验证码识别选用哪个神经网络

1. 如何破解验证码的软件如何写，原理是什么,要学什么

最简单的方法就是利用现有的BP神经网络代码对验证码区图像进行识别，matlab的比较简单，然后用vb或c#你用的顺手的开发软件不停的打开含有验证码的网页，因为网页在一定时间内验证码的位置相同，即可先用vb或c#编程将验证码区域截图，分割，裁剪，二值化，送入神经网络不停训练即可。一般来说不需要太多样本库就可以对一个网站的验证码进行良好的识别了。
matlab自带的一个5*7点阵字母识别的例子你可以参考一下。
对于图像处理可以看一看VC++图像处理软件的图片输入输出裁剪二值化等相关内容。很多书后的例程可以直接拿来使用。
手头上也有一些程序，我们可以继续探讨:P

2. 如何准确快速的识别验证码..

这个还是蛮难的！ 通常都是用神经网络，SVM等，将图片数字的识别当成是分类问题。

3. 如何利用Python做简单的验证码识别

1摘要

验证码是目前互联网上非常常见也是非常重要的一个事物，充当着很多系统的防火墙功能，但是随时OCR技术的发展，验证码暴露出来的安全问题也越来越严峻。本文介绍了一套字符验证码识别的完整流程，对于验证码安全和OCR识别技术都有一定的借鉴意义。

然后经过了一年的时间，笔者又研究和get到了一种更强大的基于CNN卷积神经网络的直接端到端的验证识别技术（文章不是我的，然后我把源码整理了下，介绍和源码在这里面）：

基于python语言的tensorflow的‘端到端’的字符型验证码识别源码整理(github源码分享)

2关键词

关键词：安全,字符图片,验证码识别,OCR,Python,SVM,PIL

3免责声明

本文研究所用素材来自于某旧Web框架的网站完全对外公开的公共图片资源。

本文只做了该网站对外公开的公共图片资源进行了爬取，并未越权做任何多余操作。

本文在书写相关报告的时候已经隐去漏洞网站的身份信息。

本文作者已经通知网站相关人员此系统漏洞，并积极向新系统转移。

本报告的主要目的也仅是用于OCR交流学习和引起大家对验证安全的警觉。

4引言

关于验证码的非技术部分的介绍，可以参考以前写的一篇科普类的文章：

互联网安全防火墙（1）--网络验证码的科普

里面对验证码的种类，使用场景，作用，主要的识别技术等等进行了讲解，然而并没有涉及到任何技术内容。本章内容则作为它的技术补充来给出相应的识别的解决方案，让读者对验证码的功能及安全性问题有更深刻的认识。

5基本工具

要达到本文的目的，只需要简单的编程知识即可，因为现在的机器学习领域的蓬勃发展，已经有很多封装好的开源解决方案来进行机器学习。普通程序员已经不需要了解复杂的数学原理，即可以实现对这些工具的应用了。

主要开发环境：

• python3.5

• python SDK版本

• PIL

• 图片处理库

• libsvm

• 开源的svm机器学习库

关于环境的安装，不是本文的重点，故略去。

6基本流程

一般情况下，对于字符型验证码的识别流程如下：

• 准备原始图片素材

• 图片预处理

• 图片字符切割

• 图片尺寸归一化

• 图片字符标记

• 字符图片特征提取

• 生成特征和标记对应的训练数据集

• 训练特征标记数据生成识别模型

• 使用识别模型预测新的未知图片集

• 达到根据“图片”就能返回识别正确的字符集的目标

7素材准备

7.1素材选择

由于本文是以初级的学习研究目的为主，要求“有代表性，但又不会太难”，所以就直接在网上找个比较有代表性的简单的字符型验证码（感觉像在找漏洞一样）。

最后在一个比较旧的网站（估计是几十年前的网站框架）找到了这个验证码图片。

原始图：



• def get_feature(img): """


• 获取指定图片的特征值,


• 1. 按照每排的像素点,高度为10,则有10个维度,然后为6列,总共16个维度


• :param img_path:


• :return:一个维度为10（高度）的列表 """



• width, height = img.size



• pixel_cnt_list = []


• height = 10 for y in range(height):


