验证码是根据随机字符生成一幅图片,然后在图片中加入干扰象素,用户必须手动填入,防止有人利用机器人自动批量注册、灌水、发垃圾广告等等 。
验证码的作用是验证用户是真人还是机器人;设计理念是对人友好,对机器难。
上图是常见的字符验证码,还有一些验证码使用提问的方式。
我们先来看看破解验证码的几种方式:
人力打码(基本上,打码任务都是大型网站的验证码,用于自动化注册等等) 找到能过验证码的漏洞 最后一种是字符识别,这是本帖的关注点
我上网查了查,用Tesseract OCR、OpenCV等等其它方法都需把验证码分割为单个字符,然后识别单个字符。分割验证码可是人的强项,如果字符之间相互重叠,那机器就不容易分割了。
本帖实现的方法不需要分割验证码,而是把验证码做为一个整体进行识别。
相关论文:
Multi-digit Number Recognition from Street View Imagery using Deep CNN CAPTCHA Recognition with Active Deep Learning http://matthewearl.github.io//05/06/cnn-anpr/
使用深度学习+训练数据+大量计算力,我们可以在几天内训练一个可以破解验证码的模型,当然前提是获得大量训练数据。
获得训练数据方法:
手动(累死人系列) 破解验证码生成机制,自动生成无限多的训练数据 打入敌人内部(卧底+不要脸+不要命+多大仇系列)
我自己做一个验证码生成器,然后训练CNN模型破解自己做的验证码生成器。
我觉的验证码机制可以废了,单纯的增加验证码难度只会让人更难识别,使用CNN+RNN,机器的识别准确率不比人差。Google已经意识到了这一点,他们现在使用机器学习技术检测异常流量。
验证码生成器
训练
CNN需要大量的样本进行训练,由于时间和资源有限,测试时我只使用数字做为验证码字符集。如果使用数字+大小写字母CNN网络有4*62个输出,只使用数字CNN网络有4*10个输出。
TensorBoard是个好东西,既能用来调试也能帮助理解Graph。
训练完成时的准确率(超过50%我就不训练了):
使用训练的模型识别验证码:
loss和准确率曲线:
为了成为真正的码农,本熊猫要开始研习TensorFlow源代码了,应该能学到不少玩意。
如要转载,请保持本文完整,并注明作者@斗大的熊猫和本文原始地址:/archives/10858