百度验证码识别

最近打算写一个自动登陆百度的脚本，但是验证码始终无法绕过，于是打算自己来试着识别，下面的文章

工具：tesseract 和jTessBoxEditor ，python image lib

 

首先预处理：

import Image

def  ImageBinaryzation(threshold, im):
    im = im.convert('L')
    table = []  
    for i in range(256):  
        if i < threshold:  
            table.append(0)  
        else:  
            table.append(1) 
    out = im.point(table,'1')  
   # out.show();

infile = 'C:/Users/chenchen/Desktop/validImage/14.gif'
pathList = infile.split('.')
print(pathList[0])
print(pathList[1])
outfile = pathList[0] + '.tif'
im = Image.open(infile)
ImageBinaryzation(160, im)
im.save(outfile)

然后进行训练：

1 打开jTessBoxEditor，合并训练文件（tif），tool-》merge tiff，保存成 [lang].[fontname].exp[num].tif ，注意这里的fontname后面要用

2 执行命令 tesseract [lang].[fontname].exp[num].tif [lang].[fontname].exp[num] batch.nochop makebox  

生成box文件（tif的坐标文件），在同一级目录下即可

3 用jTessBoxEditor的box editor编辑[lang].[fontname].exp[num].tif 文件，调整坐标，保存

4 新建一个font_properties文件，内容是fontname 0 0 0 0 0 0，保存在同一级目录，fontname是上面的文件名中的name

5 创建如下脚本，执行

rem 执行改批处理前先要目录下创建font_properties文件

echo Run Tesseract for Training..
tesseract.exe eng.baidu.exp0.tif eng.baidu.exp0 nobatch box.train

echo Compute the Character Set..
unicharset_extractor.exe eng.baidu.exp0.box
mftraining -F font_properties -U unicharset -O baidu.unicharset eng.baidu.exp0.tr

echo Clustering..
cntraining.exe eng.baidu.exp0.tr

echo Rename Files..
rename normproto baidu.normproto
rename inttemp baidu.inttemp
rename pffmtable baidu.pffmtable
rename shapetable baidu.shapetable 

echo Create Tessdata..
combine_tessdata.exe baidu.

6

会显示一个结果如：

Combining tessdata files
TessdataManager combined tesseract data files.
Offset for type 0 is -1
Offset for type 1 is 108
Offset for type 2 is -1
Offset for type 3 is 1660
Offset for type 4 is 327545
Offset for type 5 is 327781
Offset for type 6 is -1
Offset for type 7 is -1
Offset for type 8 is -1
Offset for type 9 is -1
Offset for type 10 is -1
Offset for type 11 is -1
Offset for type 12 is –1

必须确定的是第2、4、5、6行的数据不是-1，那么一个新的字典就算生成了。

此时目录下“baidu.traineddata”的文件拷贝到tesseract程序目录下的“tessdata”目录。

7 现在就可以使用来识别了

tesseract.exe test.jpg result –l 【fontname】