tesseract-ocr破解 验证码

 

Tesseract-ocr据说辨识程度是世界排名第三,可谓神器啊。

安装时候注意版本问题：Atention: Version 1.0.0 works fine with Ruby 2.0 and tesseract 3.0 and lower versions of rtesseract works fine with Ruby 1.8 and tesseract 2.0.4.

准备工作：

1.安装tesseract-ocr

 sudo apt-get install tesseract

   如果不能通过系统包工具安装，需要手动下载包，自己编译  详细可查看：http://ubuntuforums.org/showthread.php?t=1647350

   之前必须安装依赖包，还要安装字库：

cd /usr/local/share/tessdata
sudo wget http://tesseract-ocr.googlecode.com/files/eng.traineddata.gz
sudo gunzip eng.traineddata.gz

2.安装imagemagick

 sudo apt-get install imagemagick

3.安装rmagick

 sudo apt-get remove --purge librmagick-ruby-doc librmagick-ruby1.8
 sudo apt-get install libmagick9-dev ruby1.8-dev
 sudo gem install rmagick

先试一个简单的：

 require 'rubygems'
 require 'rtesseract'
 img = RTesseract.new("tmp/test.jpg")
 img.to_s.sub(/\s+$/, "") # => "3R8Z"

很成功，但这个太简单了。一般破解复杂点的验证码处理步骤是先用imagemagick灰度化，灰度反转，提高对比度，二值化等。然后再用ocr去识别。ocr识别黑白图片效果比较好些。

这个是人民网的验证码：

 img = MiniMagick::Image.new("tmp/people.jpg")
 img.colorspace("GRAY")#灰度化
 image = RTesseract.new(img.path)
 image.to_s.sub(/\s+$/, "") # => "254369"

 这个还是简单，再复杂一点的，这个是4399.com的验证码：

有黑色边框，有背景色，文字稍微扭曲。

 

 img = MiniMagick::Image.new("tmp/4399.jpg")
 img.crop("#{img[:width] - 2}x#{img[:height] - 2}+1+1") #去掉边框（上下左右各1像素）
 img.colorspace("GRAY") #灰度化
 img.monochrome #二值化
 image = RTesseract.new(img.path) #ocr识别
 image.to_s.sub(/\s+$/, "") #=> "5692"

 

像上面这样简单的识别率几乎能达到80%以上，扭曲太严重的识别率就很低了。有轻微噪点的就得自己写去噪算法了。。

 

还有一些验证码看起来很变态但是是纸老虎。像当当的。刷新了几次发现结果在1-20之间,选中一个数暴力破解每次也有1/20正确的概率。

还有139的：。答案就12种1-4A-Da-d。而且不区分大小写。选中一个字母每次有1/6的概率命中。

 

ps：研究破解验证码不是为了搞破坏。请勿跨省追捕。