Python3.5 + sklearn利用SVM自动识别字母验证码方法示例

前言

最近正在研究人工智能，为了加深对算法的理解，决定写个自动设别验证码的程序。看了看网上的demo，大部分都是python/' target='_blank'>python2的写法，而且验证码的识别都是用的数字做例子，那我就写个基于Python3字母识别的程序，不过一路写下来碰到不少坑，大家感兴趣的话可以慢慢看。

图片识别有几个比较大的步骤是必须完成的：

1、有大量的验证码图片作为样本

2、图片要进行处理 流程是：灰度化==》二值化==》字符切割==》识别分类

3、图像识别要提取特征值，然后把图片二值化的数据当做样本做训练，最后基于样本完成对新验证码的识别

一、大量验证码准备

因为要写字母识别，所以需要大量的字母验证码，正好之前做过某电商的项目，印象中是纯字母的查了下果然是的所以就用那个网站作为例子了。

获取验证码方法很简单，找到验证码动态生成的地址，

然后调用python的urllib.request获得图片然后保存就好了

二、图片的灰度化和二值化

其实为了增强识别率，我们将彩色的图片灰度化，

这样就变成了黑白两色，黑的是255白的是0，这样更容易让机器来识别。

灰度化和二值化之前、后的效果图

三、图片的分割

经过观察验证码可以发现，验证码是4位的字母，

同时验证码直接是有空白分隔的（后面的验证码有黏连的单独讲）

这里使用垂直投影法，根据投影进行图片的切割。这个算法讲起来太复杂，看代码吧。。。

效果如下，反正就是切成了4个图片

四、识别分类

这里因为图片太多了，要对每个图片分26个字母的哪一个太麻烦，所以借用Google的tesseract这个OCR的软件，用它来帮我识别下图片是哪个字母（当然它识别的成功率不高，不然也不用人工智能了），然后识别错误的我再手动分类。

经过ocr识别和人工分类后，我的temp目录下就变成了这样的，每个目录下都是正确的字母图片

五、提取特征值

将字母的文件夹图片取出，提取特征值然后存储到文本文件里

六、机器训练

这里使用sklearn.svm这个支持向量机的算法，来对数据进行分类。

SVM的算法是啥，可以看看知乎大神的讲解https://www.zhihu.com/question/21094489 ，

通过fit进行训练后，将训练的结果保存到pkl文件里，其实里面都是0和1的特征值

七、最后的验证就很简单了

找个验证码图片，调用之前的方法，变成二值化的数据，然后用SVM进行识别，就能得到正确的结果了

八、滴水算法（解决黏连问题）

这个验证码也不是完全都有空格分割好的，可能是长这样的，字母直接黏在一起了

这样的字母为了分割出来，就要用滴水算法，模拟水滴重力下落的过程，自动切分图片。

可以看我的water.py文件里面是详细的算法。

讲讲碰到的坑

1、python3不能用opencv了，尤其是cv2.cv方法只是python2用的，不用他换个python写法一样可以实现

2、原始图片有蓝色边，刚开始老识别错误，后来发现问题后，要先进行切割，保证只有字母是有颜色的，其它区域是白色的。

这个是cutImg方法的作用

3、使用Google的ocr时，使用了python的pytesseract，这个要先在电脑安装Tesseract-OCR,然后要在程序里指定路径才行，

不然会报错误的。pytesseract.pytesseract.tesseract_cmd = 'E:/Program Files (x86)/Tesseract-OCR/tesseract'

4、pytesseract.image_to_string(cur_img, config='-psm 7 outputbase letters')

这个letters是我自己创建的，位置在E:\Program Files (x86)\Tesseract-OCR\tessdata\configs 这里的letters是用来

约束识别范围的，比如我设置tessedit_char_whitelist abcdefghijklmnopqrstuvwxyz 这就表示只识别字母，这样

就会把1，0之类的变成l和o了

最后附上github的源码地址 https://github.com/zjy090/verifyCode（本地下载）

下次研究遗传算法GA的实现等写好了也写个demo分享给大家

总结

以上就是这篇文章的全部内容了，希望本文的内容对大家的学习或者工作具有一定的参考学习价值，谢谢大家对脚本之家的支持。