我佛了！用KNN实现验证码识别，又 Get 到一招！
2013 年 5 月 25 日
作者| 李秋键
责编| Carol
出品| AI科技大本营（ID：rgznai100）
头图 | CSDN付费下载自视觉中国
验证码使我们生活中最为常见的防治爬虫和机器人登录攻击的手段，一般的验证码主要由数字和字母组成，故我们可以设想：我们是否可以根据文本识别训练模型进行识别验证码呢？当然可以，今天我们就将利用 KNN 实现验证码的识别。
关于 KNN 基本常识如下：
KNN 算法我们主要要考虑三个重要的要素，对于固定的训练集，只要这三点确定了，算法的预测方式也就决定了。 这三个最终的要素是 k 值的选取，距离度量的方式和分类决策规则。
对于 k 值的选择，没有一个固定的经验，一般根据样本的分布，选择一个较小的值，可以通过交叉验证选择一个合适的 k 值。
选择较小的 k 值，就相当于用较小的领域中的训练实例进行预测，训练误差会减小，只有与输入实例较近或相似的训练实例才会对预测结果起作用，与此同时带来的问题是泛化误差会增大，换句话说， K 值的减小就意味着整体模型变得复杂，容易发生过拟合；
选择较大的 k 值，就相当于用较大领域中的训练实例进行预测，其优点是可以减少泛化误差，但缺点是训练误差会增大。 这时候，与输入实例较远（不相似的）训练实例也会对预测器作用，使预测发生错误，且 K 值的增大就意味着整体的模型变得简单。
一个极端是 k 等于样本数 m ，则完全没有分类，此时无论输入实例是什么，都只是简单的预测它属于在训练实例中最多的类，模型过于简单。
效果图如下：
实验前的准备
首先我们使用的 python 版本是 3 .6.5 所用到的库有 cv2 库用来图像处理；
N umpy 库用来矩阵运算；
训练的数据集如下所示：
训练模型的搭建
1 、获取切割字符轮廓：
我们定义ws和valid_contours数组，用来存放图片宽度和训练数据集中的图片。如果分割错误的话需要重新分割。主要根据字符数量判断是否切割错误，如果切割出有4个字符。说明没啥问题：
代码如下：
#定义函数get_rect_box，目的在于获得切割图片字符位置和宽度
def get_rect_box(contours):
print("获取字符轮廓。。。")
#定义ws和valid_contours数组，用来存放图片宽度和训练数据集中的图片。如果分割错误的话需要重新分割
ws = []
valid_contours = []
for contour in contours:
#画矩形用来框住单个字符，x,y,w,h四个参数分别是该框子的x,y坐标和长宽。因
x, y, w, h = cv2.boundingRect(contour)
if w = w_min * 2:
box_left = np.int0([[x,y], [x+w/3,y], [x+w/3,y+h], [x,y+h]])
box_mid = np.int0([[x+w/3,y], [x+w*2/3,y], [x+w*2/3,y+h], [x+w/3,y+h]])
box_right = np.int0([[x+w*2/3,y], [x+w,y], [x+w,y+h], [x+w*2/3,y+h]])
result.append(box_left)
result.append(box_mid)
result.append(box_right)
elif w_max 4:
for contour in valid_contours:
x, y, w, h = cv2.boundingRect(contour)
box = np.int0([[x,y], [x+w,y], [x+w,y+h], [x,y+h]])
result.append(box)
result = sorted(result, key=lambda x: x[0][0])
return result
2、数据集图像处理：
在读取数据集后，我们需要对图片数据集进行二值化和降噪处理，以获得更为合适的训练数据。
其中代码如下 ：
def process_im(im):
rows, cols, ch = im.shape
#转为灰度图
im_gray = cv2.cvtColor(im, cv2.COLOR_BGR2GRAY)
#二值化，就是黑白图。字符变成白色的，背景为黑色
ret, im_inv = cv2.threshold(im_gray,127,255,cv2.THRESH_BINARY_INV)
#应用高斯模糊对图片进行降噪。高斯模糊的本质是用高斯核和图像做卷积。就是去除一些斑斑点点的。因为二值化难免不够完美，去燥使得二值化结果更好
kernel = 1/16*np.array([[1,2,1], [2,4,2], [1,2,1]])
im_blur = cv2.filter2D(im_inv,-1,kernel)
#再进行一次二值化。
ret, im_res = cv2.threshold(im_blur,127,255,cv2.THRESH_BINARY)
return im_res
3 、切割字符：
在得到字符位置后，我们对图片进行切割和保存
部分代码如下：
#借助第一个函数获得待切割位置和长宽后就可以切割了
def split_code(filepath):
#获取图片名
filename = filepath.split("/")[-1]
#图片名即为标签
filename_ts = filename.split(".")[0]
im = cv2.imread(filepath)
im_res = process_im(im)
im2, contours, hierarchy = cv2.findContours(im_res, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
#这里就是用的第一个函数，获得待切割位置和长宽
boxes = get_rect_box(contours)
#如果没有区分出四个字符，就不切割这个图片
if len(boxes) != 4:
print(filepath)
# 如果区分出了四个字符，说明切割正确，就可以切割这个图片。将切割后的图片保存在char文件夹下
for box in boxes:
cv2.drawContours(im, [box], 0, (0,0,255),2)
roi = im_res[box[0][1]:box[3][1], box[0][0]:box[1][0]]
roistd = cv2.resize(roi, (30, 30))
timestamp = int(time.time() * 1e6)
filename = "{}.jpg".format(timestamp)
filepath = os.path.join("char", filename)
cv2.imwrite(filepath, roistd)
#cv2.imshow("image", im)
#cv2.waitKey(0)
#cv2.destroyAllWindows()
