一种图片验证码处理方法及装置与流程

本发明涉及计算机数据处理领域，特别涉及一种图片验证码处理方法及装置。

背景技术：

验证码(captcha)是一种区分用户是计算机或人的公共全自动程序。在captcha测试中，作为服务器的计算机会自动生成一个问题由用户来解答，这个问题可以由计算机生成并评判，但是必须只有人类才能解答。由于计算机无法解答captcha的问题，所以回答出问题的用户就可以被认为是人类。

由于验证码可以防止恶意破解密码、刷票、论坛灌水等现象，一定程度上保障了网站的信息安全。然而，在大数据时代，数据的自动采集尤为重要，其常常需要经过验证码的这一道关卡。另一方面，为网站信息安全保驾护航的验证码，必须经受得起自动破解识别程序的考验，因此，验证码必须经过各种自动化测试才能达到高度的安全性。

现有的验证码识别技术，大多识别正确率不高，对于复杂多变的验证码比如噪音点、噪音直线、字符扭曲、字符相连、字符倾斜等情况都未给出系统而科学的解决方案，且无法实现跨平台调用。如在识别字符所在位置固定的验证码时，可以采用定像素宽度切割技术，但此技术仅适合字符位置固定的验证码，通用程度不高。

因此，亟需一种图片验证码处理方法及装置。

技术实现要素：

发明的目的：为了解决现有验证码识别技术存在的识别正确率低、无法科学处理复杂验证码的技术问题，提供了一种图片验证码处理方法及装置，能够解决验证码存在噪音点、噪音直线、字符扭曲变形、字符相连、字符旋转等问题，去噪声效果好，识别正确率高，能够实现跨平台调用。

为达到上述目的，本发明采用的技术方案是：提供了一种图形验证码处理方法，包括以下过程：

步骤1：在python中，对样本集中的验证码样本图像进行预处理；

步骤2：预处理后的样本集聚类产生k-means模型；通过k-means模型得到样本集的多维数组数据，利用pca主成分分析法对多维数组数据降维，并取出数据的典型特征，得到pca模型；降维后的多维数组数据经过svm机器学习训练，得到svc模型；

步骤3：利用k-means模型、pca模型对待识别验证码图像进行处理，利用svc模型对处理后的待识别验证码图像进行识别，并将识别过程封装一个验证码识别接口；

步骤4：将封装好的验证码识别接口打包成webservice，提供给webservice客户端调用。

进一步地，所述对样本集中的验证码样本图像进行预处理，包括以下过程：

获取至少500张验证码样本图像，形成样本集；所述验证码样本图像数量越多越好；

对样本集中每张验证码样本图像进行预处理，预处理后的验证码样本图像均为单个字符；所述预处理包括去除孤立噪点、去除干扰直线、倾斜校正、图像切割中的一种或几种，所述去除孤立噪点采用周边像素计数法或滤波除噪法，所述滤波除噪法采用中通滤波除噪；所述去除干扰直线采用颜色差异法或houghline直线检测法，所述houghline直线检测法引入直线宽度阈值，阈值以上的直线保留，阈值以下的直线去除；所述倾斜校正采用仿射变换法；所述图像切割采用等间隔切割或投影切割。

进一步地，所述预处理后的样本集聚类产生k-means模型，包括以下过程：

获取样本集和样本集对应字符集；

对预处理后的样本集进行尺度不变特征转换，得到样本集sift特征；

将样本集sift特征进行聚类，得到k-means模型。

进一步地，所述通过k-means模型得到样本集的多维数组数据，利用pca主成分分析法对多维数组数据降维，并取出数据的典型特征，得到pca模型，包括以下过程：

利用k-means模型对样本集sift特征分别进行聚类、预测，聚类得到k-means聚类结果数据，预测得到该sift特征的预测值并进行统计，将统计结果存入k-means聚类结果数据中，形成多维数组数据；

利用pca主成分分析法对多维数组数据降维，取出数据的典型特征，得到pca模型。

进一步地，所述利用k-means模型、pca模型对待识别验证码图像进行处理，利用svc模型对处理后的待识别验证码图像进行识别，包括以下过程：

加载待识别验证码图像与pca模型、k-means模型以及svc模型；

将待识别验证码图像进行预处理，通过尺度不变特征转换得到其sift特征；

利用k-means模型对待识别验证码图像sift特征进行预测，得到该sift特征的预测值并进行统计，将统计结果存入多维数组数据中，形成待识别验证码图像测试数据；

利用pca模型对待识别验证码图像测试数据降维；

利用svc模型对降维后的待识别验证码图像测试数据进行识别，并给出识别结果。

本发明还提供了一种图片验证码处理装置，包括：

图像预处理模块，用于在python中，对样本集中的验证码样本图像进行预处理；

模型建立模块，用于将预处理后的样本集聚类产生k-means模型；通过k-means模型得到样本集聚类结果数据，利用pca主成分分析法对样本集聚类结果数据降维，并取出数据的典型特征，得到pca模型；降维后的样本集聚类结果数据经过svm机器学习训练，得到svc模型；

