| 一、驗證碼的基本知識 枾e剉9ei?T ÿ峇Õ?Otilde;?RMb剉(gl?ÿ}?q_N&y 1. 驗證碼的主要目的是強制人機互動來抵禦機器自動化攻擊的。 峇Õ 2. 大部分的驗證碼設計者并不得要領，不了解圖像處理，機器視覺，模式識别，人工智能 的基本概念。 峇Õ 3. 利用驗證碼，可以發财，當然要犯罪：比如招商銀行密碼隻有6位，驗證碼形同虛設，計 算機很快就能破解一個有錢的賬戶，很多帳戶是可以網上交易的。 峇Õ 4. 也有設計的比較好的，比如Yahoo,Google,Microsoft等。而國内Tencent的中文驗證 碼雖然難，但算不上好。 枾e剉匏Ь酹 Ë?? 薹嘌鹒: |ô??騳aa巋 二、人工智能，模式識别，機器視覺，圖像處理的基本知識 1)主要流程： 枾e剉匏Ь酹 Ë?? 薹嘌鹒: |ô??騳aa巋 比如我們要從一副圖檔中，識别出驗證碼；比如我們要從一副圖檔中，檢測并識别出一張 人臉。 大概有哪些步驟呢？ 1.圖像采集：驗證碼呢，就直接通過HTTP抓HTML，然後分析出圖檔的url，然後下載下傳儲存就 可以了。 如果是人臉檢測識别，一般要通過視屏采集裝置，采集回來，通過A/D轉操作，存為 數字圖檔或者視訊頻。 枾e剉匏Ь酹 Ë?? 薹嘌鹒: |ô??騳aa巋 2.預處理：檢測是正确的圖像格式，轉換到合适的格式，壓縮，剪切出ROI，去除噪音，灰階 化，轉換色彩空間這些。 枾e剉垥d?射焫 蕒礵 ®?THORN;攩s窟 &nti 3.檢測：車牌檢測識别系統要先找到車牌的大概位置，人臉檢測系統要找出圖檔中所有 的人臉（包括疑似人臉）；驗證碼識别呢，主要是找出文字所在的主要區域。 4.前處理：人臉檢測和識别，會對人臉在識别前作一些校正，比如面内面外的旋轉，扭曲 等。我這裡的驗證碼識别，“一般”要做文字的切割 枾e剉垥d?射焫 蕒礵 ®?THORN;攩s窟 &nti 5.訓練：通過各種模式識别，機器學習算法，來挑選和訓練合适數量的訓練集。不是訓練 的樣本越多越好。過學習，泛化能力差的問題可能在這裡出現。這一步不是必須的，有些識 别算法是不需要訓練的。 枾e剉垥d?射焫 蕒礵 ®?THORN;攩s窟 &nti 6.識别：輸入待識别的處理後的圖檔，轉換成分類器需要的輸入格式，然後通過輸出的類 和置信度，來判斷大概可能是哪個字母。識别本質上就是分類。 2)關鍵概念： 圖像處理：一般指針對數字圖像的某種數學處理。比如投影，鈍化，銳化，細化，邊緣檢測， 二值化，壓縮，各種資料變換等等。 枾e剉垥d?射焫 蕒礵 ®?THORN;攩s窟 &nti 1.二值化：一般圖檔都是彩色的，按照逼真程度，可能很多級别。為了降低計算複雜度， 友善後續的處理，如果在不損失關鍵資訊的情況下，能将圖檔處理成黑白兩種顔色，那就最好 不過了。 眕寑}??柫X Tlte??pound;漲晿槃v誰 2.細化：找出圖像的骨架，圖像線條可能是很寬的，通過細化将寬度将為1，某些地方可能 大于1。不同的細化算法，可能有不同的差異，比如是否更靠近線條中間，比如是否保持聯通 行等。 眕寑}??柫X Tlte??pound;漲晿槃v誰 3.邊緣檢測：主要是了解邊緣的概念。邊緣實際上是圖像中圖像像素屬性變化劇烈的地 方。可能通過一個固定的門限值來判斷，也可能是自适應的。門限可能是圖像全局的，也可 能是局部的。不能說那個就一定好，不過大部分時候，自适應的局部的門限可能要好點。被 分析的，可能是顔色，也可能是灰階圖像的灰階。 眕寑}??柫X Tlte??pound;漲晿槃v誰 機器視覺：利用計算機來模式實作人的視覺。 