《Python入门级识别验证码》
验证码（CAPTCHA）作为互联网安全中防止自动化程序恶意操作的常见手段，其识别技术一直是计算机视觉和人工智能领域的热门话题。对于Python初学者而言，通过实现简单的验证码识别项目，既能巩固图像处理基础知识，又能了解机器学习的基本流程。本文将从验证码的分类、图像预处理、特征提取到模型训练，逐步讲解如何使用Python完成入门级验证码识别任务。
一、验证码的分类与特点
验证码根据表现形式可分为数字字母混合型、汉字型、计算题型、滑动拼图型等。对于初学者，建议从结构简单的数字字母混合型验证码入手，这类验证码通常具有以下特点：
1. 字符数量固定（如4-6位）
2. 字符间存在间隔或干扰线
3. 背景可能包含噪点或扭曲变形
4. 字体颜色与背景形成对比
示例验证码图片（需自行准备）：包含4位数字字母的PNG图像，字符为黑色，背景为白色，带有轻微噪点。
二、环境准备与依赖库安装
在开始前，需安装以下Python库：
pip install opencv-python numpy pillow scikit-learn tensorflow keras
各库作用：
- OpenCV：图像处理与预处理
- NumPy：数值计算
- Pillow（PIL）：图像加载与保存
- scikit-learn：机器学习工具
- TensorFlow/Keras：深度学习模型构建
三、验证码图像预处理
预处理是验证码识别的关键步骤，目的是消除噪声、增强字符特征。以下是典型预处理流程：
1. 图像二值化
将彩色图像转换为黑白图像，突出字符轮廓：
import cv2
import numpy as np
def binary_image(img_path):
img = cv2.imread(img_path, cv2.IMREAD_GRAYSCALE)
_, binary = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY_INV)
return binary
2. 降噪处理
使用高斯模糊或中值滤波消除噪点：
def denoise_image(img):
denoised = cv2.medianBlur(img, 3) # 3x3中值滤波
return denoised
3. 字符分割
通过投影法或连通区域分析分割单个字符：
def split_characters(img):
contours, _ = cv2.findContours(img, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
characters = []
for cnt in contours:
x, y, w, h = cv2.boundingRect(cnt)
if w > 10 and h > 20: # 过滤小区域
char = img[y:y+h, x:x+w]
characters.append(char)
return sorted(characters, key=lambda x: x.shape[1]) # 按宽度排序
四、特征提取与数据准备
1. 手动特征提取（传统方法）
提取字符的HOG特征或像素统计特征：
from skimage.feature import hog
def extract_hog_features(img):
features = hog(img, orientations=8, pixels_per_cell=(16, 16),
cells_per_block=(1, 1), visualize=False)
return features
2. 数据集准备
需收集大量验证码样本，并按字符分类存储。例如：
import os
from PIL import Image
def prepare_dataset(dataset_dir):
X = []
y = []
for char_dir in os.listdir(dataset_dir):
char_path = os.path.join(dataset_dir, char_dir)
if os.path.isdir(char_path):
for img_file in os.listdir(char_path):
img_path = os.path.join(char_path, img_file)
img = Image.open(img_path).convert('L') # 转为灰度
img_array = np.array(img).flatten() # 展平为向量
X.append(img_array)
y.append(char_dir) # 假设目录名为字符标签
return np.array(X), np.array(y)
五、传统机器学习方法
1. SVM分类器
使用支持向量机进行字符分类：
from sklearn.svm import SVC
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import LabelEncoder
X, y = prepare_dataset('captcha_dataset')
le = LabelEncoder()
y_encoded = le.fit_transform(y)
X_train, X_test, y_train, y_test = train_test_split(X, y_encoded, test_size=0.2)
svm = SVC(kernel='rbf', C=1.0, gamma='scale')
svm.fit(X_train, y_train)
print("Accuracy:", svm.score(X_test, y_test))
2. 随机森林
替代方案：
from sklearn.ensemble import RandomForestClassifier
rf = RandomForestClassifier(n_estimators=100)
rf.fit(X_train, y_train)