模型识别模块，用于利用k-means模型、pca模型对待识别验证码图像进行处理，利用svc模型对处理后的待识别验证码图像进行识别，并将识别过程封装一个验证码识别接口；

服务调用模块，用于将封装好的验证码识别接口打包成webservice，提供给webservice客户端调用。

进一步地，所述图像预处理模块，具体用于：

获取至少500张验证码样本图像，形成样本集；

对样本集中每张验证码样本图像进行预处理，预处理后的验证码样本图像均为单个字符；所述预处理包括去除孤立噪点、去除干扰直线、倾斜校正、图像切割中的一种或几种。

进一步地，所述模型建立模块，具体用于：

获取样本集和样本集对应字符集；

对预处理后的样本集进行尺度不变特征转换，得到样本集sift特征；

将样本集sift特征进行聚类，得到k-means模型。

进一步地，所述模型建立模块，具体用于：

利用k-means模型对样本集sift特征分别进行聚类、预测，聚类得到k-means聚类结果数据，预测得到该sift特征的预测值并进行统计，将统计结果存入k-means聚类结果数据中，形成多维数组数据；

利用pca主成分分析法对多维数组数据降维，取出数据的典型特征，得到pca模型。

进一步地，所述模型识别模块，具体用于：

加载待识别验证码图像与pca模型、k-means模型以及svc模型；

将待识别验证码图像进行预处理，通过尺度不变特征转换得到其sift特征；

利用k-means模型对待识别验证码图像sift特征进行预测，得到该sift特征的预测值并进行统计，将统计结果存入多维数组数据中，形成待识别验证码图像测试数据；

利用pca模型对待识别验证码图像测试数据降维；

利用svc模型对降维后的待识别验证码图像测试数据进行识别，并给出识别结果。

本发明的有益效果是：本发明通过对样本集进行尺度不变特征转换、聚类、pca主成分分析和svm机器学习训练，得到验证码图像样本集的k-means模型、pca模型以及svc模型，并利用上述模型对待识别验证码图像进行识别，能够处理复杂多变的验证码图像，且识别正确率95％以上；同时，将识别过程封装为验证码识别接口，并打包成webservice提供给webservice客户端调用，可实现跨平台调用，通用性好，具有一定的应用前景。

附图说明

图1是本发明实施例1图片验证码处理方法的实现流程图。

图2是本发明实施例1图片验证码处理方法步骤2的具体流程图。

图3是本发明实施例1图片验证码处理方法步骤3的具体流程图。

图4是本发明实施例3图片验证码处理装置的结构框图。

具体实施方式

为使本发明解决的技术问题、采用的技术方案和达到的技术效果更加清楚，下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。

实施例1

参照图1-3，本实施例公开了一种图片验证码的处理方法，包括以下过程：

步骤1：在python中，利用opencv包对样本集中的验证码样本图像进行预处理；具体包括以下过程：

步骤1.1：获取2000张验证码样本图像，形成样本集；所述验证码样本图像的获取方式为人工标注；

步骤1.2：对样本集中每张验证码样本图像进行预处理，预处理后的验证码样本图像为单个字符；所述预处理包括去除孤立噪点、去除干扰直线、倾斜校正、图像切割中的一种或几种；

步骤2：预处理后的样本集聚类产生k-means模型；通过k-means模型得到样本集的多维数组数据，利用pca主成分分析法对多维数组数据降维，并取出数据的典型特征，得到pca模型；降维后的多维数组数据经过svm机器学习训练，得到svc模型；具体包括以下过程：

步骤2.1：获取样本集和样本集对应字符集；获取方式为人工标注；

步骤2.2：对预处理后的样本集进行尺度不变特征转换，得到样本集sift特征；

步骤2.3：将样本集sift特征进行聚类，得到k-means模型；

步骤2.4：利用k-means模型对样本集sift特征分别进行聚类、预测，聚类得到k-means聚类结果数据，预测得到该sift特征的预测值并进行统计，将统计结果存入k-means聚类结果数据中，形成多维数组数据；

