基于SVM的验证码识别

       沉寂了这么久，该总结下近期工作了。近期主要工作是毕业设计，多标记分类算法。我选择用SVM（Support Vector Machine）作为核心算法。其实之所以选择这个毕业设计课题，是因为在以往用python做网页爬虫的过程中，遇到验证码识别问题，用穷举法，对于稍微复杂的，位数高，包含字母的在时间上不具有可行性，更有些网站对一个验证码不能重复尝试的问题，无法解决。最好的方法是识别。
      本程序用python语言，PIL图像处理模块，svmlight作为分类器，以前用过的一个测试网站作为验证码图片来源（图片数字规整，位置很正，只是有些噪声点，所以比较简单）下面是步骤：

1、获取图片： 
#getpic.py
#python ver 2.7

__author__ = 'Directorli'

import urllib

def getone(filename):

    pic=urllib.urlopen("http://localhost/getcode.asp")

    file=open("bmp\\%s.bmp"%filename,"wb")

    file.write(pic.read())

for i in range(100):

    getone(i) 

得到一百张验证码图片

2、 对图片进行切割，每个图片切成四个单独的数字
#cutpic.py
#python ver 2.7

__author__ = 'Directorli'

import Image

def cut(x,y,ifile,ofile):

    im = Image.open('bmp\\'+ifile)

    box = (x-10,0,x,10)

    xim = im.crop(box)

    xim.save('bmp\\cut\\'+ofile)

o=0

for i in range(400):

    for j in range(1,5):

        cut(10*j,10*j,str(i)+".bmp",str(o)+".bmp")

        o = o + 1

 如图

3、 手工分拣，制作训练集：
 

4、程序重命名 
#chname.py
#python ver 2.7

__author__ = 'Directorli'

import os

path="bmp\\cut\\"

a = os.listdir(path)

for b in a:

    pathb = path + b +"\\"

    c = os.listdir(pathb)

    n = 0

    for d in c:

        os.rename(pathb+d,pathb+str(n)+b+".bmp")

        n = n + 1
 
名字最后一位就是数字本身

5、建立训练集(400个)： 

 

6、训练svm，生成 模式 
#train.py
#python ver 2.7

__author__ = 'Directorli'

import Image

import os

import svmlight

def binary(x,y,file):

    im = Image.open(file)

    Lim = im.convert('L')

    threshold = 80

    table = []

    for i in range(256):

        if i < threshold:

            table.append(0)

        else:

            table.append(1)

    # convert to binary image by the table

    bim = Lim.point(table, '1')

    bdata=bim.load()

    out=""

    for a in range(y):

        for b in range(x):

            out = out + str(bdata[b,a])

        #out = out + '\n'

    return out

def totrain(x):

    path = "bmp\\cut\\all\\"

    filelist = os.listdir(path)

    #print filelist

    f=[]

    for one in filelist:

        # print path[-5]

        # print binary(10,10,path)

        a = binary(10,10,path+one)

        d=[]

        c = 1

        for b in a:

            d.append((c,int(b)))

            c = c + 1

        # print d

        if str(x) == one[-5]:

            e = (1,d)

        else:

            e = (-1,d)

        f.append(e)

    #print e

    #print f

    return f

def trainall():

    for i in range(10):

        training_data = totrain(i) #train set

        #test_data =test       #test set

        # train a model based on the data

        model = svmlight.learn(training_data, type='classification', verbosity=0)

        svmlight.write_model(model, 'model'+str(i))  #write model

        #model=svmlight.read_model("my_model.dat")    #read model

        #predictions = svmlight.classify(model, test_data)

生成的知识模式（model 0~9）：
 

7、再获取一定数量的验证码图片试着识别：
因为图片太规整，识别率太高（100%） ，所以对图片手动加些处理

以下是机器命名的，识别率任然算高  
上代码： 
#ocr.py
#python ver 2.7

__author__ = 'Directorli'

import Image

import svmlight

def binary(x,file):

    im = Image.open(file)

    Lim = im.convert('L')

    threshold = 80

    table = []

    for i in range(256):

        if i < threshold:

            table.append(0)

        else:

            table.append(1)

    # convert to binary image by the table

    bim = Lim.point(table, '1')

    bdata=bim.load()

    out=""

    for a in range(10):

        for b in range(x*10,x*10+10):

            out = out + str(bdata[b,a])

        #out = out + '\n'

    return out

def chformat(x):

    f=[]

    d=[]

    c = 1

    for b in x:

        d.append((c,int(b)))

        c = c + 1

    e = (1,d)

    f.append(e)

    return f

def ocr(filename):

    result=""

    for num in range(4):

        t =  binary(num,filename)

        test = chformat(t)

        for i in range(10):

            model=svmlight.read_model("model"+str(i))    #read model

            prediction = svmlight.classify(model,test)

            #print prediction

            if prediction[0] >0:

                #print i

                result = result + str(i)

    print(result)

    return result

#ocr("code.bmp")

import os

allfile = os.listdir("test\\")

for a in allfile:

    b = str(ocr("test\\"+a))

    os.rename("test\\"+a,"test\\"+b+".bmp")