print("RF Accuracy:", rf.score(X_test, y_test))
六、深度学习方法（CNN）
卷积神经网络（CNN）在图像分类中表现优异，适合验证码识别。
1. 数据预处理调整
将字符图像调整为统一大小（如32x32）：
def resize_image(img, size=(32, 32)):
return cv2.resize(img, size)
2. CNN模型构建
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Conv2D, MaxPooling2D, Flatten, Dense
def build_cnn_model(num_classes):
model = Sequential([
Conv2D(32, (3, 3), activation='relu', input_shape=(32, 32, 1)),
MaxPooling2D((2, 2)),
Conv2D(64, (3, 3), activation='relu'),
MaxPooling2D((2, 2)),
Flatten(),
Dense(128, activation='relu'),
Dense(num_classes, activation='softmax')
])
model.compile(optimizer='adam',
loss='sparse_categorical_crossentropy',
metrics=['accuracy'])
return model
3. 训练与评估
import numpy as np
from sklearn.preprocessing import LabelEncoder
# 假设已加载数据X_images（形状为(n_samples, 32, 32)），y_labels
X_images = np.array([resize_image(img) for img in X_images])
X_images = X_images.reshape(-1, 32, 32, 1) # 添加通道维度
le = LabelEncoder()
y_encoded = le.fit_transform(y_labels)
num_classes = len(le.classes_)
model = build_cnn_model(num_classes)
model.fit(X_images, y_encoded, epochs=10, batch_size=32)
# 评估
test_loss, test_acc = model.evaluate(X_test_images, y_test_encoded)
print(f"Test Accuracy: {test_acc:.4f}")
七、完整验证码识别流程
结合预处理、分割、识别步骤的完整代码：
import cv2
import numpy as np
from tensorflow.keras.models import load_model
def recognize_captcha(img_path, model_path):
# 1. 预处理
img = cv2.imread(img_path, cv2.IMREAD_GRAYSCALE)
_, binary = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY_INV)
denoised = cv2.medianBlur(binary, 3)
# 2. 字符分割
contours, _ = cv2.findContours(denoised, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
chars = []
for cnt in contours:
x, y, w, h = cv2.boundingRect(cnt)
if w > 10 and h > 20:
char = denoised[y:y+h, x:x+w]
char_resized = cv2.resize(char, (32, 32))
chars.append(char_resized)
# 3. 加载模型并预测
model = load_model(model_path)
chars_sorted = sorted(chars, key=lambda x: x.shape[1]) # 假设按宽度排序
predictions = []
for char in chars_sorted:
char_input = char.reshape(1, 32, 32, 1)
pred = model.predict(char_input)
pred_class = np.argmax(pred)
# 假设模型输出对应字符的顺序（需根据实际训练调整）
predictions.append(str(pred_class)) # 实际应为字符映射
return ''.join(predictions[:4]) # 假设验证码为4位
八、优化方向与注意事项
1. 数据增强：通过旋转、缩放、添加噪声增加样本多样性
2. 模型优化：调整CNN结构、使用预训练模型（如MobileNet）
3. 端到端识别：直接训练包含字符定位和分类的模型（如YOLO+CNN）
4. 反爬虫对策：实际网站验证码可能包含更复杂的干扰（如扭曲、重叠字符）
九、总结与扩展
本文通过Python实现了从验证码预处理到字符识别的完整流程。初学者可在此基础上：
1. 尝试更复杂的验证码类型（如汉字、计算题）
2. 结合Tesseract OCR等开源工具
3. 部署为Web服务（使用Flask/Django）
4. 研究对抗样本对验证码识别的影响
关键词：Python验证码识别、OpenCV图像处理、机器学习分类、卷积神经网络、特征提取、数据预处理、SVM模型、深度学习入门
简介：本文详细介绍了使用Python实现入门级验证码识别的完整流程，涵盖图像预处理、字符分割、传统机器学习（SVM/随机森林）和深度学习（CNN）方法，适合Python初学者学习计算机视觉与机器学习基础。