步骤2.5：扩大待训练的数据集；将待训练的数据集扩大4倍，所述待训练的数据集包括样本集和样本集对应字符集，目的是为了弥补样本集过小的缺陷，使得到的模型更加准确；

步骤2.6：按照给定的比例参数将样本集分为训练集与测试集，此处比例参数设定0.85，即训练集在样本集的占比为0.85；

步骤2.7：利用pca主成分分析法对多维数组数据降维，取出数据的典型特征，得到pca模型；

步骤2.8：将训练集中的多维数组数据与样本集对应字符集数据一一对应，进行svm支持向量机训练，得到svc模型。

步骤3：利用k-means模型、pca模型对待识别验证码图像进行处理，利用svc模型对处理后的待识别验证码图像进行识别，并将识别过程封装成一个验证码识别接口；具体包括以下过程：

步骤3.1：加载待识别验证码图像、pca模型、k-means模型以及svc模型；所述待识别验证码图像存在背景噪点、字符倾斜等问题；

步骤3.2：将待识别验证码图像进行预处理，通过尺度不变特征转换得到其sift特征；所述待识别验证码图像的预处理过程为：先进行灰度化处理，二值化后，再进行投影切割，得到的字符独立不含噪音，虽然还有倾斜，但已基本可用于训练svc模型；

步骤3.3：利用k-means模型对待识别验证码图像sift特征进行预测，得到该sift特征的预测值并进行统计，将统计结果存入多维数组数据中，形成待识别验证码图像测试数据；

步骤3.4：利用pca模型对待识别验证码图像测试数据降维；

步骤3.5：利用svc模型对降维后的待识别验证码图像测试数据进行识别，并给出识别结果；

步骤3.6：将上述过程打包，整体封装为验证码识别接口。

步骤4：将封装好的验证码识别接口打包成webservice，提供给java的webservice客户端调用；具体包括以下过程：

步骤4.1：将封装好的验证码识别接口打包成webservice；

步骤4.2：运行python服务器端的webservice，新建一个webservice的project；

步骤4.3：输入服务器端python的webservice地址；

步骤4.4：新建一个applicationproxy对象；

步骤4.5：调用getimagevalue_test()方法，完成跨平台调用。

本实施1对于复杂多变的验证码诸如噪音点、噪音直线、字符扭曲变形、字符相连、字符旋转等各种情况都提出了解决办法，并且经过验证可得到较为理想的去噪效果，具有以下优点：

(1)图像预处理(验证码样本图像和待识别验证码图像)包括但不限于去除孤立噪点、去除干扰直线、倾斜校正、图像切割等过程，为得到字符清晰的二值化验证码图片，不同的验证码图像可采用不同的解决方案，灰度化、二值化、倾斜校正、切割，可以看成切片式的编程，对于不同类型验证码，组合不同的图像处理方法即可。

(2)开创性的用色彩聚类(k-means)去除穿越字符的干扰直线。

(3)在训练机器学习模型时，采用先进的sift聚类，pca主成分分析降维，极大地提高了模型的识别正确率。

(4)能处理不同特征的验证码，还可以通过webservice跨语言跨平台进行调用。

实施例2

本实施例公开了一种图片验证码处理方法，包括以下过程：

步骤1：在python中，利用opencv包对样本集中的验证码样本图像进行预处理；具体包括以下过程：

步骤1.1：获取4000张验证码样本图像，形成样本集；所述获取方式为人工标注；

步骤1.2：对样本集中每张验证码样本图像进行预处理，预处理后的验证码样本图像为单个字符；所述预处理包括去除孤立噪点、去除干扰直线、倾斜校正、图像切割中的一种或几种；

步骤2：预处理后的样本集聚类产生k-means模型；通过k-means模型得到样本集的多维数组数据，利用pca主成分分析法对多维数组数据降维，并取出数据的典型特征，得到pca模型；降维后的多维数组数据经过svm机器学习训练，得到svc模型；具体包括以下过程：

步骤2.1：获取样本集和样本集对应字符集；

步骤2.2：对预处理后的样本集进行尺度不变特征转换，得到样本集sift特征；

步骤2.3：将样本集sift特征进行聚类，得到k-means模型；

步骤2.4：利用k-means模型对样本集sift特征分别进行聚类、预测，聚类得到k-means聚类结果数据，预测得到该sift特征的预测值并进行统计，将统计结果存入k-means聚类结果数据中，形成多维数组数据；