# split all captacha codes in training set
#调用上面的split_code进行切割即可。
def split_all():
files = os.listdir(TRAIN_DIR)
for filename in files:
filename_ts = filename.split(".")[0]
patt = "label/{}_*".format(filename_ts)
saved_chars = glob.glob(patt)
if len(saved_chars) == 4:
print("{} done".format(filepath))
continue
filepath = os.path.join(TRAIN_DIR, filename)
split_code(filepath)
4 、标注字符：
通过已经标注好的数据集字符读取标签，然后存储标签，以方便和图片达到对应。字符数据集如下：
代码如下：
#用来标注单个字符图片，在label文件夹下，很明显可以看到_后面的就是标签。比如图片里是数字6，_后面就是6
def label_data():
files = os.listdir("char")
for filename in files:
filename_ts = filename.split(".")[0]
patt = "label/{}_*".format(filename_ts)
saved_num = len(glob.glob(patt))
if saved_num == 1:
print("{} done".format(patt))
continue
filepath = os.path.join("char", filename)
im = cv2.imread(filepath)
cv2.imshow("image", im)
key = cv2.waitKey(0)
if key == 27:
sys.exit()
if key == 13:
continue
char = chr(key)
filename_ts = filename.split(".")[0]
outfile = "{}_{}.jpg".format(filename_ts, char)
outpath = os.path.join("label", outfile)
cv2.imwrite(outpath, im)
#和标注字符图反过来，我们需要让电脑知道这个字符叫啥名字，即让电脑知道_后面的就是他字符的名字
def analyze_label():
print("识别数据标签中。。。")
files = os.listdir("label")
label_count = {}
for filename in files:
label = filename.split(".")[0].split("_")[1]
label_count.setdefault(label, 0)
label_count[label] += 1
print(label_count)
5 、KNN模型训练：
KNN算法我们直接使用 OpenCV 自带的 KNN 函数即可。通过读取数据集和标签，加载模型训练即可。代码如下：
#训练模型，用的是k相邻算法
def get_code(im):
#将读取图片和标签
print("读取数据集和标签中。。。。")
[samples, label_ids, id_label_map] = load_data()
#k相邻算法
print("初始化中...")
model = cv2.ml.KNearest_create()
#开始训练
print("训练模型中，请等待！")
model.train(samples, cv2.ml.ROW_SAMPLE, label_ids)
#处理图片。即二值化和降噪
im_res = process_im(im)
#提取轮廓
im2, contours, hierarchy = cv2.findContours(im_res, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
#获取各切割区域位置和长宽
boxes = get_rect_box(contours)
#判断有没有识别出4个字符，如果没有识别出来，就不往下运行，直接结束了
if len(boxes) != 4:
print("cannot get code")
result = []
#如果正确分割出了4个字符，下面调用训练好的模型进行识别。
for box in boxes:
#获取字符长宽
roi = im_res[box[0][1]:box[3][1], box[0][0]:box[1][0]]
#重新设长宽。
roistd = cv2.resize(roi, (30, 30))
#将图片转成像素矩阵
sample = roistd.reshape((1, 900)).astype(np.float32)
#调用训练好的模型识别
ret, results, neighbours, distances = model.findNearest(sample, k = 3)
#获取对应标签id
label_id = int(results[0,0])
#根据id得到识别出的结果
label = id_label_map[label_id]
#存放识别结果
result.append(label)
return result
模型调用
if __name__ == "__main__":
file=os.listdir("test")
filepath="test/"+file[4]
im = cv2.imread(filepath)
preds = get_code(im)
preds="识别结果为："+preds[0]+preds[1]+preds[2]+preds[3]
print(preds)
canny0 = im
img_PIL = Image.fromarray(cv2.cvtColor(canny0, cv2.COLOR_BGR2RGB))
myfont = ImageFont.truetype(r'simfang.ttf', 18)
draw = ImageDraw.Draw(img_PIL)
draw.text((20, 5), str(preds), font=myfont, fill=(255, 23, 140))
img_OpenCV = cv2.cvtColor(np.asarray(img_PIL), cv2.COLOR_RGB2BGR)
cv2.imshow("frame", img_OpenCV)
key = cv2.waitKey(0)
print(filepath)
到这里，我们整体的程序就搭建完成，下面为我们程序的运行结果：
源码地址：
链接： https://pan.baidu.com/s/1Ir5QNjUZaeTW26T8Gb3txQ
提取码：9eqa
作者简介：
李秋键，CSDN博客专家，CSDN达人课作者。硕士在读于中国矿业大学，开发有taptap竞赛获奖等等。
About The Author
