识别动网验证码和CSDN验证码的思路

动网的验证码

基于矢量，掺杂矢量的角度值随机偏移和长度值随机偏移，默认的比例为角度：10度和长度：10%

特点：

1. 图片大小固定，默认80*20。数字个数固定，默认4，每个数字大小固定，默认20*20。
2. 矢量随机角度值(默认随机量10°)和随机长度值(默认随机量10%比率)。最终图片根据随机后的点阵自动缩放大小调整。
3. 有随机噪点。默认噪点比率：背景20%，数字10%。
4. 噪点特征：Brightness > 50
5. 数字可随机颜色。数字的Brightness均为50

识别思路如下：

1.去噪点

滤去所有Brightness不是50的点。这样会使数字上的噪点也被除去，造成数字失真。由于实际上采用的识别比对是基于统计的，所以关系不大。但也可以使用带权的中值滤波进行一定程度的修复。权值： 当前点 : 临接点 : 斜点 = 4 : 2 : 1 = 0.25 : 0.125 : 0.0625 。 将Brightness>50的点填充为白点，=50的点填充为黑点，存到数组中也可以只用bool或者 0/1表示

ps: 取 Brightness 的方法，请搜索 HSB/ HSV 的说明。.net 2.0中 Color.GetBrightness方法可以直接取到，结果值域 [0.0,1.0]

2.分块统计

将20 * 20的数字及其背景分为 5 * 5 个小块，每块包含16个像素点，存放在一个25个元素的数组。由于前面已经做过去噪，所以数组中可以仅仅存储该小块内包含的数字点的个数。

3.比对

将与数据库中存储的0~9十个数字的对应小块的点数值进行方差计算。与0~9中分块点数的方差最小的数字作为识别结果返回。

4. 数据库说明

数据库中的数据可通过学习统计而来。大约对每个数字统计100~200个左右的样本即可。

5. 分析

• 优点：识别相当精确。目前的验证程序对于单个字母已经可以达到90%以上的准确率。对除2/7 、 6/8/9 数字对以外的数字可以达到 95%以上准确率
• 缺点：中值滤波对数字轮廓有一定变形作用，滤波之后会可能导致变形过大的数字识别错误，但也可能会加强某些特征。比如2/7、6/8、8/9
• 性能未进行测试，目前使用C#2.0，在粗糙的优化后，识别每个验证码的时间不超过1秒，4数字的识别率未测试。
• 可能可以提高准确率的方法：
  • 记录方差的同时，记录学习数据的方差的平均值。识别比对时寻找方差与期望差值最小的进行比较
  • 合理使用中值滤波和旋转。把去方差最小的前三个识别数据，再进行旋转变换和中值滤波，使用原比对算法进行识别，预计可以提高图片识别的准确率到95%
  • 对于固定图片大小的，每次形状相同或者类似的验证码，均可以使用这个思路解决

 6.测试结果

未加中值滤波操作

对程序进行了100次识别测试，每次四个字符，正确89次，失败9~11次，其中错误12个字符，有两个1/2完全无法分辨，所以不能判断是正确还是错误，还有两个识别错误的，肉眼也同样很难分辨。

字符识别准确率在97%左右。个别字符，如3,4,7,0，没有出现错误，可以认为99%以上准确率。

可以认为总体识别准确率在90%左右。连续两次识别错误的概率在1%左右(测试时有两次连续两次识别错误 -_-!! )

错误字符如下：

识别错误统计

原字符

识别字符

出现次数

8 6 3 9 4 1 6 5 2 6 2 1 2 3 1 8 3 1 1 2 2 （ 不确定原字符为1还是2） 5 3 1 合计   10~12

测试识别消耗时间如下：

1 载入识别库     操作耗时：  31 ms ,     312500 ticks
2 网络抓取　     操作耗时： 203 ms ,    2031250 ticks
3 保存　　　     操作耗时：  31 ms ,     312500 ticks
4 识别　　　     操作耗时：  31 ms ,     312500 ticks
0 全部操作　     操作耗时： 296 ms ,    2968750 ticks

若只进行识别操作仅需100ms左右。

附本人测试机配置如下：

AMD Opteron 3000+ , 512M Ram (外频未知), 80 G ATA 133 HD , 网络为 ADSL 2M

---

 

CSDN验证码

特点：验证码位置随机，没有旋转。有噪点和干扰线，随机颜色的边框。字符颜色采用渐变色，斜体，大小无变化。相邻字符会发生粘连的情况。

识别思路：

1. 去边框
2. 去干扰线和噪点。
   • 仍然采用类似于上面的分析方法。去除S/B中某个域。即可以比较完美的去除所有的噪点和干扰线
   • 由于干扰都出现在背景中，处理完毕后的图像不会发生大的退化。这是比较弱的一个方面
3. 识别
   1. 从左到右竖向扫描，查找第一个字符的位置，获取一个宽度内的像素点。
   2. 与数据库字符样本进行每个像素的比对或者特征点比对。由于字符没有变形和旋转，所以比对可以采用 == 进行。并统计不匹配点所占该样本点的个数的比率。最小的即为识别结果
   3. 根据样本数据库中记录的匹配样本的宽度，去除该宽度范围（需要考虑到斜体字符的倾斜角度）内的点，从当前点往后进行下一个字符的扫描。
4. 分析
   • 优点：可以消除粘连字符的影响
   • 缺点：前面字符的识别结果会影响到后面的
   • 由于没有写程序验证，猜想速度可能会比较慢
   • 此种方法对字符本身无变形，位置随机的会有比较好的效果

 

---

 

其他验证码

QQMail / Gmail / Hotmail （怎么都是mail ^_^）的大变形验证码不要找我 ~_~

QQ Zone的没有仔细看过，可以一试

 

---

 

后记

现只对动网验证码写出了识别程序。辛苦所得，暂不公布源码 (*^__^*)