步骤2.5：扩大待训练的数据集；将待训练的数据集扩大6倍，所述待训练的数据集包括样本集和样本集对应字符集，目的是为了弥补样本集过小的缺陷，使得到的模型更加准确；

步骤2.6：按照给定的比例参数将样本集分为训练集与测试集，此处比例参数设定0.9，即训练集在样本集的占比为0.9；

步骤2.7：利用pca主成分分析法对多维数组数据降维，取出数据的典型特征，得到pca模型；

步骤2.8：开始svm训练，将训练集中的多维数组数据与样本集对应字符集数据一一对应，进行svm支持向量机训练，得到svc模型。

步骤3：利用k-means模型、pca模型对待识别验证码图像进行处理，利用svc模型对处理后的待识别验证码图像进行识别，并将识别过程封装成一个验证码识别接口；具体包括以下过程：

步骤3.1：加载待识别验证码图像与pca模型、k-means模型以及svc模型；所述待识别验证码图像存在背景噪点、直线干扰、字符倾斜等问题；

步骤3.2：将待识别验证码图像进行预处理，通过尺度不变特征转换得到其sift特征；所述待识别验证码图像的预处理过程为：先进行灰度化处理，二值化后，再进行投影切割，从而得到独立的字符；

步骤3.3：利用k-means模型对待识别验证码图像sift特征进行预测，得到该sift特征的预测值并进行统计，将统计结果存入多维数组数据中，形成待识别验证码图像测试数据；

步骤3.4：利用pca模型对待识别验证码图像测试数据降维；

步骤3.5：利用svc模型对降维后的待识别验证码图像测试数据进行识别，并给出识别结果；

步骤3.6：将上述过程整体封装为验证码识别接口。

步骤4：将封装好的验证码识别接口打包成webservice，提供给c++的webservice客户端调用；具体包括以下过程：

步骤4.1：将封装好的验证码识别接口打包成webservice；

步骤4.2：运行python服务器端的webservice；

步骤4.3：输入服务器端python的webservice地址；

步骤4.4：新建一个applicationproxy对象；

步骤4.5：调用getimagevalue_test()方法，完成跨平台调用。

实施例3

参照图4，本实施例公开了一种图片验证码处理装置，包括：

图像预处理模块，用于在python中，对样本集中的验证码样本图像进行预处理；

模型建立模块，用于将预处理后的样本集聚类产生k-means模型；通过k-means模型得到样本集聚类结果数据，利用pca主成分分析法对样本集聚类结果数据降维，并取出数据的典型特征，得到pca模型；降维后的样本集聚类结果数据经过svm机器学习训练，得到svc模型；

模型识别模块，用于利用k-means模型、pca模型对待识别验证码图像进行处理，利用svc模型对处理后的待识别验证码图像进行识别，并将识别过程封装一个验证码识别接口；

服务调用模块，用于将封装好的验证码识别接口打包成webservice，提供给webservice客户端调用。

所述图像预处理模块，具体用于：

获取至少500张验证码样本图像，形成样本集；

对样本集中每张验证码样本图像进行预处理，预处理后的验证码样本图像均为单个字符；所述预处理包括去除孤立噪点、去除干扰直线、倾斜校正、图像切割中的一种或几种。

所述模型建立模块，具体用于：

获取样本集和样本集对应字符集；

对预处理后的样本集进行尺度不变特征转换，得到样本集sift特征；

将样本集sift特征进行聚类，得到k-means模型；

利用k-means模型对样本集sift特征分别进行聚类、预测；聚类得到k-means聚类结果数据，预测得到该sift特征的预测值并进行统计，将统计结果存入k-means聚类结果数据中，形成多维数组数据；

扩大待训练的数据集，所述待训练的数据集包括样本集和样本集对应字符集；目的是为了弥补样本集过小的缺陷，使得到的模型更加准确；

按照给定的比例参数将样本集分为训练集与测试集；

利用pca主成分分析法对多维数组数据降维，取出数据的典型特征，得到pca模型；

开始svm训练，将训练集中的多维数组数据与样本集对应字符集数据一一对应，进行svm支持向量机训练，得到svc模型。

所述模型识别模块，具体用于：

加载待识别验证码图像与pca模型、k-means模型以及svc模型；

将待识别验证码图像进行预处理，通过尺度不变特征转换得到其sift特征；

利用k-means模型对待识别验证码图像sift特征进行预测，得到该sift特征的预测值并进行统计，将统计结果存入多维数组数据中，形成待识别验证码图像测试数据；

利用pca模型对待识别验证码图像测试数据降维；

利用svc模型对降维后的待识别验证码图像测试数据进行识别，并给出识别结果。

所述调用识别模块，具体用于：

将封装好的验证码识别接口打包成webservice；

运行python服务器端的webservice；

输入服务器端python的webservice地址；

新建一个applicationproxy对象；

调用getimagevalue_test()方法，完成跨平台调用。

注意，上述内容仅为本发明的较佳实施例。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其它等效实施例，而本发明的范围由所附的权利要求范围决定。