验证码识别技术研究

转载自：http://hi.baidu.com/mrcaptcha/blog/item/051ff527f3b25727d40742a0.html

一、验证码的基本知识 枾e剉9ei?T ÿ峇Õ?Otilde;?RMb剉(gl?ÿ}?q_N&y 1. 验证码的主要目的是强制人机交互来抵御机器自动化攻击的。 峇&Otilde 2. 大部分的验证码设计者并不得要领，不了解图像处理，机器视觉，模式识别，人工智能 的基本概念。 峇&Otilde 3. 利用验证码，可以发财，当然要犯罪：比如招商银行密码只有6位，验证码形同虚设，计 算机很快就能破解一个有钱的账户，很多帐户是可以网上交易的。 峇&Otilde 4. 也有设计的比较好的，比如Yahoo,Google,Microsoft等。而国内Tencent的中文验证 码虽然难，但算不上好。 枾e剉匏Ь酹 Ë?? 薹嘌鹒: |ô??騳aa岿 二、人工智能，模式识别，机器视觉，图像处理的基本知识 1)主要流程： 枾e剉匏Ь酹 Ë?? 薹嘌鹒: |ô??騳aa岿 比如我们要从一副图片中，识别出验证码；比如我们要从一副图片中，检测并识别出一张 人脸。 大概有哪些步骤呢？ 1.图像采集：验证码呢，就直接通过HTTP抓HTML，然后分析出图片的url，然后下载保存就 可以了。 如果是人脸检测识别，一般要通过视屏采集设备，采集回来，通过A/D转操作，存为 数字图片或者视频频。 枾e剉匏Ь酹 Ë?? 薹嘌鹒: |ô??騳aa岿 2.预处理：检测是正确的图像格式，转换到合适的格式，压缩，剪切出ROI，去除噪音，灰度 化，转换色彩空间这些。 枾e剉垥d?射焫 蕒礵 ®?THORN;攩s窟 &nti 3.检测：车牌检测识别系统要先找到车牌的大概位置，人脸检测系统要找出图片中所有 的人脸（包括疑似人脸）；验证码识别呢，主要是找出文字所在的主要区域。 4.前处理：人脸检测和识别，会对人脸在识别前作一些校正，比如面内面外的旋转，扭曲 等。我这里的验证码识别，“一般”要做文字的切割 枾e剉垥d?射焫 蕒礵 ®?THORN;攩s窟 &nti 5.训练：通过各种模式识别，机器学习算法，来挑选和训练合适数量的训练集。不是训练 的样本越多越好。过学习，泛化能力差的问题可能在这里出现。这一步不是必须的，有些识 别算法是不需要训练的。 枾e剉垥d?射焫 蕒礵 ®?THORN;攩s窟 &nti 6.识别：输入待识别的处理后的图片，转换成分类器需要的输入格式，然后通过输出的类 和置信度，来判断大概可能是哪个字母。识别本质上就是分类。 2)关键概念： 图像处理：一般指针对数字图像的某种数学处理。比如投影，钝化，锐化，细化，边缘检测， 二值化，压缩，各种数据变换等等。 枾e剉垥d?射焫 蕒礵 ®?THORN;攩s窟 &nti 1.二值化：一般图片都是彩色的，按照逼真程度，可能很多级别。为了降低计算复杂度， 方便后续的处理，如果在不损失关键信息的情况下，能将图片处理成黑白两种颜色，那就最好 不过了。 眕寑}??柫X Tlte??pound;漲晿槃v誰 2.细化：找出图像的骨架，图像线条可能是很宽的，通过细化将宽度将为1，某些地方可能 大于1。不同的细化算法，可能有不同的差异，比如是否更靠近线条中间，比如是否保持联通 行等。 眕寑}??柫X Tlte??pound;漲晿槃v誰 3.边缘检测：主要是理解边缘的概念。边缘实际上是图像中图像像素属性变化剧烈的地 方。可能通过一个固定的门限值来判断，也可能是自适应的。门限可能是图像全局的，也可 能是局部的。