比如物體檢測，定位，識别。按照對圖像 了解的層次的差别，分高階和低階的了解。 眕寑}??柫X Tlte??pound;漲晿槃v誰 模式識别：對事物或者現象的某種表示方式（數值，文字，我們這裡主要想說的是數值）， 通過一些處理和分析，來描述，歸類，了解，解釋這些事物，現象及其某種抽象。 眕寑}??柫X Tlte??pound;漲晿槃v誰 人工智能：這種概念比較寬，上面這些都屬于人工智能這個大的方向。簡單點不要過分 學院派的了解就是，把人類的很“智能”的東西給模拟出來協助生物的人來處理問題，特别是 在計算機裡面。 三、常見的驗證碼的破解分析 以http://libcaca.zoy.org/wiki/PWNtcha這裡PWNtcha項目中的資料為例分析，各種驗 證碼的破解。（方法很多，僅僅從我個人乍看之下覺得可行的方法來分析） 1)Authimage  驗證碼識别技術研究 使用的反破解技巧： 枾e剉9ei?T &;峇Õ?Otilde;?RMb剉(gl?ÿ}?q_N&y 1.不連續的點組成字元 2.有一定程度的傾斜 設計不好的地方： 枾e剉9ei?T ÿ峇Õ?RMb剉(gl?ÿ}?q_N&y 1.通過縱橫的直方圖投影，可以找到字幕區域 2.通過Hough變換，适當的參數，可以找到近似的橫線，可以做傾斜矯正 3.字元串的傾斜式面内的，沒有太多的破解難度 4.字母寬度一定，大小一定 2)Clubic  驗證碼識别技術研究 使用的反破解技巧： 枾e剉9ei?T &a;yuml;峇Õ?Otilde;?Rb剉(gl?ÿ}?q_N&y 1.字元是手寫體 設計不好的地方： 1.檢測切割階段沒有任何技術含量，屬于設計的比較醜的 2.隻有數字，而且手寫體變化不大 3.表面看起來對識别階段有難度，仔細分析，發現幾乎不用任何進階的訓練識别算法，就 固定的招某些像素點是否有色彩就夠了 3)linuxfr.org 驗證碼識别技術研究 使用的反破解技巧： 枾e剉9ei?T &峇Õ?Otilde;?RMb剉(gl?ÿ}?q_N&y 1.背景顔色塊 2.前景的橫線或矩形 設計不好的地方： 1.背景色是單一色塊，有形狀，通過Region-Growth區域增長來很容易把背景給去掉 2.前景色是标準的線條，色彩單一 3.字母無粘連 4.都是印刷體 枾e剉9ei?T ÿ峇∓Otilde;?Otild;?RMb(gl?&am;yuml;}?q_N&y 4)Ourcolony 驗證碼識别技術研究 使用的反破解技巧： 1.設計的太低級，不屑于去評價 設計不好的地方： 1.這種驗證碼，設計的最醜，但還是能把菜鳥搞定，畢竟學計算機的少，搞這個破解的更 少，正所謂隔行如隔山 5)LiveJournal 驗證碼識别技術研究 使用的反破解技巧： 1.這個設計略微好點，使用個随機噪音，而且作為前景 2.字母位置粗細都有變化 枾e剉9ei?T &um;峇≈Otilde;Otilde;?RMb(gl?ÿ}?q_N&y 設計不好的地方： 1.字母沒有粘連 2.噪音類型單一 3.通過在X軸的直方圖投影，能準确分割字幕 4.然後在Y周作直方圖投影,能準确定位高度 5.識别階段，都是印刷體，簡單地很 四、網上的一些進階驗證碼 枾e剉9ei?T amp;yuml;峇am;ilde;?Otide;?RM剉(gl?ÿ}?q_N&y 1)ICQ 驗證碼識别技術研究 2)IMDb 驗證碼識别技術研究 3)MS MVPS 驗證碼識别技術研究 4)MVN Forum 驗證碼識别技術研究 這些類型是被很多人認為比較難得類型，分析一下可以發現，字元檢測，定位和分割都不 是難。 