极验图标方向点选验证码识别

最新推荐文章于 2025-01-10 11:34:44 发布
最新推荐文章于 2025-01-10 11:34:44 发布
阅读量933 收藏 4
点赞数 1
分类专栏： OCR验证码识别 文章标签： 验证码 目标检测
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/qq_36551453/article/details/144700071
版权

注意，本文只提供学习的思路，严禁违反法律以及破坏信息系统等行为，本文只提供思路
如有侵犯，请联系作者下架

本文识别已同步上线至OCR识别网站： http://yxlocr.nat300.top/ocr/iconclick/10

注意：本文是篇水文，主要展示图标识别的成果
极验图标方向类数据集如下，根据图标的箭头选择相同方向的物品即可
在这里插入图片描述
这种反而是最简单的，只需要8分类接口，总共8个方向，图标的检测依然可以用dddd或者自己训练一版，这种图标几百张就能训练处一个不粗的效果了，下面来看成品展示
在这里插入图片描述
在这里插入图片描述

携程新版图标点选验证码识别
码王吴彦祖的博客
04-07 108
携程的图标分类识别依然换谈不换药，不管使用哪种开源模型进行迁移训练即可，标题可能为3个，可能为4个，并且标题含有通明通道，动态识别标题即可，识别效果如下。注意，本文只提供学习的思路，严禁违反法律以及破坏信息系统等行为，本文只提供思路。如有侵犯，请联系作者下架。
极验图标点选验证码难度中等
最新发布
02-25
极验图标点选
极验图标点选识别方案
jdksjdkasd的博客
01-10 861
这阵子业务上遇到一个极验三代的图标点选验证码，没办法只能自己手搓模型了，我这里训练过程分为两部分，第一部分使用yolov5目标检测识别到位置坐标，然后用ddddorc进行分类识别，所以一共会有两个模型。至于为什么不使用yolov5的分类识别是因为我尝试过后发现识别效果差强人意。
极验4图标点选验证码
qq_45151381的博客
05-30 621
极验4图标点选验证码
图标点选验证码的自动识别
rrrrroottttttt的博客
05-13 713
将以上步骤组合起来，我们可以构建一个完整的自动化系统，用于识别图标点选验证码。系统接收输入的验证码图片，经过预处理后，检测其中的图标点选区域，然后使用训练好的图标识别模型来识别图标，并将识别结果返回给用户。使用训练集来训练图标识别模型，并使用测试集来评估模型的性能。我们将使用深度学习模型来识别图标。这里我们可以使用卷积神经网络（CNN）来构建一个分类模型，用于识别不同的图标。首先，我们需要对输入的验证码图片进行预处理，以便更好地提取其中的图标信息。接下来，我们需要检测图像中的图标点选区域。
图标点选验证码
rrrrroottttttt的博客
05-13 394
准备一个包含大量图标图片和相应标签的数据集，然后将数据集分为训练集和测试集。使用训练集来训练图标识别模型，并使用测试集来评估模型的性能。将预处理后的图像输入到训练好的图标识别模型中，识别其中的图标，并将识别结果返回给用户。接下来，需要使用图像处理技术检测图标的位置。这可以通过找到图标的轮廓来实现。首先，需要收集大量的图标点选验证码样本，并进行预处理。# 根据轮廓面积筛选图标区域。更多内容联系1436423940。# 图标识别与结果输出。4. 图标识别与结果输出。3. 图标识别模型训练。
极验新版图标点选识别
qq_21050249的博客
04-30 5666
目前 极验最新版的 识别demo 地址在这里行为验证4.0Demo 按照右上角小图的顺序 在大图中进行 点击 可以分为两部进行 第一 识别出来大图中三个图标的位置 这里我使用的是 开源的 带带弟弟OCR通用验证码识别SDK免费开源版https://github.com/sml2h3/ddddocr 大佬开发 可以自行查看使用教程 第二步 拿到大图中的图标位置切图 和上面三个小图标 使用 孪生神经网络 进行相似度计算的识别https://gitclone.com/githu...
极验4代图标点选逆向w踩坑点
qq_38977435的博客
08-22 1156
验证码，js逆向,极验4代
极验4文字或图标点选，零样品学习坐标点返回
jixiaoyu0209的博客
09-06 1253
于是我突发奇想，可不可以不需要大批量验证码图片获取，不需要额外人工标注，不需要高成本的硬件设备，能不能做到。
极验3图标（2）目标检测+分类模型训练（手把手教学包会）
骑毛驴的猴的博客
04-17 3676
在这里要注意： 这里的 class =[‘target’,‘char’] 代表数据集需要标注的类别，单引号的内容需要根据你的数据集确定，有几类就写几类。这里修改了yolov5s.yaml（需要下载权重文件yolo5s.pt），只需要将nc的类别修改为自己需要的即可。这里的yaml和以往的cfg文件是差不多的，但需要配置一份属于自己数据集的yaml文件。由于上次写的图标识别文章不够详细，这次换了一种图标，详细的记录下整个训练过程吧~这里需要对train.py文件内的参数进行修改，按照我们的需求需改即可。
geetest_crack:geetest极验二代滑动、三代滑动和汉字点选破解
05-28
每日限制50次, 仅供学习交流 geetest极验二代滑动、三代滑动和汉字点选破解 免责声明 本仓库仅用于学术交流, 不得用于任何商业用途!!! 说明 本仓库不提供相关模型源代码、模型文件、数据集、服务源代码等. 通过率 滑动: 通过算法生成轨迹 二代: 重试一次通过率99% 三代: 不重试, 通过率99% 汉字点选: 99% 耗时 滑动: 4s以内 汉字点选: 10s以内(CPU上YOLO3比较耗时) 结果样例 二代滑动: 三代点击: 三代滑动: 三代按文字点选: 三代按语序点选: 开发环境 python3.6 tensorflow keras darknet(YOLO3) labelImg(YOLO3数据标签工具) opencv(定位滑动缺口距离) pyppeteer 算法 YOLO3: 定位汉字位置 CRNN: 校验文字识别 CNN: 定位后的文字识别 数据集 汉字点选 4000+汉
某象图标点选验证码图标集
09-23
通过学习和分析这一验证码图标的生成和识别机制，研究人员和学生能够更深入地理解机器学习在验证码识别中的应用和潜在的挑战。 “某象图标点选验证码图标集”是在当前技术背景下，为了应对自动化工具对验证码攻击的...