不能说那个就一定好，不过大部分时候，自适应的局部的门限可能要好点。被 分析的，可能是颜色，也可能是灰度图像的灰度。 眕寑}??柫X Tlte??pound;漲晿槃v誰 机器视觉：利用计算机来模式实现人的视觉。 比如物体检测，定位，识别。按照对图像 理解的层次的差别，分高阶和低阶的理解。 眕寑}??柫X Tlte??pound;漲晿槃v誰 模式识别：对事物或者现象的某种表示方式（数值，文字，我们这里主要想说的是数值）， 通过一些处理和分析，来描述，归类，理解，解释这些事物，现象及其某种抽象。 眕寑}??柫X Tlte??pound;漲晿槃v誰 人工智能：这种概念比较宽，上面这些都属于人工智能这个大的方向。简单点不要过分 学院派的理解就是，把人类的很“智能”的东西给模拟出来协助生物的人来处理问题，特别是 在计算机里面。 三、常见的验证码的破解分析 以http://libcaca.zoy.org/wiki/PWNtcha这里PWNtcha项目中的资料为例分析，各种验 证码的破解。（方法很多，仅仅从我个人乍看之下觉得可行的方法来分析） 1)Authimage 使用的反破解技巧： 枾e剉9ei?T &;峇Õ?Otilde;?RMb剉(gl?ÿ}?q_N&y 1.不连续的点组成字符 2.有一定程度的倾斜 设计不好的地方： 枾e剉9ei?T ÿ峇Õ?RMb剉(gl?ÿ}?q_N&y 1.通过纵横的直方图投影，可以找到字幕区域 2.通过Hough变换，适当的参数，可以找到近似的横线，可以做倾斜矫正 3.字符串的倾斜式面内的，没有太多的破解难度 4.字母宽度一定，大小一定 2)Clubic 使用的反破解技巧： 枾e剉9ei?T &a;yuml;峇Õ?Otilde;?Rb剉(gl?ÿ}?q_N&y 1.字符是手写体 设计不好的地方： 1.检测切割阶段没有任何技术含量，属于设计的比较丑的 2.只有数字，而且手写体变化不大 3.表面看起来对识别阶段有难度，仔细分析，发现几乎不用任何高级的训练识别算法，就 固定的招某些像素点是否有色彩就够了 3)linuxfr.org 使用的反破解技巧： 枾e剉9ei?T &峇Õ?Otilde;?RMb剉(gl?ÿ}?q_N&y 1.背景颜色块 2.前景的横线或矩形 设计不好的地方： 1.背景色是单一色块，有形状，通过Region-Growth区域增长来很容易把背景给去掉 2.前景色是标准的线条，色彩单一 3.字母无粘连 4.都是印刷体 枾e剉9ei?T ÿ峇∓Otilde;?Otild;?RMb(gl?&am;yuml;}?q_N&y 4)Ourcolony 使用的反破解技巧： 1.设计的太低级，不屑于去评价 设计不好的地方： 1.这种验证码，设计的最丑，但还是能把菜鸟搞定，毕竟学计算机的少，搞这个破解的更 少，正所谓隔行如隔山 5)LiveJournal 使用的反破解技巧： 1.这个设计略微好点，使用个随机噪音，而且作为前景 2.字母位置粗细都有变化 枾e剉9ei?T &um;峇≈Otilde;Otilde;?RMb(gl?ÿ}?q_N&y 设计不好的地方： 1.字母没有粘连 2.噪音类型单一 3.通过在X轴的直方图投影，能准确分割字幕 4.然后在Y周作直方图投影,能准确定位高度 5.识别阶段，都是印刷体，简单地很 四、网上的一些高级验证码 枾e剉9ei?T amp;yuml;峇am;ilde;?Otide;?RM剉(gl?ÿ}?q_N&y 1)ICQ 2)IMDb 3)MS MVPS 4)MVN Forum 这些类型是被很多人认为比较难得类型，分析一下可以发现，字符检测，定位和分割都不 是难。 