Python3.5 + sklearn利用SVM自动识别字母验证码方法示例

Python3.5结合SVM实现字母验证码识别

前言

近期在深入探索人工智能领域，为深化对各类算法的理解，我决定开发一个自动识别验证码的程序。浏览网络上的相关示例后发现，多数代码仍基于Python2编写，且演示案例多集中于数字识别。因此，本文旨在分享一个基于Python3的字母验证码识别实现过程。在开发过程中遇到了一些典型问题，现整理如下供读者参考。

图像识别流程主要包含以下几个关键步骤：

1、收集大量的验证码图片作为训练样本；

2、对图像进行预处理，具体流程包括：灰度化、二值化、字符切割以及最终的识别分类；

3、在图像识别阶段提取特征值，将二值化后的图像数据作为样本进行模型训练，最终基于训练好的模型对新输入的验证码进行识别。

验证码样本获取与预处理流程

一、大量验证码样本的准备

由于目标是实现字母识别，我们需要积累大量的字母验证码数据。此前我曾参与某电商项目的开发，了解到该网站使用纯字母验证码，因此选取该网站作为示例数据来源。

获取验证码的方法相对简单，首先定位到动态生成验证码图片的URL地址。

随后调用Python标准库中的urllib.request模块获取图片数据，并将其保存至本地目录即可。

二、图像的灰度化与二值化处理

为了提高识别准确率，通常需要将彩色图像转换为灰度图像。

经过处理后，图像呈现黑白两色，其中黑色像素值设为255，白色像素值设为0。这种高对比度的表示方式更利于机器进行后续的特征提取与识别。

以下是灰度化及二值化处理前后的效果对比图。

字符分割与特征提取

三、图像的分割处理

通过观察验证码样本可以发现，目标验证码通常由4个字母组成。

此外，大多数验证码字符之间存在空白间隔（针对后续出现的字符黏连情况，将单独讨论处理方法）。

此处采用垂直投影法，依据像素投影分布情况对图像进行切割。该算法原理较为复杂，具体实现请参考相关代码部分。

处理效果如图所示，最终将原始图像成功分割为4个独立的字符图像。

四、识别与分类标注

鉴于图像数据量庞大，若对每张图手动区分26个英文字母将极其繁琐。因此，引入Google的Tesseract OCR软件辅助识别图像中的字母内容。虽然Tesseract的识别率并非完美（否则无需引入人工智能优化），但可大幅减少人工工作量，对于识别错误的样本再进行人工修正分类。

经过OCR自动识别与人工分类校正后，temp目录下形成了结构化的目录，每个子目录内存放对应正确字母的图片样本。

五、特征值提取

遍历存放字母图片的文件夹，提取每个字符的特征值，并将这些特征数据存储至文本文件中，以便后续模型训练使用。

SVM模型训练与验证

六、机器学习模型训练

本方案选用sklearn库中的SVM（支持向量机）算法对提取的特征数据进行分类训练。

关于SVM算法的具体原理，可参考知乎上的相关深度解析文章：https://www.zhihu.com/question/21094489 。

通过调用fit方法完成模型训练后，将训练结果序列化保存至pkl文件中。该文件内部主要存储了用于分类的0和1特征值矩阵。

七、最终验证环节

获取一张新的验证码图片，复用前述预处理方法将其转换为二值化数据，随后输入至训练好的SVM模型中进行识别，即可获取最终的识别结果。

黏连字符处理与常见问题解析

八、滴水算法（解决字符黏连问题）

部分验证码并非完全由空格分隔，可能出现字符相互黏连的情况，例如长这样的图像。

针对此类黏连字符，需采用滴水算法（Water Drop Algorithm）。该算法模拟水滴受重力作用下落的过程，自动寻找最佳切割点以分离黏连的字符图像。

详细的算法实现代码可查阅项目中的water.py文件。

开发过程中遇到的常见问题与解决方案：

1、Python3环境下不再支持旧版OpenCV的cv2.cv方法，该方法仅适用于Python2。需改用Python3兼容的写法即可实现相同功能。

2、原始验证码图片边缘带有蓝色边框，导致初期识别错误。经排查，需在切割前确保仅字母部分保留颜色，其余背景区域处理为白色。

上述逻辑由cutImg方法实现。

3、在使用Google OCR时，若通过Python的pytesseract库调用，需先在操作系统中安装Tesseract-OCR软件，并在代码中明确指定可执行文件路径。

否则程序运行时会报错。pytesseract.pytesseract.tesseract_cmd = 'E:/Program Files (x86)/Tesseract-OCR/tesseract'

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

其中letters是我手动创建的配置文件，存放路径位于E:\Program Files (x86)\Tesseract-OCR\tessdata\configs目录下。该配置文件用于

约束识别的范围，例如设置tessedit_char_whitelist abcdefghijklmnopqrstuvwxyz 表示仅允许识别英文字母。这样设置后

可以避免将数字1和0误识别为字母l和o。

最后附上GitHub源码下载地址：https://github.com/zjy090/verifyCode （提供本地下载链接）。

后续计划研究遗传算法（GA）的实现，待完成Demo后将再次分享给社区。

总结

以上即为本文的全部内容，希望本文的技术细节与实战经验能对各位的学习或工作有所帮助，感谢大家对本站的支持。