某RED书旋转验证码识别（二）

注意，本文只提供学习的思路，严禁违反法律以及破坏信息系统等行为，本文只提供思路
本文的验证码网址如下，使用base64解码获得

接上篇，使用了图像处理的方式处理小红书的旋转验证码之后，在其计算梯度之后仍然达不到想要的结果，本篇继续采用图像处理的方式去计算角度，采用特征点和图像直方图匹配的方式找到旋转角度，该方法成功率达95%，来看一下通过这种方法，得到后的结果图如下

可以看到，无论是古风图片还是卡通图，基本上都能找到正确角度，该方法不采用模型训练的方式，模型训练目前市面上大致都是360角度分类训练，该方法计算复杂度大，模型精度低，因为所有图像角度在细分成360度分类后，其模型很难泛化，本文方法其实不适用模型，其运行速度在高也能控制在几百毫秒以内，该速度取决于算法精度，使用计算的图像算法越复杂，图像精度越高，运行时间越长，从下图中可以看出，最长也能控制在大约300-400毫秒以内

下面来看具体步骤

核心直方图计算方法

   img = cv2.imread(os.path.join("newangle", im))
   tong = 512
   # 使用更小的桶数
   hist_size = [tong,tong,tong]  # 每个维度 32 个桶
   hist_range = [0, 256, 0, 256, 0, 256]

   hist = cv2.calcHist([img], [0, 1, 2], None, hist_size, hist_range)

   # 归一化直方图
   hist = cv2.normalize(hist, hist).flatten()

   allangleimg[im] = [img, hist]

核心角度计算方法

    # 检测特征点和描述符
    kp1, des1 = sift.detectAndCompute(que_result_yuan, None)
    kp2, des2 = sift.detectAndCompute(trueangleimg, None)

    # 使用KNN匹配器来匹配特征点
    bf = cv2.BFMatcher(cv2.NORM_L2, crossCheck=True)
    matches = bf.match(des1, des2)

    # 提取匹配的点
    src_pts = np.float32([kp1[m.queryIdx].pt for m in matches])
    dst_pts = np.float32([kp2[m.trainIdx].pt for m in matches])

这里放了大致的部分，将代码组装后，所有代码不到100行，注意，为了隐私和安全，这里不会放出全部代码，如果需要，找我本人联系获取，本文只提供大致思想，聪明的小伙伴可以自己去改写，条条大路通罗马。