复杂背景的验证码识别破解 以Discuz的动画验证码

对于比较复杂的验证码，比如DZ论坛最新的验证码，处理起来相对麻烦一些，原理还是和普通的识别一样的，无非多了个背景处理的方案，看如下对DZ论坛的验证码的识别的思路



我们要去除它的背景，对于这样稍微复杂的背景，用过去的方法很难做到，上图的例子还不是很明显，我发现很多图片背景色和字母色近似，而且字母颜色是不断变化的，背景也是不断变化的







那我初始的想法是找到图片中使用颜色最多的方法，于是我们用HSL表示各点颜色，接着进行统计，得到最大的几个峰值，这里便是图片中几个最丰富的颜色的L值得累加值



其余的都可以认为是噪音，我们对每个峰值进行分割，得到如下图片



你看这样就把单个颜色图片分割出来了，接下来就是找到图片中除去黑色和白色后的图片



然后进行灰化处理，阀值处理，降噪，得到



接着根据边界检测出来的最左侧x位置，来排序字母顺序



接下来的事情就轻车熟路了，把图片转成标准模板，通过少量学习就达到了95%以上的识别率

c:15 j:8 8:7 t:9 9:4 x:7 4:6 2:4 h:7 f:8 e:18 b:5 y:3 k:4 w:3 g:5 3:5 7:6 r:2 m:3 q:4 v:2 p:3 6:2
以上数据表示 c学习15次 j学习8次…



只要字符不粘连，大部分验证码干扰技术都是可以有办法，所以为什么google验证码看起来很简单，没有人能够很好的破解它得原因。

补充，
rise在留言中发现有一些字符加入杂点的问题，由于这种验证码不是很普遍，稍微做了研究


CY3E 这个图片3字中有杂点，其他没有，按照文章中介绍的办法，怎么知道这个3不是像其他颜色杂点一样的图片呢？


我觉得需要加入一个步骤，就是对每次过滤颜色生成出来的图片，进行填充
找到3的杂点原图


然后我们进行算法填充



这个图片与其他全部是杂点的图片之间的差别进行过滤，我考虑可以通过以下方法
1、连贯点的宽度
2、连贯点的个数
这样剩下的就只剩下CY3E的过滤后的图片

至于字符倾斜的问题，我觉得完全可以在机器学习过程中，我们自己旋转正在学习的图片一定角度，例如从-10到+10度，只不过这样的学习库会大一些，就10个数字的验证码来说，这点性能损失应该可以忽略不计。