唯一影响识别率的是IMDBb和MVPS这两类，字体变形略大。 总体来说，这些类型的破解也不难，很容易做到50%以上的识别率。 五、高级验证码的破解分析 时间关系，我简单介绍如何利用图像处理和模式识别技术，自动识别比较高级的验证码。 (以风头正劲的Google为例) 1)至少从目前的AI的发展程度看，没有简单的做法能自动处理各种不同的验证码，即使 能力很强，那么系统自然也十分复杂强大。所以，要想在很简单的算法实现比较高级的验证 码破解，必须分析不同验证码算法的特点： 作为一般的图像处理和计算机视觉，会考虑色彩，纹理，形状等直接的特征，同时也考虑 直方图，灰度等统计特征，还考虑FFT，Wavelet等各种变换后的特征。但最终目标都是 Dimension Reduction（降维）然后利于识别，不仅仅是速度的考虑。从图像的角度看，很多系 统都考虑转换为灰度级甚者黑白图片。 　枾e剉;yuml;峇Õ?Otilde;?RMb剉(gl?ÿ}?q_N& 衏:ygbL坿T銷 b烺 ÿFO瀃E?g枾e剉9ei?T ;峇Õ?Otilde;?RMb剉(gl?&; 衏:ygbL坿T銷 b烺 ÿFO瀃E?g;?Otilde;?RMb剉(gl?ÿ}?q_N&y Google的图片可以看出，颜色变化是虚晃一枪，不存在任何处理难度。难度是字体变形 和字符粘连。 　 如果能成功的分割字符，那么后期识别无论是用SVM等分类算法，还是分析笔顺比划走向 来硬识别，都相对好做。 　 2)图像处理和粘连分割 代码中的part1目录主要完成图像预处理和粘连字符分割 001：将图像从jpg等格式转换为位图便于处理 002：采用Fix/Adaptive的Threshold门限算法，将图片Bin-Value二值化。 （可用003算法） 003：采用OSTU分水岭算法，将图片Bin-Value二值化。 （更通用，大部分时候效果更好） 005：获取ROI感兴趣的区域。 006：Edge Trace边缘跟踪。 007：Edge Detection边界检测。 008：Thin细化去骨架。 009：做了一些Tidy整理。 　　（这个一般要根据特定的Captcha算法调整） 010：做切割,注意图片中红色的交叉点。 011：将边缘检测和骨干交叉点监测的图像合并。 　　（合并过程可以做分析: 比如X坐标偏移门限分析，交叉点区域纹理分析，线条走势分析， 等等各种方法，找出更可能的切分点和分离后部件的组合管理。） 代码：（代码质量不高，从其他项目拷贝过来，简单修改的。） 剉(gl?ÿ}?q_N&; 衏:ygbL坿T銷 b;FO瀃E?g;?Otilde;?RMb剉(gl?ÿ}?q_N&y 查看代码(./pstzine_09_01.txt) 注： 在这里，我们可以看到，基本的部件（字母是分割开了，但可以造成统一字母的被切 割成多个Component。 一种做法是：利用先验知识，做分割； 另外一种做法是，和第二部分的 识别结合起来。 比如按照从左至右，尝试增加component来识别，如果不能识别而且 component的总宽度，总面积还比较小，继续增加。 当然不排除拒识的可能性。 ） 3)字符部件组合和识别。 枾e剉9ei?T &枾e剉9ei?T ÿ峇Õ?Otilde;?RMb剉(gl?ÿ}?q_N&;}?q_N&y part2的代码展示了切割后的字母组合，和基于svm的字符识别的训练和识别过程。 Detection.cpp中展示了ImageSpam检测过程中的一些字符分割和组合，layout的分析和利用 的简单技术。 