使用OpenCV怎么實現滑塊驗證碼

使用OpenCV怎么實現滑塊驗證碼？相信很多沒有經驗的人對此束手無策，為此本文總結了問題出現的原因和解決方法，通過這篇文章希望你能解決這個問題。

首先需要一個python，然后安裝opencv的python庫，如下：

pip install opencv-python

然后測試一下是否可用，如下：

import cv2 as cv
import numpy as np

if __name__ == '__main__':
 img = np.ones((200, 200, 3), np.uint8) * 255
 cv.rectangle(img, (50, 50), (150, 150), (0, 0, 255), 2)
 cv.imshow('test', img)
 cv.waitKey(0)
 cv.destroyAllWindows()

正常的話就會如下顯示：

OpenCV的使用

相關的API我也是邊用邊查的，用得也是相當生疏！具體的常用方法大家只好自行百度了，我就不獻丑了！

實現原理及方法

騰訊滑塊驗證

這次搞得目標就是騰訊滑塊驗證碼，調用騰訊滑塊這個接口的網站還是挺多的，比如非常好用的在線畫圖網站ProcessOn，其中滑塊驗證部分類似這樣子的：

抓個包發現只有滑塊圖和帶缺口的圖，如下：

破解滑塊驗證碼最為關鍵的地方在于找到滑塊缺口的位置，找到缺口位置后就可以利用Selenium模擬拖動滑塊到指定位置實現破解，之前的老辦法就是將完整圖的像素點和帶缺口圖的像素點進行比較從而得到缺口位置，但是現在一般不會將完整圖暴露給我們，所以只有在帶有缺口的圖上進行處理。我這里一共有兩種方案進行缺口位置識別，一種是基于模板匹配的，另一種是基于輪廓檢測的，下面會細講兩種方案的實現方法。

模板匹配識別缺口

具體是實現過程如下：

1.處理滑塊的圖片

• 灰度化滑塊圖片

• 處理一下滑塊圖中滑塊的外圈

• 使用inRange二值化滑塊圖

• 使用開運算去除白色噪點

運行結果如下所示(左側為原始滑塊，右側為處理后的滑塊)：

2.處理帶缺口的圖片

• 先來個高斯濾波去噪

• 灰度化帶缺口圖

• 使用閾值二值化該圖

運行結果如下所示(左側為原始圖，右側為處理后的圖)：

3.進行模板匹配

調用模板匹配API并圈出匹配上的區域，結果如下所示：

警告警告警告

這種方法的缺口識別率在50%左右，很大一部分原因是滑塊圖的背景為純白色，這在匹配時會產生很大的干擾，要是能將滑塊圖的背景變為透明，正確的匹配率可以達到90%以上

如果大家有任何將滑塊圖的背景變為透明的辦法，可以留言到評論區，我真的萬分感謝！！！下面是現階段的實現代碼：

# encoding:utf-8
import cv2 as cv
import numpy as np


# 對滑塊進行二值化處理
def handle_img1(image):
  kernel = np.ones((8, 8), np.uint8) # 去滑塊的前景噪聲內核
  gray = cv.cvtColor(image, cv.COLOR_BGR2GRAY)
  width, heigth = gray.shape
  for h in range(heigth):
    for w in range(width):
      if gray[w, h] == 0:
        gray[w, h] = 96
  # cv.imshow('gray', gray)
  binary = cv.inRange(gray, 96, 96)
  res = cv.morphologyEx(binary, cv.MORPH_OPEN, kernel) # 開運算去除白色噪點
  # cv.imshow('res', res)
  return res


# 模板匹配(用于尋找缺口有點誤差)
def template_match(img_target, img_template):
  tpl = handle_img1(img_template) # 誤差來源就在于滑塊的背景圖為白色
  blurred = cv.GaussianBlur(img_target, (3, 3), 0) # 目標圖高斯濾波
  gray = cv.cvtColor(blurred, cv.COLOR_BGR2GRAY)
  ret, target = cv.threshold(gray, 127, 255, cv.THRESH_BINARY) # 目標圖二值化
  # cv.imshow("template", tpl)
  # cv.imshow("target", target)
  method = cv.TM_CCOEFF_NORMED
  width, height = tpl.shape[:2]
  result = cv.matchTemplate(target, tpl, method)
  min_val, max_val, min_loc, max_loc = cv.minMaxLoc(result)
  left_up = max_loc
  right_down = (left_up[0] + height, left_up[1] + width)
  cv.rectangle(img_target, left_up, right_down, (0, 0, 255), 2)
  cv.imshow('res', img_target)


if __name__ == '__main__':
  img0 = cv.imread('./demo/3/hycdn_3.jpg')
  img1 = cv.imread('./demo/3/hycdn_3_2.png')
  template_match(img0, img1)
  cv.waitKey(0)
  cv.destroyAllWindows()

輪廓檢測識別缺口

基于輪廓檢測缺口的思路簡單很多，加上合理的條件識別率在95%以上，實現過程如下：

帶缺口圖高斯模糊去噪用(200,400)的閾值做Canny邊緣檢測尋找輪廓對已有的輪廓做約束，比如輪廓的面積范圍，輪廓的周長范圍

多個匹配結果如下：

實現代碼如下：

# encoding:utf-8
import cv2 as cv


def get_pos(image):
  blurred = cv.GaussianBlur(image, (5, 5), 0)
  canny = cv.Canny(blurred, 200, 400)
  contours, hierarchy = cv.findContours(canny, cv.RETR_EXTERNAL, cv.CHAIN_APPROX_SIMPLE)
  for i, contour in enumerate(contours):
    M = cv.moments(contour)
    if M['m00'] == 0:
      cx = cy = 0
    else:
      cx, cy = M['m10'] / M['m00'], M['m01'] / M['m00']
    if 6000 < cv.contourArea(contour) < 8000 and 370 < cv.arcLength(contour, True) < 390:
      if cx < 400:
        continue
      x, y, w, h = cv.boundingRect(contour) # 外接矩形
      cv.rectangle(image, (x, y), (x + w, y + h), (0, 0, 255), 2)
      cv.imshow('image', image)
      return x
  return 0


if __name__ == '__main__':
  img0 = cv.imread('./demo/4/hycdn_4.jpg')
  get_pos(img0)
  cv.waitKey(0)
  cv.destroyAllWindows()

看完上述內容，你們掌握使用OpenCV怎么實現滑塊驗證碼的方法了嗎？如果還想學到更多技能或想了解更多相關內容，歡迎關注億速云行業資訊頻道，感謝各位的閱讀！