2020年春运正式启动了，很多还在外地打工的朋友都还没有抢到票，其中就是我们的码农朋友，但是码农朋友平时都在写代码，没有时间抢票怎么办？这个时候就可以充分的利用自身优势了，用Python识别12306验证码来帮我们抢票，希望对大家有用。

如何让机器去识别?

(1) 基于图像识别

按照人类正常的思维习惯，想要选出符合标签的子图，就必须得判断出每张子图里的主体是什么。

所以，让机器去识别12306验证码的过程如下：

识别标签

识别每一张子图的主体

判断哪几张子图的主体和标签相符

在讲述该部分的内容之前，我想先安利下吴军大大的《数学之美》。

当时恰好在拜读此书，书中提到了自然语言处理(NLP)发展的2个阶段：“用电脑模拟人脑”到“基于数学模型和统计”。由此，我开始思考是否可以基于统计来实现12306验证码的识别。

再次回到本文开头的那张验证码图片，可以发现8张子图中有2张符合标签的“樱桃”图片，另有6张与标签毫无相关的图片，所以猜想：

如果能获得足够数量相同标签的12306验证码，那么正确的图片(即符合标签的图片)会大量重复出现

既然是猜想，自然需要实践的验证。

撸起袖子开始干!

Step1：写个小爬虫，从12306上爬取50,000张验证码，按1~50000进行编号

Step2：截取12306验证码标签区域(编号和原验证码图片保持一致)，将标签图片丢给百度OCR接口，利用返回的文本信息进行自动分类，结果表明共有80个不同的类别

from aip import AipOcr

def baiduOCR(imagePath):

with open(imagePath, 'rb') as fp:

image = fp.read()

result = client.basicAccurate(image) # 每天500次免费调用额度

# result = client.basicGeneral(image) # 每天50000次免费调用额度

if 'words_result' in result:

temp = '\n'.join([w['words'] for w in result['words_result']])

# 修正常见的OCR错误

textOCR = temp.replace(',','').replace('一','').replace('/','').replace('-','').replace('^','').replace('A','').replace(u'呖',u'日历').replace(u'平',u'斗').replace(u'姗',u'珊').replace(u'痴',u'狮').replace(u'捉',u'报').replace(u'凤',u'风')

return textOCR

Step3：分割每张验证码上的8张子图，并存入对应标签的文件夹

举个栗子：“篮球”标签文件夹里的子图

Step4：图片查重

关于图片查重有好多种方法(具体原理可查阅以下“maggie”的回答)，本文使用的是均值哈希(hash_size=16)，通过计算2张图片的汉明距离(Hamming Distance)是否小于5来判定两图片是否一致。

PS：Python已有图像哈希库，安装后直接调用均值哈希算法即可。

pip install imagehash

具体步骤如下(以“篮球”标签为例)：

1、新建“aHashDict”字典(key:保存图片的均值哈希值;value:以list形式保存对应图片的文件名)

2、遍历“篮球”文件夹内每一张图片，计算每张图片的均值哈希值

3、若图片哈希值与aHashDict字典中已有的key的汉明距离都不小于5，则说明该图片并未在此前出现过，则新建key,value对;若图片哈希值与某一key的汉明距离小于5，则说明该图片在此前出现过，故找到上述key对应的value，将图片的文件名添加进列表

from PIL import Image

import imagehash

def findSimilarImg(aHashDict, filename):

# 计算待检验图片的均值哈希(aHash)

img = Image.open(filename)

aHash = str(imagehash.average_hash(img,hash_size=16))

for k in aHashDict.keys():

# 计算汉明距离

temp = int(aHash, 16) ^ int(k, 16)

hammingDist=bin(temp).count('1')

# 判断两图片是否一致

if hammingDist < 5:

aHashDict[k].append(filename)

break

举个栗子，对“篮球”标签文件夹里的所有图片进行上述操作后，读取aHashDict来显示重现次数大于5的图片，如下视频所示，可看到满足上述要求的图片无一例外都是篮球!!!由此基本验证了我最开始的猜想是正确的!Bingo!!!

重点来了

有人会问了，前面讲了辣么多，可是还没提到怎么识别12306验证码呀!!!

不要急，其实12306验证码识别的核心内容都已经讲了，最关键的还是那句话：

如果能获得足够数量相同标签的12306验证码，那么正确的图片(即符合标签的图片)会大量重复出现

那么怎么做呢?

获取待验证的12306验证码

识别验证码的标签

读取对应标签的aHashDict字典

截取验证码上的8张子图，并计算每张子图均值哈希值(aHash)

对每一张子图的aHash与上述字典的所有key值计算汉明距离，如果与某key值的汉明距离小于5且该key值对应value的列表长度大于3(即训练样本里的重现次数大于3次)，则说明该图片很有可能是正确的图片，pick it!!!

进行了100次12306验证码测试，排除1次无法识别标签的情况，共有99次有效测试，成功次数为80次，成功率为80.81%!!!

以上就是12306验证码图像识别程序源码，仅供学习使用哦。更多python教程尽在PS下。