Python3.5 + sklearn利用SVM自動識別字母驗證碼方法示例

前言

最近正在研究人工智能，為了加深對算法的理解，決定寫個自動設別驗證碼的程序。看了看網上的demo，大部分都是python2的寫法，而且驗證碼的識別都是用的數字做例子，那我就寫個基于python3字母識別的程序，不過一路寫下來碰到不少坑，大家感興趣的話可以慢慢看。

圖片識別有幾個比較大的步驟是必須完成的：

1、有大量的驗證碼圖片作為樣本

2、圖片要進行處理  流程是：灰度化==》二值化==》字符切割==》識別分類

3、圖像識別要提取特征值，然后把圖片二值化的數據當做樣本做訓練，最后基于樣本完成對新驗證碼的識別

一、大量驗證碼準備

因為要寫字母識別，所以需要大量的字母驗證碼，正好之前做過某電商的項目，印象中是純字母的查了下果然是的所以就用那個網站作為例子了。

獲取驗證碼方法很簡單，找到驗證碼動態生成的地址，

然后調用python的urllib.request獲得圖片然后保存就好了

二、圖片的灰度化和二值化

其實為了增強識別率，我們將彩色的圖片灰度化，

這樣就變成了黑白兩色，黑的是255白的是0，這樣更容易讓機器來識別。

灰度化和二值化之前、后的效果圖

三、圖片的分割

經過觀察驗證碼可以發現，驗證碼是4位的字母，

同時驗證碼直接是有空白分隔的（后面的驗證碼有黏連的單獨講）

這里使用垂直投影法，根據投影進行圖片的切割。這個算法講起來太復雜，看代碼吧。。。

效果如下，反正就是切成了4個圖片

四、識別分類

這里因為圖片太多了，要對每個圖片分26個字母的哪一個太麻煩，所以借用Google的tesseract這個OCR的軟件，用它來幫我識別下圖片是哪個字母（當然它識別的成功率不高，不然也不用人工智能了），然后識別錯誤的我再手動分類。

經過ocr識別和人工分類后，我的temp目錄下就變成了這樣的，每個目錄下都是正確的字母圖片

五、提取特征值

將字母的文件夾圖片取出，提取特征值然后存儲到文本文件里

六、機器訓練

這里使用sklearn.svm這個支持向量機的算法，來對數據進行分類。

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

通過fit進行訓練后，將訓練的結果保存到pkl文件里，其實里面都是0和1的特征值

七、最后的驗證就很簡單了

找個驗證碼圖片，調用之前的方法，變成二值化的數據，然后用SVM進行識別，就能得到正確的結果了

八、滴水算法（解決黏連問題）

這個驗證碼也不是完全都有空格分割好的，可能是長這樣的，字母直接黏在一起了

這樣的字母為了分割出來，就要用滴水算法，模擬水滴重力下落的過程，自動切分圖片。

可以看我的water.py文件里面是詳細的算法。

講講碰到的坑

1、python3不能用opencv了，尤其是cv2.cv方法只是python2用的，不用他換個python寫法一樣可以實現

2、原始圖片有藍色邊，剛開始老識別錯誤，后來發現問題后，要先進行切割，保證只有字母是有顏色的，其它區域是白色的。

這個是cutImg方法的作用

3、使用Google的ocr時，使用了python的pytesseract，這個要先在電腦安裝Tesseract-OCR,然后要在程序里指定路徑才行，

不然會報錯誤的。pytesseract.pytesseract.tesseract_cmd = 'E:/Program Files (x86)/Tesseract-OCR/tesseract'

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

這個letters是我自己創建的，位置在E:\Program Files (x86)\Tesseract-OCR\tessdata\configs 這里的letters是用來

約束識別范圍的，比如我設置tessedit_char_whitelist abcdefghijklmnopqrstuvwxyz 這就表示只識別字母，這樣

就會把1，0之類的變成l和o了

最后附上github的源碼地址 https://github.com/zjy090/verifyCode  （本地下載）

下次研究遺傳算法GA的實現等寫好了也寫個demo分享給大家

總結

以上就是這篇文章的全部內容了，希望本文的內容對大家的學習或者工作具有一定的參考學習價值，謝謝大家對億速云的支持。