唯一影響識别率的是IMDBb和MVPS這兩類，字型變形略大。 總體來說，這些類型的破解也不難，很容易做到50%以上的識别率。 五、進階驗證碼的破解分析 時間關系，我簡單介紹如何利用圖像處理和模式識别技術，自動識别比較進階的驗證碼。 (以風頭正勁的Google為例) 驗證碼識别技術研究 1)至少從目前的AI的發展程度看，沒有簡單的做法能自動處理各種不同的驗證碼，即使 能力很強，那麼系統自然也十分複雜強大。是以，要想在很簡單的算法實作比較進階的驗證 碼破解，必須分析不同驗證碼算法的特點： 作為一般的圖像處理和計算機視覺，會考慮色彩，紋理，形狀等直接的特征，同時也考慮 直方圖，灰階等統計特征，還考慮FFT，Wavelet等各種變換後的特征。但最終目标都是 Dimension Reduction（降維）然後利于識别，不僅僅是速度的考慮。從圖像的角度看，很多系 統都考慮轉換為灰階級甚者黑白圖檔。 枾e剉;yuml;峇Õ?Otilde;?RMb剉(gl?ÿ}?q_N& 衏:ygbL坿T銷 b烺 ÿFO瀃E?g枾e剉9ei?T ;峇Õ?Otilde;?RMb剉(gl?&; 衏:ygbL坿T銷 b烺 ÿFO瀃E?g;?Otilde;?RMb剉(gl?ÿ}?q_N&y Google的圖檔可以看出，顔色變化是虛晃一槍，不存在任何處理難度。難度是字型變形 和字元粘連。 如果能成功的分割字元，那麼後期識别無論是用SVM等分類算法，還是分析筆順比劃走向 來硬識别，都相對好做。 2)圖像處理和粘連分割 代碼中的part1目錄主要完成圖像預處理和粘連字元分割 001：将圖像從jpg等格式轉換為位圖便于處理 002：采用Fix/Adaptive的Threshold門限算法，将圖檔Bin-Value二值化。 （可用003算法） 003：采用OSTU分水嶺算法，将圖檔Bin-Value二值化。 （更通用，大部分時候效果更好） 005：擷取ROI感興趣的區域。 006：Edge Trace邊緣跟蹤。 007：Edge Detection邊界檢測。 008：Thin細化去骨架。 009：做了一些Tidy整理。 （這個一般要根據特定的Captcha算法調整） 010：做切割,注意圖檔中紅色的交叉點。 011：将邊緣檢測和骨幹交叉點監測的圖像合并。 （合并過程可以做分析: 比如X坐标偏移門限分析，交叉點區域紋理分析，線條走勢分析， 等等各種方法，找出更可能的切分點和分離後部件的組合管理。） 驗證碼識别技術研究 代碼：（代碼品質不高，從其他項目拷貝過來，簡單修改的。） 剉(gl?ÿ}?q_N&; 衏:ygbL坿T銷 b;FO瀃E?g;?Otilde;?RMb剉(gl?ÿ}?q_N&y 檢視代碼(./pstzine_09_01.txt) 注： 在這裡，我們可以看到，基本的部件（字母是分割開了，但可以造成統一字母的被切 割成多個Component。 一種做法是：利用先驗知識，做分割； 另外一種做法是，和第二部分的 識别結合起來。 比如按照從左至右，嘗試增加component來識别，如果不能識别而且 component的總寬度，總面積還比較小，繼續增加。 當然不排除拒識的可能性。 ） 3)字元部件組合和識别。 枾e剉9ei?T &枾e剉9ei?T ÿ峇Õ?Otilde;?RMb剉(gl?ÿ}?q_N&;}?q_N&y part2的代碼展示了切割後的字母組合，和基于svm的字元識别的訓練和識别過程。 Detection.cpp中展示了ImageSpam檢測過程中的一些字元分割群組合，layout的分析和利用 的簡單技術。 