• pix_cnt_x = 0 for x in range(width): if img.getpixel((x, y)) == 0: # 黑色点


• pix_cnt_x += 1



• pixel_cnt_list.append(pix_cnt_x) for x in range(width):


• pix_cnt_y = 0 for y in range(height): if img.getpixel((x, y)) == 0: # 黑色点


• pix_cnt_y += 1



• pixel_cnt_list.append(pix_cnt_y) return pixel_cnt_list



然后就将图片素材特征化，按照libSVM指定的格式生成一组带特征值和标记值的向量文

4. 求验证码识别技术方面的高手,图像分割,细化,去噪点,形态学分析,神经网络分类,SVM算法,KNN算法

楼上的列标题，所以它的关系是什么？
如果你要查找的信息，这是最好的CNKI看到上面的文章，许多中国车牌识别。
但是，这需要购买外部网络的权限，这所学校是非常困难的。

5. python验证码识别

orc文字识别，现在比较流行的是通过人工智能训练CNN神经网络来识别。

大体流程

1. 准备训练数据。训练数据可以自己写个程序生成验证码，和标准答案。

2. 构建CNN模型。这个比较简单，使用keras框架，5分钟的事情。

3. 训练。不停地把数据feed给程序，直到准确率达到你的期望，推荐使用GPU加速

4. 预测。加载模型，把验证码图片feed给模型，得出结果

希望对你有帮助。

6. 如何快速学习神经网络算法识别验证码

验证码都是服务器生成的图片，如果是动态的，就是调用servlet生成的，怎么提取我还不太清楚，不过我想网络上应该会有很多资料。

我现在看的是识别验证码的东西，在截取到验证码图片之后，针对这个黑白背景，只有干扰线的验证码。

机器学习之识别简单验证码
时间 2016-10-15 22:46:31 随风'S Blog

主题 数据挖掘
关于验证码识别的文章网上很多图像识别的大神教程也比较多，不过大多数专业性太强了，对非专业人士读起来简直是天书，不过随着机器学习的普及，一大批机器学习的开源工具出现了，这也算对大多数像我一样的学渣的福音，由于最近项目中牵扯到了一些机器学习相关的东西，所以自己最近也一直在学习机器相关的东西，这篇验证码的识别也算是练手了，本文也算是学习中的笔记，所以文章中难免有一些错误，欢迎各路大神指点。
由于本人不是相关专业的，对于文中相关算法就不会具体去讨论了，主要以实战为目的。
准备工作
主要是用到了一些机器学习开源的框架以及一些辅助工具。
Scikit-Learn 比较有名的Python机器学习模块,主要是操作简单。
Pybrain Python机器学习模块，主要以神经网络为核心，所有的训练方法都以神经网络为一个实例。
pytesseract 图像识别小工具，本文主要是用来预处理训练样本的。
PIL Python图像处理库。
问题分析
首先在进行具体工作之前，我们得看看我们需要解决的是什么问题，那么对于验证码识别来说，可以看作一个分类问题，对于数字的图片验证码来说的话，其实就是0-9数字分类的问题，验证码识别最难的部分在于怎么去将验证码进行切割成单个字符图片，当然对于图片裁剪也就是特征提取有很多办法，例如垂直投影法，等距切割法等等，其中等距切割也是比较简单的，但是对于稍微复杂一点的验证码识别时准确率非常低，因为等距切割时将验证码按照相同的宽度进行裁剪，对于那些字符宽度大小不一的，就算裁剪出来也不能很好的表示字符的特征，所以有时候需要先对图片进行一系列的预处理，例如字符矫正等等，然后再用垂直投影法在x轴和y轴上按照投影的大小进行裁剪。
对于垂直投影法来说的话，最后我们还得考虑训练集在维度上都同意，由于是非等级切割，所以每个图片的像素肯定不一样，所以为了维度统一还得进行填充，总之稍微麻烦一点。
这里主要是以等距切割为例子，因为在操作起来比较简单，那么掩码也是选用0-9的纯数字验证码来进行识别，验证码如下

这样的图片看起来的话间距基本上都差不多大，所以在分割时也比较容易，将图片切成四块后，就可以拿每一块去进行训练识别了。
使用机器学习来进行训练和识别的话，我们就得考虑特征选取了，一般验证码识别有一套标准的流程，图片

