       字符分割：字符分割即把验证码图片分割成单个的字符，这是有效识别的基础。本程序先利用种子填充算法得到几个连通线，这样未粘连的字符即可分割。对于粘连字符，还需要进一步分割。粘连字符的判别主要依据字符的点数和宽高比特征，大于某一阈值则初步判断为字符粘连。阈值根据验证码特征统计分析所得。对于初步判断为粘连的字符，为了防止判断错误，还用预识别的方法进行了进一步判断，如果能很好地识别也不认为是粘连字符。对于粘连字符的分割，本程序采用在垂直投影图中找谷点的方法进行分割。

       归一化：验证码字符存在位置偏移、大小不一、旋转不定的特点，如果不进行归一化就不能很好识别。本程序采用质心对齐和线性插值放大的方法进行归一化，使字符变为统一的规格，以便于进行匹配识别。

       1.2特征提取
       特征提取是从经过预处理的字符图片中，提取出一定维数的特征向量，这样能提高字符匹配和识别的存储量和运算速度。字符有很多特征，选用合适的特征才能达到正确识别的目的。本程序采用了字符的区域密度的特征，即将字符分为5*5的25个方格区域，计算每个方格中的点数与字符总点数之比，以得到25维特征向量。该特征反映了字符笔画的空间分布情况，并且对字符笔画的粗细不敏感。

       1.3 训练
       训练是从训练集验证码中提取出标准模板，即标准特征库的过程。本程序采用了1500个验证码进行训练，使每个字符都有200个左右的标准模板。通过预处理和特征提取后，将训练集验证码的特征向量存入文件std.inf中。训练时需要指明各验证码的正确值。为了不出现错误的标准模板，对于分割时发现有字符粘连的训练集验证码不加入模板库。

       1.4 识别
       本程序采用最近邻判别法进行识别，即将每个字符的特征向量与标准特征库中的特征向量进行匹配，与哪个字符的匹配最好就判别为哪个字符。具体匹配方法是计算特征向量之间的欧几里德距离，如以下公式所示：

                                                               Length=∑|CurrPara[i]-StdPara[i]|2

       其中CurrPara为待识别字符的特征向量，StdPara为标准模板的特征向量，i=0,1,2,…,24。待识别字符与哪个标准模板的欧几里德距离最小，就表示和哪个模板最匹配，即判别为哪个字符。依次对验证码的各个字符进行识别，即可识别出验证码字符串。本程序还返回了识别结果的可信度reliability。可信度依据验证码的最大最近邻距离计算所得，最大最近邻距离指验证码中各字符最近邻距离的最大值。本程序根据多个阈值对最大最近邻距离进行分段，每个分段返回一个可信度。最大最近邻距离的阈值根据验证码识别情况统计分析所得。Reliability=80表示识别结果80%可信。测试表明Reliability≥80时有很高的可信度。

       2 验证码反识别方法
       结合笔者的研究，提出一些验证码反识别的方法。
       （1）使字符粘连，或加干扰线使字符无法分割，一旦字符无法分割将大大增加识别难度。
       （2）验证码中加入的背景、干扰点、干扰线等要与字符的灰度交错重叠，使程序无法提取出干净的字符。
       （3）验证码中的字符应该采用非标准字体，并使字符随机缩放、旋转、偏移。
       （4）增加字符分类数，增加字符个数，字符个数随机，可以增大识别难度，使程序识别率降低。

注：

欧几里得度量（euclidean metric）是一个通常采用的距离定义，指在m维空间中两个点之间的真实距离，或者向量的自然长度（即该点到原点的距离）。在二维和三维空间中的欧氏距离的就是两点之间的实际距离。