五、高級(jí)驗(yàn)證碼的破解分析

　　時(shí)間關(guān)系，我簡單介紹如何利用圖像處理和模式識(shí)別技術(shù)，自動(dòng)識(shí)別比較高級(jí)的驗(yàn)證碼。

　　(以風(fēng)頭正勁的Google為例)




1)至少從目前的AI的發(fā)展程度看，沒有簡單的做法能自動(dòng)處理各種不同的驗(yàn)證碼，即使能力很強(qiáng)，那么系統(tǒng)自然也十分復(fù)雜強(qiáng)大。所以，要想在很簡單的算法實(shí)現(xiàn)比較高級(jí)的驗(yàn)證碼破解，必須分析不同驗(yàn)證碼算法的特點(diǎn)：

　　作為一般的圖像處理和計(jì)算機(jī)視覺，會(huì)考慮色彩，紋理，形狀等直接的特征，同時(shí)也考慮直方圖，灰度等統(tǒng)計(jì)特征，還考慮FFT，Wavelet等各種變換后的特征。但最終目標(biāo)都是Dimension Reduction(降維)然后利于識(shí)別，不僅僅是速度的考慮。從圖像的角度看，很多系統(tǒng)都考慮轉(zhuǎn)換為灰度級(jí)甚者黑白圖片。

　　Google的圖片可以看出，顏色變化是虛晃一槍，不存在任何處理難度。難度是字體變形和字符粘連。

　　如果能成功的分割字符，那么后期識(shí)別無論是用SVM等分類算法，還是分析筆順比劃走向來硬識(shí)別，都相對(duì)好做。

　　2)圖像處理和粘連分割

　　代碼中的part1目錄主要完成圖像預(yù)處理和粘連字符分割

　　001：將圖像從jpg等格式轉(zhuǎn)換為位圖便于處理

　　002：采用Fix/Adaptive的Threshold門限算法，將圖片Bin-Value二值化。(可用003算法)

　　003：采用OSTU分水嶺算法，將圖片Bin-Value二值化。(更通用，大部分時(shí)候效果更好)

　　005：獲取ROI感興趣的區(qū)域。

　　006：Edge Trace邊緣跟蹤。

　　007：Edge Detection邊界檢測。

　　008：Thin細(xì)化去骨架。

　　009：做了一些Tidy整理。(這個(gè)一般要根據(jù)特定的Captcha算法調(diào)整)

　　010：做切割,注意圖片中紅色的交叉點(diǎn)。

　　011：將邊緣檢測和骨干交叉點(diǎn)監(jiān)測的圖像合并。(合并過程可以做分析: 比如X坐標(biāo)偏移門限分析，交叉點(diǎn)區(qū)域紋理分析，線條走勢分析，等等各種方法，找出更可能的切分點(diǎn)和分離后部件的組合管理。)




注：在這里，我們可以看到，基本的部件(字母是分割開了，但可以造成統(tǒng)一字母的被切割成多個(gè)Component。 一種做法是：利用先驗(yàn)知識(shí)，做分割; 另外一種做法是，和第二部分的識(shí)別結(jié)合起來。 比如按照從左至右，嘗試增加component來識(shí)別，如果不能識(shí)別而且component的總寬度，總面積還比較小，繼續(xù)增加。 當(dāng)然不排除拒識(shí)的可能性。)

　　3)字符部件組合和識(shí)別。

　　part2的代碼展示了切割后的字母組合，和基于svm的字符識(shí)別的訓(xùn)練和識(shí)別過程。

　　Detection.cpp中展示了ImageSpam檢測過程中的一些字符分割和組合，layout的分析和利用的簡單技術(shù)。 而Google的驗(yàn)證碼的識(shí)別，完全可以不用到，僅做參考。

　　SVM及使用：

　　本質(zhì)上，SVM是一個(gè)分類器，原始的SVM是一個(gè)兩類分類的分類器?？梢酝ㄟ^1:1或者1:n的方式來組合成一個(gè)多類分類的分類器。 天生通過核函數(shù)的使用支持高維數(shù)據(jù)的分類。從幾何意義上講，就是找到最能表示類別特征的那些向量(支持向量SV),然后找到一條線，能最大化分類的Margin。

