利用机器学习识别验证码（从0到1）

最近喜欢先把测试结果图放前面。大家可以先看下效果。

识别速度并不是很快，代码并没有进一步优化。

本篇主要讲的是从制作验证码开始，到我们利用机器学习识别出来结果的过程。

利用机器学习识别验证码的思路是：让计算机经过大量数据和相应标签的训练，计算机习得了各种不同标签之间的差别与关系。形成一个庞大的分类器。此时再向这个分类器输入一张图片。分类器将输出这个图片的“标签”。图片识别过程就完毕了。

下面我们正式开始本篇内容。

一：生成验证码：

这里生成验证码的方式是使用了python的PIL库。他已经是Python平台上的图像处理标准库了。PIL功能非常强大，API也非常简单易用。

这里就放代码吧。

import random,os
from PIL import ImageFont,Image,ImageDraw,ImageFilter
def auth_code():size = (140,40)                             #图片大小font_list = list("0123456789")             #验证码范围c_chars = "  ".join(random.sample(font_list,4))  # 4个+中间加个俩空格print(c_chars)img = Image.new("RGB",size,(33,33,34))      #RGB颜色draw = ImageDraw.Draw(img)                  #draw一个font = ImageFont.truetype("arial.ttf", 23)      #字体draw.text((5,4),c_chars,font=font,fill="white") #字颜色params = [1 - float(random.randint(1, 2)) / 100,0,0,0,1 - float(random.randint(1, 10)) / 100,float(random.randint(1, 2)) / 500,0.001,float(random.randint(1, 2)) / 500]img = img.transform(size, Image.PERSPECTIVE, params)img = img.filter(ImageFilter.EDGE_ENHANCE_MORE)img.save(f'./test_img/{c_chars}.png')if __name__ == '__main__':if not os.path.exists('./test_img'):os.mkdir('./test_img')while True:auth_code()if len(os.listdir('./test_img'))>=3000:     # 你改成 10000就行了#我这个电脑太老了。break

运行之后，就在 test_img 生成了如图所示的验证码图片。我这里是直接在生成时候以图片名标注了验证码对应的数字。因为做案例嘛，不想再去爬验证码然后手动标注了。很累的！！

我这里生成的图片还是很干净的。如果你要搞比较复杂一点的图片，可以去看看下面贴的博客。

之前写过一篇利用opencv进行验证码处理，感兴趣可以看看，本篇的验证码并没有过多处理：https://blog.csdn.net/weixin_43582101/article/details/90609399

二：验证码分割

这里是要把我们生成的验证码，给切成4份，按照不同的标注，放到 train_data_img 不同的0—9的文件夹里面。

这个样子。做一个训练集。我这里分割也是处理的比较简单，按照宽度直接除以4 =。=

import os
from PIL import Image
from sklearn.externals import joblib
import time
def read_img():img_array = []img_lable = []file_list = os.listdir('./test_img')for file in file_list:try:image = fileimg_array.append(image)except:print(f'{file}:图像已损坏')os.remove('./test_img/'+file)return img_arraydef sliceImg(img_path, count = 4):if not os.path.exists('train_data_img'):os.mkdir('train_data_img')for i in range(10):if not os.path.exists(f'train_data_img/{i}'):os.mkdir(f'train_data_img/{i}')img = Image.open('./test_img/'+img_path)w, h = img.sizeeachWidth = int((w - 17) / count)img_path = img_path.replace(' ', '').split('.')[0]for i in range(count):box = (i * eachWidth, 0, (i + 1) * eachWidth, h)img.crop(box).save(f'./train_data_img/{img_path[i]}/'+img_path[i]+ str(time.time()) + ".png")if __name__ == '__main__':img_array = read_img()for i in img_array:print(i)sliceImg(i)

