(转)php实现验证码的识别(中级篇)

文章转自：http://blog.csdn.net/ugg/archive/2009/03/09/3972368.aspx

 

 在上篇文章<php实现验证码的识别(初级篇)>中，讲了如何识别简单的验证，这里的简单只的是验证码有数字和字母组成，格式统一，每次出现位置固定。这篇文章将继续深入研究识别验证码，这次识别的目标是，验证码有字符和数字组成，验证码存在旋转（可能左右都旋转），位置不固定，存在字符与字符之间的粘连，且验证码有更强的干扰素。这篇文章讲解的方法，并不是万能的解决方案，并且提供代码不能直接解决你的问题，这里仅仅是方法，具体需求读者自己解决，需要说明的是，识别验证码与具体的编程语言无关，这里只是使用php语言实现，使用这里介绍的方法，你可以使用任何语言实现。

 这篇文章逐步讲解识别验证码过程中的各个步骤。

<!--[if !vml]--><!--[endif]-->
 如上图，随后的讲解我们都围绕此图展开。
 一：拿到一个验证码的，第一眼我们首先要做的工作是，二值化。把验证码的部分用1表示，背景部分用0表示出来，识别方法很简单，我们打印出验证码正张图片的RGB，然后分析其规律即可，通过RGB码，我们很容易分辨出上面这张图片的R值大于120，G和B的值小于80，所以依据这个规则我们很容易把上面的图片二值化。再看初级篇中识别的两张图

<!--[if !vml]--><!--[endif]-->

 刚看上去，感觉很复杂。验证码的图片每次背景色都不相同，且不是单色，各个验证码数字的颜色每次也各不相同。貌似很难二值化，其实我们打印出其RGB值很容易就发现。无论验证数字颜色如何变化，该数字的RGB值总有一个值小于125，所以通过如下判断

$rgbarray['red'] < 125 || $rgbarray['green']<125|| $rgbarray['blue'] < 125

我们就很容易分辨出哪里是数字，哪里是背景。

 我们能够找到这些规律的因素是，在制作验证码的干扰素时，为了使干扰素不影响数字的显示效果，必须使用干扰素的RGB和数字RGB相互独立，互不干扰。只要懂得这个规律，我们就很容易实现二值化。

 我们找到的120，80，125等阈值，可能和实际的RGB有出入，所以，有时二值化后，会有部分地方出现1，对于验证码上固定位置显示数字，这种干扰没有太大意义。但是对于验证码位置不确定的图片来说，在我们切割字符时，很可能造成干扰。所以，在二值化后要进行去噪出来。

 二：接下来我们进行第二个步骤，出噪。出燥的原理很简单，就是把孤立的有效的值去掉，如果噪点比较高，要求的效率也比较高的话，这里面也有很多工作要做。幸好这里我们不要求这么高深，我们使用最简单的方法就可以，如果一个点为1则判断这个点的上下左右上左上右下左下右8个方位上数字是否为1，如果不为1，就认为是一个燥点，直接设置为1即可。

<!--[if !vml]--><!--[endif]-->

如上图所示，我们使用此方法很容易发现红色方框部分的1为燥点，直接设置为1即可。

在判断时我们使用了一个技巧，有时候的噪点可能是两个连续的1，所以我们

$num = 0; if($data[$i][$j] == 1) { // 上 if(isset($data[$i-1][$j])){ $num = $num + $data[$i-1][$j]; } // 下 if(isset($data[$i+1][$j])){ $num = $num + $data[$i+1][$j]; } // 左 if(isset($data[$i][$j-1])){ $num = $num + $data[$i][$j-1]; } // 右 if(isset($data[$i][$j+1])){ $num = $num + $data[$i][$j+1]; } // 上左 if(isset($data[$i-1][$j-1])){ $num = $num + $data[$i-1][$j-1]; } // 上右 if(isset($data[$i-1][$j+1])){ $num = $num + $data[$i-1][$j+1]; } // 下左 if(isset($data[$i+1][$j-1])){ $num = $num + $data[$i+1][$j-1]; } // 下右 if(isset($data[$i+1][$j+1])){ $num = $num + $data[$i+1][$j+1]; } } if($num == 0){ $data[$i][$j] = 0; }