对于验证码识别来说我们关注的不是验证码的颜色，而是字符代表的含义，所以在图片处理时进行灰度化和二值化以及去噪，比如说去掉干扰线，那么去噪也有相应的算法来实现，这里不做具体讨论，二值化其实就是将图片呈现出两种颜色，即非黑即白，这样的好处是在特征处理时可以使用0和1来代表黑色和白色，0和1代表什么颜色取决于个人喜好。
这样的话将二值化和其它步骤处理后的图片进行特征提取，将黑色像素点标记成1，白色像素点标记成0，这样就可以得到图片的数值表示，那么特征维度就等于图片像素的大小，最终将图片按照X轴或者Y轴表示，即将像素的所标记的值合并到一行，例如
1111100000000000010
1110000000000000000
表示成，这样每张图片就可以使用一行0和1的数值来表示。
进行特征提取之后，我们得到了图片在数学上的表示，那么下一步就需要进行模型训练了，由于如上文所述，图片识别是一个分类问题，所以在机器学习中，我主要采用了两种模型来进行训练， SVM支持向量机 和 BP神经网络 来进行模型训练，SVM使用scikit-learn机器学习包里面的实现来做，神经网络使用Pybrain来进行实现。
有关SVM和BP神经网络的算法部分，大家最好还是去网上搜下相关的Paper，这样你才能知道什么算法能解决什么问题，以及它大概的原理是什么样子的，有能力的同学可以去对推导下这两个算法。
实践
在问题分析部分我们已经对验证码识别的大概思路有了一个了解，那么这部分则主要正对上面所述部分进行具体实现。
首先，我们应该明白SVM和神经网络模型算法是属于有监督学习，即需要对样本进行标注，也就是标记每张图片表示的是那个数字，但是实际遇到的问题是，如果数据量小的话，我们可以进行人工标注，那么在数据量比较大的情况下，人工标注可能就不太现实了，所以对于图片来说的话也一样，你进行切割完成之后你必须得标注这个数字是几，所以我们需要对切割的图片进行预处理，也就是打标记，我比较懒，所以我也不会一个个去打标签，所以这里使用ocr来对切割的图片进行预分类，ocr在单文字识别上的效果正确率还是可以的，在ocr进行预分类之后，我们只需要去纠正那些分类错误的图片即可，这样就能大大的减少工作量。
这里实现主要有以下几个步骤：
图片采集
图片预处理（包括图片切割，二值化以及图像增强）
图片的预分类标注以及手动纠错标注
特征提取
模型训练以及预测
图片采集
图片采集就比较简单，不过多的阐述，如下图代码所示

将下载到了图片按照时间戳存到指定位置

图片预处理以及图片裁剪
对图片进行预处理后采用等距切割法对图片进行切割

裁剪后的图片如下

图片预分类
图片预分类采用pytesseract来对分割的图片进行预分类，减轻工作量。
具体代码如下

ocr的分类效果正确率应该在50%以上，剩下的就是对预分类的图片进行人工纠错了。
ocr的分类效果图

人工纠错和标记后的结果

每个目录表示一个类别标签。
特征提取
特征提取的具体内容请参考问题分析中，里面有详细的说明。
关键代码如下

最终图片的数学上表示会以记录在 /Users/iswin/Downloads/yzm/traindata/train_data.txt 中，数据的格式如下图所示

红色线框表示一张图片数值上的表示，最后一个数字0表示该图片的类型，我是为了方便把标签追加到最后一行。
SVM模型分类
这里svm的实现使用了scikit-learn来实现，关于scikit-learn的使用去官网看Tutorial就好了，这里需要说一下SVM关于参数选择的问题，我们都知道SVM支持多个核函数，例如高斯核、线性核、poly以及sgmoid核函数，但是选择那么核函数一开始对于不太熟悉的同学怎么选择的确是个问题，所以这里使用了scikit-learn的GridSearchCV来对参数进行最优化选择，经过参数寻优，这里高斯核的最终效果还是不错的，所以训练的时候直接使用高斯核来进行训练。
为了方便预测时的使用，这里对训练结果使用了joblib模块来进行持久化。为了简单对评价模型进行，这里使用了5折交叉验证来对结果进行检验。
最终结果的准确率在：Accuracy: 0.96 (+/- 0.09)
具体代码如下：