而Google的驗證碼的識别，完全可以不用到，僅做參考。 SVM及使用： 本質上，SVM是一個分類器，原始的SVM是一個兩類分類的分類器。可以通過1:1或者1:n 的方式來組合成一個多類分類的分類器。 天生通過核函數的使用支援高維資料的分類。從 幾何意義上講，就是找到最能表示類别特征的那些向量（支援向量SV）,然後找到一條線，能最 大化分類的Margin。 libSVM是一個不錯的實作。 訓練間斷和識别階段的資料整理和歸一化是一樣的。 這裡的簡單做法是： 首先： ?sect;;yuml;}?q_Ný 衏:ygbL坿T銷 b烺 ÿFO瀃E?g;?Otilde;?RMb剉(gl?ÿ}?q_N&y #define SVM_MAX +0.999 #define SVM_MIN +0.001 其次： 掃描黑白待識别字幕圖檔的每個像素，如果為0(黑色，是字母上的像素),那麼svm中該位 置就SVM_MAX,反之則反。 枾e剉 ÿFO瀃E?g枾e剉9ei?T ÿ峇Õ?Otilde;?RMb剉(gl?ÿ}?q_Ný 衏:ygbL坿T銷 b烺 ÿFO瀃E?g;?Otilde;?RMb剉(gl?ÿ}?q_N&y 最後： 訓練階段，在svm的input的前面，為該類打上标記，即是那一個字母。 識别階段，當然這個類别标記是SVM分類出來。 注意： 如果是SVM菜鳥，最好找一個在SVM外邊做了包裝的工具，比如樣本選擇，交叉驗證，核函 數選擇這些，讓程式自動選擇和分析。 代碼：通過ReginGrowth來提取單個單個的字元，然後開始識别。 檢視代碼(./pstzine_09_02.txt) 六、對驗證碼設計的一些建議 枾e剉yuml;峇Õ?Otilde;?RMb剉(gl?ÿ}?q_Ný 衏:ygbL坿T銷 b烺 ÿFO瀃E?g枾e剉9ei?T ÿ峇Õ?Otilde;?RMb剉(gl?ÿ}?q_Ný 衏:ygbL坿T銷 b烺 ÿFO瀃E?g;?Otilde;?RMb剉(gl?ÿ}?q_N&y 1.在噪音等類型的使用上，盡力讓字元和用來混淆的前景和背景不容易區分。盡力讓壞 人（噪音）長得和好人（字母）一樣。 2.特别好的驗證碼的設計，要盡力發揮人類擅長而AI算法不擅長的。 比如粘連字元的 分割和手寫體（通過印刷體做特别的變形也可以）。 而不要一味的去加一些看起來比較複雜 的噪音或者其他的花哨的東西。即使你做的足夠複雜，但如果人也難識别，顯然别人認為你 是沒事找抽型的。 3. 從專業的機器視覺的角度說，驗證碼的設計，一定要讓破解者在識别階段，反複在低 階視覺和高階視覺之間多反複幾次才能識别出來。 這樣可以大大降低破解難度和破解的準 确率。 枾e剉9ei?T &枾e剉9ei?T ÿ峇Õ?Otilde;?RMb剉(gl?ÿ}?q_Ný 衏:ygbL坿T銷 b烺 ÿFO瀃E?g枾e剉9ei?T ÿ峇Õ?Otilde;?RMb剉(gl?ÿ}?q_Ný 衏:ygbL坿T銷 b烺 ÿFO瀃E?g;?Otilde;?RMb剉(gl?ÿ}?q_N&y 七、個人鄭重申明 1.這個問題，本身是人工智能，計算機視覺，模式識别領域的一個難題。我是蝦米，菜得 不能再菜的那種。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 走的是比較學院派的線路，能真正的破解難度比較高的驗證碼，不同于網上很多不太入流的 破解方法。我能做的隻有利用有限的知識，抛磚引玉而已。 很多OCR的技術，特别是離線手 寫體中文等文字識别的技術，個人了解有限的很，都不敢在這裡亂寫。 2.希望不要把這種技術用于非法用途。 | 