我们计算这个点的8个方向上的值之和，最后我们判断他们的和是否小于特定的阈值
 三：经过去噪后，我们就得到干净的二值化的数据，接下来要做的就是切割字符了。切割字符的方法有很多种，这里我采用最简单的一种，先垂直方向切割成为字符，然后在水平方向去掉多于的0000，如下图

<!--[if !vml]--><!--[endif]-->

第一步切割红线部分，第二步切割蓝线部分，这样就可以得到独立的字符了。但是像下面这种情况

<!--[if !vml]--><!--[endif]-->
按上面的方法会把dw字符切割成一个字符，这是错误的切割，所以这里我们涉及到粘连字符的切割。
 四：粘连字符切割，制作验证码时，规则字符的粘连很容易分割开，如果字符本身有缩放，变形就很难处理，经过分析，我们可以发现，上面的字符粘连属于很简单的方式，只是规则字符的粘连，所以处理这种情况，我们也使用很简单的处理方式。当完成分割操作后，我们不能马上确定分割的部分就为一个字符，要进行验证，验证的关键因素就是，切割下来的字符的宽是否大于阈值，这个阈值的取舍标准是，一个字符无论怎么旋转变形都不会大于这个阈值，所以，如果我们切割的块大于这个阈值，就可以认为这是一个粘连字符；如果大于两个阈值之和，就认为是三个字符粘连，以此类推。知道这个规则后，切割粘连字符也就很简单了。如果我们发现是粘连字符块，直接平分这个块为两个或者多个新的块就可以。当然为了更好的还原字符，我一般都采用平分+1，-1对字符块的部分进行适当的补充。
 五：经过上面四个步骤，我们就可以提取出比较纯的字符块了，接下来要做就是匹配字符了。对于旋转字符的特征码建立，有很多种方法，这里就不做深入研究了。我这里使用的最简单的方式，为所有字符的所有情况建立匹配库，所以在我提供的代码种增加了study操作，其目的就是，先有人手工识别图片的验证码，然后通过study方法，写入特征码库。这样写入的图片数据越多，验证识别的准确行也就越高。
 好了，经过以上步骤，我们基本上可以识别现在互联网上大部分的验证码，这里我们都是使用的最简单的方法，没有使用任何OCR知识。这些方法，应该属于非OCR领域的顶峰了，要想识别更加复杂的验证码，那就需要更多的OCR知识了。有机会的话，我会在高级篇中一一做介绍。
 下面是一些容易识别的验证码，希望引起网站管理者的重视。

<!--[if !vml]--><!--[endif]-->  <!--[if !vml]--><!--[endif]-->  <!--[if !vml]--><!--[endif]--> <!--[if !vml]--><!--[endif]--> <!--[if !vml]--><!--[endif]--> <!--[if !vml]--><!--[endif]--> <!--[if !vml]--><!--[endif]--> <!--[if !vml]--><!--[endif]-->

 
制作验证码的一些建议
 对于识别验证码的程序来说，最难得部分是验证字符的切割和特征码的建立，而国内很多程序员只做验证码时，总是喜欢在验证码加很多干扰素，干扰线，影响效果不说，还达不到很好的效果；所以，要想使自己验证码难于本识别，只做下面两点就够了
1：字符粘连，最好所有的字符都有粘连的部分；
2：不要使用规格字符，验证码的各个部分使用不同比例的缩放或者旋转。
只要做到这两点，或者这两点的变形，识别程序就很难识别。我们看看，yahoo和google的验证码就知道，白字黑底，却很难被识别。

Goole:

<!--[if !vml]-->
<!--[endif]-->
yahoo:

<!--[if !vml]-->
<!--[endif]-->

源文件下：点击下载
作者: 逸学堂（ugg）
转帖请注明：http://blog.csdn.net/ugg/archive/2009/03/09/3972368.aspx