举个预测的例子，看看效果

BP神经网络模型分类
BP神经网络也称负反馈神经网络，即按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一，在BP神经网络之后，又出现了在深度学习中应用最广泛的CNN即卷积神经网络，这几天也正在学习。
本文使用了三层BP神经网络来对训练集进行训练，即输入层+2层隐含层+输出层，关于BP神经网络本身这里需要注意的是激活函数的选择以及对于多分类问题输出层函数选择的问题，激活函数主要有sigmod、tanh以及relu，关于怎么选取激活函数，这块没有进行深入了解，一般都是每个激活函数都跑一次，看最终效果。
这里的神经网络模型分类主要是对Pybrain用法的学习以及BP神经网络的基本认识，输入层使用了LinearLayer即线性输入层，隐含层使用了SigmoidLayer即激活函数为sigmod的隐含层，输出层由于是多分类问题，所以使用了SoftmaxLayer，最终在神经网络计算的结果中选取数值最大的那个索引位置就是预测的验证码类别，也就是0-9之间的数值。
关于Pybrain的资料除了官方文档不是特别多，关于构建神经网络的方式提供了两种方式，一种是 buildNetwork 函数来进行构建，另外一种就是使用 FeedForwardNetwork 函数来进行构建，这里需要注意的是如果使用 FeedForwardNetwork 来进行构建的话，注意要手动给各层加上Bias偏置项，否则结果可能可能非常差，当时我实验时没加，半天计算结果不对，最后看了下buildNetwork函数的源代码才发现没加Bias项，还有就是需要注意迭代至收敛的步数即函数中的 *maxEpochs=500 ，这个根据情况调整，Pybrain有自己的数据集格式，所以在使用时必须按照它的格式来进行数据的初始化。
这里除了输入层的维度（即验证码的训练集维度）和输出是固定的之外，其中隐含层的神经元个数也是可以调整的，具体的感兴趣的同学自己去调然后再看下结果。
对模型使用10折交叉验证进行了简单评估，错误率在Total error: 0.062左右，效果比SVM的差一点，应该通参数调优应该可以提高准确率，不过重在学习。
训练集样本： /Users/iswin/Downloads/yzm/traindata/train_data_uniq.txt
主要代码如下：

举个例子，来看看预测效果

总结
通过这个小实验，至少让我对机器学习和相关算法大致有了一个了解，同时作为安全人员来说至少知道了如何使用开源的机器学习框架来构架自己的模型，笔记中难免会有错误之处，欢迎大家提出意见。

7. 这种验证码怎么识别或者怎么提取验证码识别，有没有能给个验证码识别思路的

验证码都是服务器生成的图片，如果是动态的，就是调用servlet生成的，怎么提取我还不太清楚，不过我想网络上应该会有很多资料。
我现在看的是识别验证码的东西，在截取到验证码图片之后，针对这个黑白背景，只有干扰线的验证码，应该分割之后，再利用机器学习或神经网络等方法进行字符识别就好了应该。

8. android识别验证码图片的原理与思路

假设已经把验证码图片保存到本地了
我说一下验证码识别的大致步骤吧
1，读取图片到bitmap
2，进行灰度操作
3，进行才二值操作
4，如果有干扰点 一般用滤波器或八邻域去干扰点
5，如果有干扰线 如果是简单的直线可以用扫描法，八后法等，复杂的应该根据特点调整算法
6，如果有干扰色块 也应该想法去除
7，如果有较大的倾斜 需要进行适当校正
8，此时得到的应该是比较干净的字符了，如果是非粘连的可以直接用投影法分割成单个字符
如果有粘连，需要根据图形特点从算法上做相应的处理，保证大致分割正确
9，分割成单个字符以后，如果字符比较正常 变形扭曲程序不大，可以直接用模式识别
如果变形扭曲较厉害，一般建议使用神经网络进行训练后再识别