而Google的验证码的识别，完全可以不用到，仅做参考。 SVM及使用： 本质上，SVM是一个分类器，原始的SVM是一个两类分类的分类器。可以通过1:1或者1:n 的方式来组合成一个多类分类的分类器。 天生通过核函数的使用支持高维数据的分类。从 几何意义上讲，就是找到最能表示类别特征的那些向量（支持向量SV）,然后找到一条线，能最 大化分类的Margin。 libSVM是一个不错的实现。 训练间断和识别阶段的数据整理和归一化是一样的。 这里的简单做法是： 首先： ?sect;;yuml;}?q_Ný 衏:ygbL坿T銷 b烺 ÿFO瀃E?g;?Otilde;?RMb剉(gl?ÿ}?q_N&y #define SVM_MAX +0.999 #define SVM_MIN +0.001 其次： 扫描黑白待识别字幕图片的每个像素，如果为0(黑色，是字母上的像素),那么svm中该位 置就SVM_MAX,反之则反。 枾e剉 ÿFO瀃E?g枾e剉9ei?T ÿ峇Õ?Otilde;?RMb剉(gl?ÿ}?q_Ný 衏:ygbL坿T銷 b烺 ÿFO瀃E?g;?Otilde;?RMb剉(gl?ÿ}?q_N&y 最后： 训练阶段，在svm的input的前面，为该类打上标记，即是那一个字母。 识别阶段，当然这个类别标记是SVM分类出来。 注意： 如果是SVM菜鸟，最好找一个在SVM外边做了包装的工具，比如样本选择，交叉验证，核函 数选择这些，让程序自动选择和分析。 代码：通过ReginGrowth来提取单个单个的字符，然后开始识别。 查看代码(./pstzine_09_02.txt) 六、对验证码设计的一些建议 枾e剉yuml;峇Õ?Otilde;?RMb剉(gl?ÿ}?q_Ný 衏:ygbL坿T銷 b烺 ÿFO瀃E?g枾e剉9ei?T ÿ峇Õ?Otilde;?RMb剉(gl?ÿ}?q_Ný 衏:ygbL坿T銷 b烺 ÿFO瀃E?g;?Otilde;?RMb剉(gl?ÿ}?q_N&y 1.在噪音等类型的使用上，尽力让字符和用来混淆的前景和背景不容易区分。尽力让坏 人（噪音）长得和好人（字母）一样。 2.特别好的验证码的设计，要尽力发挥人类擅长而AI算法不擅长的。 比如粘连字符的 分割和手写体（通过印刷体做特别的变形也可以）。 而不要一味的去加一些看起来比较复杂 的噪音或者其他的花哨的东西。即使你做的足够复杂，但如果人也难识别，显然别人认为你 是没事找抽型的。 3. 从专业的机器视觉的角度说，验证码的设计，一定要让破解者在识别阶段，反复在低 阶视觉和高阶视觉之间多反复几次才能识别出来。 这样可以大大降低破解难度和破解的准 确率。 枾e剉9ei?T &枾e剉9ei?T ÿ峇Õ?Otilde;?RMb剉(gl?ÿ}?q_Ný 衏:ygbL坿T銷 b烺 ÿFO瀃E?g枾e剉9ei?T ÿ峇Õ?Otilde;?RMb剉(gl?ÿ}?q_Ný 衏:ygbL坿T銷 b烺 ÿFO瀃E?g;?Otilde;?RMb剉(gl?ÿ}?q_N&y 七、个人郑重申明 1.这个问题，本身是人工智能，计算机视觉，模式识别领域的一个难题。我是虾米，菜得 不能再菜的那种。作为破解者来说，是出于劣势地位。要做的很好，是很难得。总体来说，我 走的是比较学院派的线路，能真正的破解难度比较高的验证码，不同于网上很多不太入流的 破解方法。我能做的只有利用有限的知识，抛砖引玉而已。 很多OCR的技术，特别是离线手 写体中文等文字识别的技术，个人了解有限的很，都不敢在这里乱写。 2.希望不要把这种技术用于非法用途。