python验证码识别训练模型_python 基于机器学习识别验证码

1、背景

验证码自动识别在模拟登陆上使用的较为广泛，一直有耳闻好多人在使用机器学习来识别验证码，最近因为刚好接触这方面的知识，所以特定研究了一番。发现网上已有很多基于machine learning的验证码识别，本文主要参考几位大牛的研究成果，集合自己的需求，进行改进、学习。

2、基本工具

开发环境：

python 3.5 + pycharm

模块：

Pillow、sklearn、numpy及其他子模块

3、基本流程

描述整个识别流程：

①验证码清理并生成训练集样本

②验证码特征提取

③拟合识别模型

④识别模型测试

4、关于数据集

没有特意网上找python的生成脚本，用了一个java的验证码生成脚本。验证码是数字+大写字母+小写字母的组合，即[0-9]+[A-Z]+[a-z]。文件名是验证码的正确数字标签，实例如下

使用三个数据集：

①训练集(training set):10000张验证码

②测试集(test set)：100张验证码

③验证集(validation set)：100张验证码

5、验证码清理并生成训练集样本

(1)读取图片

首先读取该文件路径下的所有图片文件名称，并逐张打开。返回结果image_array，每一个元素类型为“”。

def read_captcha(path):

image_array = []

image_label = []

file_list = os.listdir(path) # 获取captcha文件

for file in file_list:

image = Image.open(path + '/' + file) # 打开图片

file_name = file.split(".")[0] #获取文件名，此为图片标签

image_array.append(image)

image_label.append(file_name)

return image_array, image_label

(2)图像粗清理

图像粗清理包括以下步骤：

step 1：原始图像是RGB图像，即维度为 (26, 80, 3)。将其转换为灰度图像，维度变为(26, 80)。

原始图像：

灰度图像：

step 2：对于将要识别的验证码，显然，里面出现了很多用于干扰作用的灰色线条。博主通过设定灰度阈值(默认100)，对图像中大于阈值的像素，赋值为255(灰度图像中像素值范围是0~255，其中255是白色，0是黑色)。发现对于此类型的验证码，这种方法很实用有木有。

defimage_transfer(image_arry):""":param image_arry:图像list，每个元素为一副图像

:return: image_clean:清理过后的图像list"""image_clean=[]for i, image inenumerate(image_arry):

image= image.convert('L') #转换为灰度图像，即RGB通道从3变为1

im2 = Image.new("L", image.size, 255)for y in range(image.size[1]): #遍历所有像素，将灰度超过阈值的像素转变为255(白)

for x inrange(image.size[0]):

pix=image.getpixel((x, y))if int(pix) > threshold_grey: #灰度阈值

im2.putpixel((x, y), 255)else:

im2.putpixel((x, y), pix)

image_clean.append(im2)return image_clean

(3)图像细清理

仅仅通过粗清理的办法，无法完全去除所有噪声点。此处引入