摘要：目前花費了兩分鐘。我這地方使用卷積神經(jīng)網(wǎng)絡，。這地方對卷積神經(jīng)網(wǎng)絡算法就不做詳細介紹，感興趣的同學，可以學習一下。

??很多開發(fā)者都討厭網(wǎng)站的驗證碼，特別是寫網(wǎng)絡爬蟲的程序員，而網(wǎng)站之所以設置驗證碼，是為了防止機器人訪問網(wǎng)站，造成不必要的損失。現(xiàn)在好了，隨著機器學習技術的發(fā)展，機器識別驗證碼的問題比較好解決了。

??這里我們采用wordpress的Really Simple CAPTCHA生成驗證碼的插件，之所以選擇這個插件，一個是它的安裝量很大，二個是因為它是開源的，我們可以利用它批量的生成驗證碼圖片。

??我們通過demo網(wǎng)站得知，Really Simple CAPTCHA生成的是包含4個數(shù)字或者字母的圖片，通過閱讀源碼得知，這個插件還屏蔽了O和I這兩個比較容易混淆的字母，也就是說，還剩下32個字符，看來可以完成。
??目前花費了兩分鐘。

??我們要用到以下的工具和庫。

python3

opencv

keras

tensorflow

??為了達到目的，我們首先要準備樣本集，樣本如下：

使用Really Simple CAPTCHA插件的源碼，我們很方便的批量生成10000個驗證碼圖片和對應的結果，待我們生成完成后，大概如下：

這地方大家可以根據(jù)自己的實際情況修改Really Simple CAPTCHA插件的源碼，來生成自己想要的樣本集。如果你覺著麻煩，也可以下載我生成好的。

??目前為止，我們花了五分鐘。

??我們現(xiàn)在有了樣本集了，我們可以直接那圖片和對應的結果直接進行神經(jīng)網(wǎng)絡的訓練。

只要我們的樣本夠多，最終也能達到我們想要的效果。

??但我們也可以采用更好的訓練方法，這個訓練方法使用更少的樣本數(shù)據(jù)，但是結果要比直接訓練的方法好很多，我想你已經(jīng)猜到了，這個方法就是把圖片中的四個字符切割開，形成四個樣本。這方法之所以可行，是因為所有的驗證碼圖片都是4個字符的。

??10000張圖片，一張一張手動用PS去切割，肯定不現(xiàn)實，而且由于圖片的橫向排列并不是等間距的，字符間的距離大小不一致，手動切割肯定不可能了。

??其實我們只要畫出一個矩形，保證矩形框里只有字符就可以，然后從圖片中切出這樣的一個矩形，就形成了一個單個字符的圖片樣本。幸運的是，這個操作opencv已經(jīng)幫我們實現(xiàn)了，opencv有個函數(shù)叫做findContours()，可以按照同樣色值的區(qū)域裁剪我們想要的矩形。

首先準備一個圖片：

轉換圖片為黑白色。這樣有字符的地方為黑色，空白為白色，便于opencv裁剪。

-接下來我們用opencv的findContours函數(shù)切割圖片。

??接下來，我們就把圖片從左到右進行切割，并存儲切割后的圖片，以及圖片對應的字符。但是實際操作的過程中，我發(fā)現(xiàn)一個問題，就是有時候兩個字符靠的太近，導致opencv在切割的時候，把兩個字符切割刀一個圖片里了，比如：

切割完的效果是：

如果不解決這個問題，我們的樣本集就不準了，那訓練出來的模型也就不可能正確了。我的解決方法是，首先設置一個字符寬最大的像素，如果超過這個像素，則認為一個圖片中包含了兩個字符，然后我們選擇把這個圖片對半切割，分成兩個字符。例如：

好，我們現(xiàn)在得到了一個驗證碼圖片對應的4個字符的圖片，現(xiàn)在我們把所有的樣本圖片都切割好，然后，把相同的字符對應的圖片放到一個文件夾，這么做的目的是盡量多的找出同一個字符的多種樣式。結果如下：

??到目前為止，我花了10分鐘。

??因為我們只是識別圖片對應的數(shù)字或者字母，所以我們不需要特別復雜的神經(jīng)網(wǎng)絡算法。識別字符比識別小貓小狗的簡單多了。
??我這地方使用卷積神經(jīng)網(wǎng)絡，two convolutional layers and two fully-connected layers。

這地方對卷積神經(jīng)網(wǎng)絡算法就不做詳細介紹，感興趣的同學，可以google學習一下。
??訓練完成后，我們需要測試一下。15分鐘花完。

整個過程看起來很簡單：

從使用我們上述提到的插件的wordpress網(wǎng)站上下載驗證碼圖片

把圖片切割成包含單個字符的小圖片

使用神經(jīng)網(wǎng)絡算法訓練模型

預測新的驗證碼圖片對應的字符

下面是我的測試：

你可以從這得到完整的代碼和示例圖片，你可以參照README來運行相關的程序。

英文原文

下載代碼