　　libSVM是一個(gè)不錯(cuò)的實(shí)現(xiàn)。

　　訓(xùn)練間斷和識(shí)別階段的數(shù)據(jù)整理和歸一化是一樣的。這里的簡單做法是：

　　首先：

      #define SVM_MAX +0.999 
　　#define SVM_MIN +0.001 


　　其次：

　　掃描黑白待識(shí)別字幕圖片的每個(gè)像素，如果為0(黑色，是字母上的像素),那么svm中該位置就SVM_MAX,反之則反。

　　最后：

　　訓(xùn)練階段，在svm的input的前面，為該類打上標(biāo)記，即是那一個(gè)字母。

　　識(shí)別階段，當(dāng)然這個(gè)類別標(biāo)記是SVM分類出來。

　　注意：

　　如果是SVM菜鳥，最好找一個(gè)在SVM外邊做了包裝的工具，比如樣本選擇，交叉驗(yàn)證，核函數(shù)選擇這些，讓程序自動(dòng)選擇和分析。

六、對(duì)驗(yàn)證碼設(shè)計(jì)的一些建議

　　1.在噪音等類型的使用上，盡力讓字符和用來混淆的前景和背景不容易區(qū)分。盡力讓壞人(噪音)長得和好人(字母)一樣。

　　2.特別好的驗(yàn)證碼的設(shè)計(jì)，要盡力發(fā)揮人類擅長而AI算法不擅長的。 比如粘連字符的分割和手寫體(通過印刷體做特別的變形也可以)。 而不要一味的去加一些看起來比較復(fù)雜的噪音或者其他的花哨的東西。即使你做的足夠復(fù)雜，但如果人也難識(shí)別，顯然別人認(rèn)為你是沒事找抽型的。

　　3. 從專業(yè)的機(jī)器視覺的角度說，驗(yàn)證碼的設(shè)計(jì)，一定要讓破解者在識(shí)別階段，反復(fù)在低階視覺和高階視覺之間多反復(fù)幾次才能識(shí)別出來。 這樣可以大大降低破解難度和破解的準(zhǔn)確率。

　　七、鄭重申明

　　1.這個(gè)問題，本身是人工智能，計(jì)算機(jī)視覺，模式識(shí)別領(lǐng)域的一個(gè)難題。作為破解者來說，是出于劣勢地位。要做的很好，是很難得?？傮w來說，我走的是比較學(xué)院派的線路，能真正的破解難度比較高的驗(yàn)證碼，不同于網(wǎng)上很多不太入流的破解方法。我能做的只有利用有限的知識(shí)，拋磚引玉而已。很多OCR的技術(shù)，特別是離線手寫體中文等文字識(shí)別的技術(shù)，個(gè)人了解有限的很，都不敢在這里亂寫。
五、高級(jí)驗(yàn)證碼的破解分析

　　時(shí)間關(guān)系，我簡單介紹如何利用圖像處理和模式識(shí)別技術(shù)，自動(dòng)識(shí)別比較高級(jí)的驗(yàn)證碼。

　　(以風(fēng)頭正勁的Google為例)




1)至少從目前的AI的發(fā)展程度看，沒有簡單的做法能自動(dòng)處理各種不同的驗(yàn)證碼，即使能力很強(qiáng)，那么系統(tǒng)自然也十分復(fù)雜強(qiáng)大。所以，要想在很簡單的算法實(shí)現(xiàn)比較高級(jí)的驗(yàn)證碼破解，必須分析不同驗(yàn)證碼算法的特點(diǎn)：

　　作為一般的圖像處理和計(jì)算機(jī)視覺，會(huì)考慮色彩，紋理，形狀等直接的特征，同時(shí)也考慮直方圖，灰度等統(tǒng)計(jì)特征，還考慮FFT，Wavelet等各種變換后的特征。但最終目標(biāo)都是Dimension Reduction(降維)然后利于識(shí)別，不僅僅是速度的考慮。從圖像的角度看，很多系統(tǒng)都考慮轉(zhuǎn)換為灰度級(jí)甚者黑白圖片。

　　Google的圖片可以看出，顏色變化是虛晃一槍，不存在任何處理難度。難度是字體變形和字符粘連。

　　如果能成功的分割字符，那么后期識(shí)別無論是用SVM等分類算法，還是分析筆順比劃走向來硬識(shí)別，都相對(duì)好做。

　　2)圖像處理和粘連分割

　　代碼中的part1目錄主要完成圖像預(yù)處理和粘連字符分割

　　001：將圖像從jpg等格式轉(zhuǎn)換為位圖便于處理

　　002：采用Fix/Adaptive的Threshold門限算法，將圖片Bin-Value二值化。(可用003算法)

　　003：采用OSTU分水嶺算法，將圖片Bin-Value二值化。(更通用，大部分時(shí)候效果更好)

　　005：獲取ROI感興趣的區(qū)域。

　　006：Edge Trace邊緣跟蹤。

　　007：Edge Detection邊界檢測。

　　008：Thin細(xì)化去骨架。

　　009：做了一些Tidy整理。(這個(gè)一般要根據(jù)特定的Captcha算法調(diào)整)