跑完之后，每个文件夹下面都有对应的验证码图片，并且他们的标注时图片名的首字母。

三：验证码特征提取

这里的思路是：利用 numpy 先把 train_data_img 图片转换成向量，我没有转01，嫌麻烦=。=

from PIL import Image
import numpy as np
import os
from sklearn.neighbors import KNeighborsClassifier as knn
def img2vec(fname):'''将图片转为向量'''im = Image.open(fname).convert('L')im = im.resize((30,30))tmp = np.array(im)vec = tmp.ravel()return vec

然后利用我们标注好的标签，来做一个特征提取，

tarin_img_path = 'train_data_img'
def split_data(paths):X = []y = []for i in os.listdir(tarin_img_path):path = os.path.join(tarin_img_path, i)fn_list = os.listdir(path)for name in fn_list:y.append(name[0])X.append(img2vec(os.path.join(path,name)))return X, y                 # x向量   y标签

然后构建一个分类器，

def knn_clf(X_train,label):'''构建分类器'''clf = knn()clf.fit(X_train,label)return clf

这里使用的是sklearn中的knn，我直接调包了。如果想看手写版本的，可以看之前写的KNN手写数字识别。https://blog.csdn.net/weixin_43582101/article/details/88772273

构建完分类器后，就可以把上面的结合起来，做一个识别模型了。

def knn_shib(test_img):X_train,y_label = split_data(tarin_img_path)clf = knn_clf(X_train,y_label)result = clf.predict([img2vec(test_img)])return result

四：验证码识别

我前面忘记搞测试集了，这次还是使用上面生成验证码的方法来生成一点测试集。

import random,time
import os
from PIL import ImageFont,Image,ImageDraw,ImageFilter
def auth_code():size = (140,40)                             #图片大小font_list = list("0123456789")             #验证码范围c_chars = "  ".join(random.sample(font_list,4))  # 4个+中间加个俩空格print(c_chars)img = Image.new("RGB",size,(33,33,34))      #RGB颜色draw = ImageDraw.Draw(img)                  #draw一个font = ImageFont.truetype("arial.ttf", 23)      #字体draw.text((5,4),c_chars,font=font,fill="white") #字颜色params = [1 - float(random.randint(1, 2)) / 100,0,0,0,1 - float(random.randint(1, 10)) / 100,float(random.randint(1, 2)) / 500,0.001,float(random.randint(1, 2)) / 500]img = img.transform(size, Image.PERSPECTIVE, params)img = img.filter(ImageFilter.EDGE_ENHANCE_MORE)random_name = str(time.time())[-7:]img.save(f'./test_data_img/{random_name}.png')
if __name__ == '__main__':if not os.path.exists('./test_data_img'):os.mkdir('./test_data_img')while True:auth_code()if len(os.listdir('./test_data_img'))>=30:break

测试集图片保存在 test_data_img 中，但是现在的图片是完整的，我们想要识别，就要按照之前的方法先进行图片切割，分成4份，然后拿我们的模型来识别。

from lx3验证码特征提取 import *
from lx2验证码分割     import *def sliceImg(img_path, count = 4):if not os.path.exists('test_split_img'):os.mkdir('test_split_img')img = Image.open(img_path)w, h = img.sizeeachWidth = int((w - 17) / count)for i in range(count):box = (i * eachWidth, 0, (i + 1) * eachWidth, h)img.crop(box).save('./test_split_img/' + f"{i+1}.png")if __name__ == '__main__':test_data_img = r'test_data_img\.059682.png'sliceImg(test_data_img)result = []for img in os.listdir('test_split_img'):result.append(knn_shib('test_split_img/'+img)[0])print(result)

到这里其实就结束了，这里的代码主要还是以案例为主，并没有进行优化，很多地方都需要改进，一些细节也没有处理，感兴趣的同学大家可以自己再进行改进。

祝大家端午节快乐啊。

数据和代码都放在github。可直接下载，https://github.com/lixi5338619/OCR_Yanzhengma/tree/master