AI-机器学习-森林随机算法-验证码实战实例

注意

本文纯粹给未接触过机器学习的同学看到，高手请绕路

背景

本人接触了一个项目，需要登录web系统。使用robotframework + python 做自动化测试，发现开发同学设置了验证码，首页面根本就没法登录啊，而且还是变形的，使用基本的python库识别效果不好。于是本人查询了多位大侠的网站和文章，发现识别没有这么难，只是写的还不够白，所以我这次写的白一点，让大家看的更清楚一些。

本文只识别与上述这种不太复杂的图片，太复杂的，特征向量选取就比较麻烦

另外，

1、本文不介绍理论，直接使用为主，快速入门为目标

2、本文未考虑图像干扰点清理的过程

涉及的技术内容概念

样本：

对于本文来说，就是大量图片，和未来待识别的内容完全一致的东西，根据这些图片的内容，经过学习，生成学习后的model，用于后续的，预测，例如：

验证集（预测集）

和上述完全一致，是一类东西，上述的用于学习model，输出model文件后，那这个在用于预测下属的图片

 

最小样本集：

实际上，机器学习，不是用上面的学习的，是要经过处理的，最终目标是识别某单个字符图片的字符是什么内容

观察上述的样本，有两个明显可以看出来的问题：

例如  一个图片内容是“3456”，最终需要分解成四张小图片去训练

样本来源（学习集和验证集）

各显其能吧，我是找开发要了他们原始的验证码和图片生成代码

样本预处理（图片数据清晰）

对于字符识别处理，基本都采用灰度处理，把字符变成了最终0和255两个值，其余的RGB信息全部去除

样本特征：

针对这样的一个图片，要数字化，才能去调用机器学习算法学习

一般使用向量标识

data = [[1,2,3,4,5,6,7,8,9,0], [1,2,3,4,5,6,7,8,9,0] ,[1,2,3,4,5,6,7,8,9,0] ,[1,2,3,4,5,6,7,8,9,0]] 

上面是就是一个list，有四个元素，其中每个元素对应于一个10维空间的一个向量，每个向量描述一个字符

上述向量代表的值，没对应什么呢，对应于一一映射的另一个list

label = [3,4,5,6]

data和label 是两个一一对应的list，分别对应图片，及图片的字符是什么内容

 

学习模型（算法）

这个就是大家经常听到的，学习算法是什么，本文不讲理论，只是让大家快速用起来

所以使用最简单的随机森林算法RandomForestClassifier()，并使用其默认参数，而且会发现，即使默认参数，识别率就相当高

学习完成，会生成一个model文件

输入是data和label

模型预测

使用上述生成model，就可以

整个过程图

涉及的全部函数（后续再分解说）

公共函数

read_captcha_image(