　　010：做切割,注意圖片中紅色的交叉點(diǎn)。

　　011：將邊緣檢測和骨干交叉點(diǎn)監(jiān)測的圖像合并。(合并過程可以做分析: 比如X坐標(biāo)偏移門限分析，交叉點(diǎn)區(qū)域紋理分析，線條走勢分析，等等各種方法，找出更可能的切分點(diǎn)和分離后部件的組合管理。)




注：在這里，我們可以看到，基本的部件(字母是分割開了，但可以造成統(tǒng)一字母的被切割成多個(gè)Component。 一種做法是：利用先驗(yàn)知識(shí)，做分割; 另外一種做法是，和第二部分的識(shí)別結(jié)合起來。 比如按照從左至右，嘗試增加component來識(shí)別，如果不能識(shí)別而且component的總寬度，總面積還比較小，繼續(xù)增加。 當(dāng)然不排除拒識(shí)的可能性。)

　　3)字符部件組合和識(shí)別。

　　part2的代碼展示了切割后的字母組合，和基于svm的字符識(shí)別的訓(xùn)練和識(shí)別過程。

　　Detection.cpp中展示了ImageSpam檢測過程中的一些字符分割和組合，layout的分析和利用的簡單技術(shù)。 而Google的驗(yàn)證碼的識(shí)別，完全可以不用到，僅做參考。

　　SVM及使用：

　　本質(zhì)上，SVM是一個(gè)分類器，原始的SVM是一個(gè)兩類分類的分類器。可以通過1:1或者1:n的方式來組合成一個(gè)多類分類的分類器。 天生通過核函數(shù)的使用支持高維數(shù)據(jù)的分類。從幾何意義上講，就是找到最能表示類別特征的那些向量(支持向量SV),然后找到一條線，能最大化分類的Margin。

　　libSVM是一個(gè)不錯(cuò)的實(shí)現(xiàn)。

　　訓(xùn)練間斷和識(shí)別階段的數(shù)據(jù)整理和歸一化是一樣的。這里的簡單做法是：

　　首先：

      #define SVM_MAX +0.999 
　　#define SVM_MIN +0.001 


　　其次：

　　掃描黑白待識(shí)別字幕圖片的每個(gè)像素，如果為0(黑色，是字母上的像素),那么svm中該位置就SVM_MAX,反之則反。

　　最后：

　　訓(xùn)練階段，在svm的input的前面，為該類打上標(biāo)記，即是那一個(gè)字母。

　　識(shí)別階段，當(dāng)然這個(gè)類別標(biāo)記是SVM分類出來。

　　注意：

　　如果是SVM菜鳥，最好找一個(gè)在SVM外邊做了包裝的工具，比如樣本選擇，交叉驗(yàn)證，核函數(shù)選擇這些，讓程序自動(dòng)選擇和分析。

六、對(duì)驗(yàn)證碼設(shè)計(jì)的一些建議

　　1.在噪音等類型的使用上，盡力讓字符和用來混淆的前景和背景不容易區(qū)分。盡力讓壞人(噪音)長得和好人(字母)一樣。

　　2.特別好的驗(yàn)證碼的設(shè)計(jì)，要盡力發(fā)揮人類擅長而AI算法不擅長的。 比如粘連字符的分割和手寫體(通過印刷體做特別的變形也可以)。 而不要一味的去加一些看起來比較復(fù)雜的噪音或者其他的花哨的東西。即使你做的足夠復(fù)雜，但如果人也難識(shí)別，顯然別人認(rèn)為你是沒事找抽型的。

　　3. 從專業(yè)的機(jī)器視覺的角度說，驗(yàn)證碼的設(shè)計(jì)，一定要讓破解者在識(shí)別階段，反復(fù)在低階視覺和高階視覺之間多反復(fù)幾次才能識(shí)別出來。 這樣可以大大降低破解難度和破解的準(zhǔn)確率。

　　七、鄭重申明

　　1.這個(gè)問題，本身是人工智能，計(jì)算機(jī)視覺，模式識(shí)別領(lǐng)域的一個(gè)難題。作為破解者來說，是出于劣勢地位。要做的很好，是很難得。總體來說，我走的是比較學(xué)院派的線路，能真正的破解難度比較高的驗(yàn)證碼，不同于網(wǎng)上很多不太入流的破解方法。我能做的只有利用有限的知識(shí)，拋磚引玉而已。很多OCR的技術(shù)，特別是離線手寫體中文等文字識(shí)別的技術(shù)，個(gè)人了解有限的很，都不敢在這里亂寫。

最新評(píng)論