如果是比较简单的验证码可以使用网上的一些组件，我常用的一个是OcrKingApi

不是太复杂的识别效果还可以，关键是免费的。使用文档可以看一下文库的链接

http://wenku..com/view/b5b6721555270722192ef7b3.html

9. 如何分类验证码

验证码是一种主要用于区分人类和计算机，达到阻止自动脚本反复提交垃圾数据的目的的技术。
验证码主要可以归类为如下三种：
图片验证码
语音验证码
智力测试答题验证码
图片验证码，网站方面随机生成一张图片，上面写着数字、字母或者汉字的组合，然后要求用户输入图片上的内容，并随表单一起提交。
攻破图片验证码的主要手段是OCR技术，在20年前，OCR技术尚是一大难题，但是现在已经有了成熟的解决方案，OCR技术主要是基于神经网络人工智能的相关研究成果实现。为了对付OCR技术，图片验证码有所升级，出现了杂点背景、扭曲文字等干扰机器识别的手段。对抗杂点背景的主要方法是通过颜色过滤杂点，还有就是缩OCR目标范围，比如限制在26个英文字母而不对特殊符号加以识别等；对付扭曲文字干扰的方法主要是对文字纹路矢量化，然后计算他们的基线并还原文字扭曲
语音验证码 ,常常作为图片验证码的补充，提供给有视觉障碍的人士使用。攻击的方法和图片验证码类似，音识别技术是对付它的法宝。当然不少语音验证码也使用了背景噪音等干扰，如何对付这种干扰又是另一个课题了。
智力测试验证码, 是验证码的另一种设计思路，这种验证码比较有趣，也比较难攻击。它的工作原理是由服务器随机抽取一个简单的常识性智力题给最终用户，然后让最终用户作答。比如在四张图片有三张风景，一张建筑物，然后让用户选出建筑物；再比如要求用户计算5+25等于多少，填写答案；还有的让用户回答电视机、电冰箱、电吹风、电影票哪个不是家用电器。
智力测试验证码方式繁多，五花八门，出题的方式可以文字亦可以图片。想攻破这种验证码具有相当难度，需要计算机具备高级智慧还要兼用图像识别技术。不过至少针对文字测试题目可以利用自然语言分析技术和搜索引擎的帮助加以攻击。将验证码的提问用自然语言分词，找出主谓宾定状补，并构造出关键词用Google搜索，再把结果计算权重投票，可以得到一个“最可能正确的答案”。
随着网络的普及，网民的不断增加,验证码识别需求也凸显出来,面对越来越复杂的验证码,远程人工付费识别验证码也大量出现, 这种方式可以说是曲线解决了所有验证码识别问题!

10. 机器自动识别验证码的原理是怎么样的

1.分难度等级的 2.一般人觉得好认的就好识别， 3.粘连的一塌糊涂，噪点很多，干扰多的就不好识别回答里面有问动态图的，动态图也是一帧一帧的图片连起来的，重新拆成一张一张的就好识别了。。。而且这种验证码信息会更多一些，反而好识别些然后来讲一下识别过程吧，其实跟人眼的识别时差不多，想把每一个字符分割出来，一个一个认。首先是分割，字符粘连的厉害的，或者噪点太多都会造成分割不成功，比较简单的办法是二值化之后寻找连通域（就是没有分开的部件，单个字母和数字都是，但是左右结构的中文字就有两个连通域），前提是每个字符都是一个连通域，这个办法对中文字不合适，字符比较均匀还可以找垂直投影的间隔。然后是字符的校正，包括各种旋转，仿射变换，这儿的算法又海了去了，titl之类的牛逼算法，有验证码扭曲的太厉害的估计这儿也校正不回来了。然后是字符的二值化，简单理解就是整成字是白的底是黑的，二值化的算法也很多，楼上有采用定阈值的，也有自适应的算法。 以上每一步里面都得穿插一些去噪去干扰的步骤。 最后对每个字符进行识别，这儿又有很多算法了，svm算是近年来比较热门的分类器，还有神经网络，或者最简单的模板匹配。训练分类器又要涉及到训练样本的选择，牛逼的话还能加入在线学习的算法，可以选择的策略又多了去了。最后想说的是，验证码的识别算法如果具有普适性的话，搞出这算法的娃估计能发好多篇牛逼的paper赚好多好多钱了，这本来就是公认的人工智能中很难的事情，现在抢票软件因为只需要识别一个网站的验证码，所以相对正确率会高一点，一个网站的验证码一般都是一个类型的，相对来说会容易识别一些。不过现在有些验证码是为了做广告和识别一些扫描书籍的内容（就是机器识别不了的），内容多样性多了去了。