浅谈验证码的识别技术

　　这些天出于一些需要，要求做程序识别某网站的验证码，于是潜心研究了一番，颇有心得，特此分享。

　　验证码识别这项工作不适合浮躁的人，它需要足够的技术和耐心。由于此技术的特殊性，任何一个被公开识别技术的验证码都会很快地失效，相关网站都会很快地更换验证码。所以本文只介绍最简单的验证码的识别和识别原理。

　　---------------------------

　　首先我选择一个最简单的验证码，找来找去，就选挑战网的评论验证码作为例子吧。随便打开挑战网一篇文章，找到发表评论处的验证码，查看其属性，获得其生成地址“ http://tiaozhan.com/checkcode.php ”。

　　显然，这是最简单的一类验证码：有固定的背景颜色，字符颜色，字体，连字符的坐标都是固定的。对于这类验证码，我们只需要对每个数字进行采样，建立标准库，然后应用的时候一一对照标准库，就可以轻易做到100%识别。

　　使用ImageCreateFromPNG函数把图片取回来，然后用imagecolorat函数取得每一个坐标点的色值，并且把第一个点的颜色确定为背景色。然后按照图像大小比例画一个表格，如果该单元对应的坐标颜色与背景色相同，不显示任何内容;反之显示黑色块。于是我们得到这样的分解图:

　　可以观察到，数字所占区域的y坐标是6-15，四个数字所占区域的x坐标分别为3-10，12-19，21-28，30-37。

　　于是建立以0-9为样本建立10个二维数组($arr_eg[0] - $arr_eg[9])，该数组每一个元素均对应该数字区域的每一个坐标，如果该坐标色值与背景相同，值为0，反之为1 。这就是我们的标准库。

　　识别的时候，同样取得四个数组，与标准数组一一对照，就可以精确地把四个数字识别出来。

　　同时附上此验证码识别程序，供大家研究。(demo.php是程序;arr.php是标准库)

　　附件: secode.rar (1688 字节)

　　-----------------------

　　以上的例子虽然简单，但是已经把基本原理介绍清楚了，就是 采样->建立标准库->应用->对照标准库->识别。

　　但是，实际应用中，遇到的往往不是如此简单的情况。比如下面是稍微复杂的一类验证码，它的背景和字符都不是纯色，还有很多干扰点，但其字符的坐标都是固定的。

　　首先我们对其进行去噪处理。就是首先把每个字符区域分割出来，按照出现的频率确定其主色值(字符的色值)，然后去除与其相差大于一定程度的坐标，过滤之后得到目标所在的坐标数组，然后同样与标准库对照。但是这种情况下是不会精确吻合的，我们只能选择吻合度最高的昨作为结果。经过实践，识别率可以达到99%。

　　再难一点的，就是下面这种：使用了变色、干扰点、干扰线、变位等几种用于干扰手段。

　　与上一种不同，它的每一个字符所在的位置是不确定的，这就需要我们自己去确定其位置，把字符所占据的大小固定的那一个小块切出来。首先把所有的干扰点和干扰线去掉(去掉之后字符是有所“误伤”的，通常会缺1-3个像素点)，得到比较干净的图，然后用一条横向和竖线去扫描它(比较形象的说法，具体如何实现请自己思考)，把扫到的没有出现颜色的横竖线全部去掉，把分析范围缩到一个较小区域。然后再用竖线扫描，根据颜色的出现与否，又得到5个小区域，每个小区域再用横线扫，除去空白，得到目标区域。得到的目标区域有时候会比标准区域小想办法补全，然后对照，按吻合率最高的原则得出结果。最后识别率达90%以上。

　　再难一点。就是目前我研究的最难的一种了。如图，这种验证码除了干扰背景之外，每个字符的位置，大小，甚至字体都是不确定的。还好每个字符之间没有粘连。没有粘连就比较容易切字(当然要比上面那种难)，切字之后字块大小不确定，所以很难建立标准库。我能想到的只有这样处理：切字之后对字块用横线或竖线扫描，根据其色块的坐标变化规律确定结果。目前正在实验中，能识别的字符还不完全，识别率也不甚理想。

　　---------------------

　　验证码识别这个问题算是人工智能和计算机视觉领域的一个难题。作为破解者，总是会处于劣势地位，而且此技术带有一定的不正当性，没有太多的研究交流，因此要做得很好，是非常困难的。而且个人对于很多OCR的技术，理解有限得很，不敢在此乱写，只能利用有限的知识，抛砖引玉而已。