使用Haskell实现图标点选验证码识别及分割
2401_85453501的博客
06-08 435
破解图标点选验证码的过程主要包括图标的分割和识别。图标分割是将验证码图像中的各个图标分离出来，而图标识别则是对分割后的图标进行分类。Haskell是一种纯函数式编程语言，以其强大的类型系统和高阶函数支持闻名，非常适合进行复杂的算法和数据处理任务。let icons = splitImage 2 2 matrix -- 假设图像分割为2x2的图标。首先，我们需要安装一些必要的库来处理图像和进行矩阵运算。-- 简单的图标匹配（假设已知一些图标的模式）-- 分割图像为多个小块。-- 将图像转换为矩阵。
极验4某图标验证码，使用孪生，训练onnx模型识别
qq_45151381的博客
05-11 548
极验4某图标验证码，使用孪生，训练onnx模型识别
极验3代 w（滑块 图标点选 文字点选 语序点选 空间推理）
weixin_44454180的博客
07-30 692
滑块 图标点选 文字点选 语序点选 空间推理
【易盾+ 极验图像识别】 解决易盾，极验图标点选如何进行图像识别 附：训练代码
qq_42857376的博客
08-06 4836
本文宗旨，致力于学习研究与分享！如有侵权！即使告知，作者会在第一时间内删除！！！！ 前言： 验证码种类繁多，继英文字母，数字 组合 后出现了 文字点击，图标点击！ 前面介绍了文字点选，本次将探讨图标点选如何进行识别！ 类似YI盾图标，JI验图标点选这种怎么解决？ 第一步： 肯定是标注数据集，labelimage应该都听过，网上下载个，然后画框框就行，类别标注为同一个类别就行比如（target），如果不嫌麻烦可以一步到位，自己直接把类别都区分好就行！后面的内容就不用看了，yolo 一步解决这个验
极验点选验证分析
李玺
03-31 4279
本文分析的是极验点选验证码。
极验图标识别-推理速度的优化(10ms)
u013535070的博客
10-06 1387
奈何市场上的点选模型太贵，那就自己学python开始做模型吧，其实关于目标检测的文章一搜一大堆，从yolov3、v4、v5、vx、v7都有尝试过，不过知识有限，cnn也不懂，也没gpu环境，只能从cpu推理越快越好，业务角度出发，找一个成品的网络，推理速度在自己的接受范围就好，从yolox(.pth/100ms)–>yolox(.onnx/30ms)，再到目前使用的yolo-fastestV2
selenium点选验证码
01-01
### 使用 Selenium 处理点击选择验证码 对于需要通过点击特定区域完成验证的情况，Selenium 可以模拟用户的鼠标动作来实现这一目标。下面介绍一种常见的方式——基于图像识别的点击选择验证码。 #### 图像预处理与特征提取 为了能够准确定位到待选中的图形位置，通常先要对页面上的验证码图片进行截图保存并做适当处理： ```python from selenium import webdriver import time from PIL import Image # 初始化 WebDriver 对象 (这里假设使用 Chrome 浏览器) driver = webdriver.Chrome() try: # 打开含有验证码的目标网页链接 driver.get('https://example.com/login') # 定位验证码容器元素, 并截取整个屏幕作为背景图 captcha_container = driver.find_element(By.CLASS_NAME,'captcha-container') screenshot_path = './screenshot.png' driver.save_screenshot(screenshot_path) location = captcha_container.location size = captcha_container.size im = Image.open(screenshot_path) left = location['x'] top = location['y'] right = location['x'] + size['width'] bottom = location['y'] + size['height'] captcha_image = im.crop((left, top, right, bottom)) captcha_image.show() # 显示裁剪后的验证码以便人工确认 finally: pass ``` #### 计算坐标偏移量并与实际页面映射 当获取到了清晰可见的验证码图片之后，则需计算出各个选项相对于浏览器窗口左上角的具体像素距离；接着利用这些数据指导 Selenium 进行精准点击操作: ```python from selenium.webdriver.common.action_chains import ActionChains def click_captcha(driver, target_x_offset, target_y_offset): """ 根据给定的相对偏移量，在指定区域内执行一次点击事件。 参数: driver: 已初始化好的WebDriver实例对象； target_x_offset(int): 待点击点横轴方向距父级元素左侧边缘的距离(px)； target_y_offset(int): 待点击点纵轴方向距父级元素顶部边界的距离(px)。 返回值: None """ actions = ActionChains(driver) captcha_area = driver.find_element(By.ID ,'captcha-area') # 假设有一个固定ID名为'captcha-area' actions.move_to_element_with_offset(captcha_area ,target_x_offset,target_y_offset).click().perform() ``` 上述方法适用于那些提供明确可交互区域边界信息以及内部各候选图标绝对坐标的场景。如果遇到更加复杂的动态变化型验证码，则可能还需要借助额外工具辅助分析其规律特性再作进一步开发调整[^2]。
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

码王吴彦祖

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值