抖音点选验证码识别（亲测可用）

xmx920

已于 2024-04-02 11:25:43 修改

阅读量450

点赞数 5

文章标签：预编码密码学

于 2024-04-02 11:09:08 首次发布

本文链接：https://blog.csdn.net/cxy_x/article/details/137262393

版权

本文介绍了如何收集和预处理抖音中文点选验证码的样本数据，通过HOG特征提取和机器学习（如SVM或CNN）建立识别模型，详细阐述了模型训练、评估及调优的过程，鼓励读者参与讨论和交流.

摘要由CSDN通过智能技术生成

抖音中文点选验证码，返回一个坐标，特别说明，这是抖音验证码不是其他，b站其他的等都非常简单，以下为部分代码，提供大家思路，当然做到准确率99.9%，我还是花了很多的精力，有问题欢迎一起讨论。

数据收集：收集大量的带有抖音中文点选验证码的样本数据，包括验证码图片以及其对应的正确答案。

预处理：对验证码图片进行预处理，包括去除噪声、调整大小、增强对比度等操作，以便于后续的特征提取和识别。

from PIL import Image
import numpy as np

# 图片预处理函数
def preprocess_image(image_path, target_size=(100, 100)):
    image = Image.open(image_path)
    # 调整图片大小
    image = image.resize(target_size)
    # 转换为灰度图像
    image = image.convert('L')
    # 将图像转换为数组
    image_array = np.array(image)
    return image_array

特征提取：从预处理后的验证码图片中提取特征，例如颜色直方图、形状特征、纹理特征等。

from skimage.feature import hog

# HOG特征提取函数
def extract_hog_features(image_array):
    features, hog_image = hog(image_array, orientations=9, pixels_per_cell=(8, 8),
                              cells_per_block=(2, 2), visualize=True, block_norm='L2-Hys')
    return features

训练模型：使用机器学习或深度学习算法，如支持向量机（SVM）、卷积神经网络（CNN）等，将提取的特征与其对应的正确答案进行训练，以建立识别模型。
评估和调优：对模型进行评估，查看其在测试集上的准确率和召回率等指标，根据需要进行调优，如调整模型参数、增加训练样本等。
```
# 模型评估函数
def evaluate_model(model, X_test, y_test):
    y_pred = model.predict(X_test)
    print(classification_report(y_test, y_pred))
```

模型部署与应用

# 加载测试集数据
X_test, y_test = load_data(test_data_dir)

# 对测试集进行预处理和特征提取
X_test_preprocessed = [preprocess_image(image_path) for image_path in X_test]
X_test_features = [extract_hog_features(image_array) for image_array in X_test_preprocessed]

# 加载并训练模型
model = train_model(X_train_features, y_train)

# 评估模型
evaluate_model(model, X_test_features, y_test)