基于Python語(yǔ)言和支持向量機(jī)的字符驗(yàn)證碼識(shí)別

楊雄

摘要：驗(yàn)證碼的主要目的是區(qū)分人類和計(jì)算機(jī)，用來(lái)防止自動(dòng)化腳本程序?qū)W(wǎng)站的一些惡意行為，目前絕大部分網(wǎng)站都利用驗(yàn)證碼來(lái)阻止惡意腳本程序的入侵。本文以某高校教務(wù)系統(tǒng)的字符驗(yàn)證碼作為研究對(duì)象，利用圖像處理的方法，對(duì)驗(yàn)證碼圖像進(jìn)行二值化、去離散噪聲、字符分割、歸一化、特征提取、訓(xùn)練和字符識(shí)別等過(guò)程實(shí)現(xiàn)了驗(yàn)證碼識(shí)別，并使用Python語(yǔ)言實(shí)現(xiàn)。最后在分析識(shí)別結(jié)果的基礎(chǔ)上，從驗(yàn)證碼識(shí)別的角度提出生成更加安全驗(yàn)證碼的一些建議。

關(guān)鍵詞：支持向量機(jī)（SVM）；驗(yàn)證碼；Python語(yǔ)言

中圖分類號(hào)：TP3 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1007-9416（2017）04-0072-03

1 引言

隨著互聯(lián)網(wǎng)的迅速發(fā)展和應(yīng)用，網(wǎng)絡(luò)為我們提供了越來(lái)越多的資源，也為我們的生活和工作提供了極大的便利，但同時(shí)也帶來(lái)了大量的互聯(lián)網(wǎng)安全問(wèn)題，比如刷票、用戶批量注冊(cè)、密碼暴力破解、社區(qū)惡意發(fā)帖等。

驗(yàn)證碼（CAPTCHA）是“Completely Automated Public Turing test to tell Computers and Humans Apart”（全自動(dòng)區(qū)分計(jì)算機(jī)和人類的圖靈測(cè)試）的縮寫(xiě)[1]，是能夠區(qū)分用戶是人還是計(jì)算機(jī)的公共自動(dòng)化程序，該程序提出的問(wèn)題由計(jì)算機(jī)生成并評(píng)判，但必須只有人類才能回答。由于計(jì)算機(jī)無(wú)法解答驗(yàn)證碼的問(wèn)題，所以可以認(rèn)為能夠回答出問(wèn)題的用戶就是人類。目前大部分學(xué)校的教務(wù)系統(tǒng)都采用了字符圖像驗(yàn)證碼。

支持向量機(jī)（SVM）是在統(tǒng)計(jì)學(xué)習(xí)的 VC維理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小化（Structure Risk Minimization，SRM）原理基礎(chǔ)上，發(fā)展起來(lái)的一種全新的機(jī)器學(xué)習(xí)算法[2]。該算法在解決小樣本、非線性及高維模式識(shí)別中有許多特有的優(yōu)勢(shì)。支持向量機(jī)根據(jù)其求解問(wèn)題的不同分為支持向量分類機(jī)和支持向量回歸機(jī)兩種類型。本文提出的驗(yàn)證碼識(shí)別算法是基于C-SVC的支持向量分類機(jī)[3]。

但隨著網(wǎng)絡(luò)技術(shù)的發(fā)展，最初的字符圖像驗(yàn)證碼已經(jīng)不能夠完全保障網(wǎng)絡(luò)的安全，為了評(píng)估這類驗(yàn)證碼的安全性，需要從識(shí)別角度進(jìn)行研究。因此，本文以某高校教務(wù)系統(tǒng)使用的驗(yàn)證碼作為識(shí)別對(duì)象，提出一種基于SVM的驗(yàn)證碼識(shí)別算法，使用Python的圖像處理庫(kù)和SVM機(jī)器學(xué)習(xí)庫(kù)來(lái)實(shí)現(xiàn)驗(yàn)證碼識(shí)別程序，根據(jù)識(shí)別率來(lái)評(píng)估網(wǎng)站的安全性，從而提出一些改進(jìn)意見(jiàn)。

2 驗(yàn)證碼預(yù)處理

為了防止計(jì)算機(jī)自動(dòng)化腳本的攻擊，字符圖像驗(yàn)證碼往往由服務(wù)器產(chǎn)生隨機(jī)字符序列后再加入一些干擾因素使計(jì)算機(jī)難以識(shí)別。本文將要識(shí)別的驗(yàn)證碼示例如圖1所示。

可以看到，該類驗(yàn)證碼加入的干擾因素主要是點(diǎn)線干擾噪聲，其加大了圖像識(shí)別的難度。因此，在進(jìn)行驗(yàn)證碼識(shí)別前，需要對(duì)驗(yàn)證碼圖像進(jìn)行預(yù)處理，步驟包括二值化、去除離散噪聲、字符分割和尺寸歸一化。

2.1 二值化

圖像的二值化處理就是將圖像上的點(diǎn)的像素值設(shè)置為0或255，使圖像的集合性質(zhì)只與像素值為0或255的點(diǎn)的位置有關(guān)。將圖像中所有小于閥值的像素被判定為屬于字符區(qū)域，其像素值設(shè)為0， 而大于或等于閥值的像素被排除在字符區(qū)域以外，像素值設(shè)為255。對(duì)圖像驗(yàn)證碼進(jìn)行二值化處理的關(guān)鍵是閾值的選擇與確定。二值化處理[4]選取閾值方法很多，經(jīng)過(guò)實(shí)驗(yàn)比較，本文采用全局固定閾值法[5]選取閾值，然后再對(duì)驗(yàn)證碼圖像進(jìn)行二值化處理。

設(shè)原始灰度圖像為f（x，y），二值化處理后的圖像為g（x，y），則二值化過(guò)程可表示為：

式中f（x，y）是原始圖像坐標(biāo)為（x，y）的點(diǎn)的像素值，g（x，y）是二值化處理后的該點(diǎn)的像素值，0表示黑點(diǎn)，255表示白色。在實(shí)際的處理系統(tǒng)中，進(jìn)行圖像二值化處理的關(guān)鍵是要確定合適的閾值，使得字符與背景能夠分享開(kāi)來(lái)，而且結(jié)果圖像必須具備良好的保形性，不能夠丟掉原來(lái)有用的信息，不產(chǎn)生額外的空缺等。通過(guò)實(shí)驗(yàn)，采用固定閾值80能夠得到較完美的效果。

使用Python語(yǔ)言實(shí)現(xiàn)的主要步驟包括：將RGB彩圖轉(zhuǎn)為灰度圖和將灰度圖，再按照設(shè)定閾值轉(zhuǎn)化為二值圖。

二值化后的驗(yàn)證碼示例如圖2所示，基本將背景噪聲去除了。

2.2 去除離散噪聲

經(jīng)過(guò)二值化處理后，驗(yàn)證碼圖像還存在或多或少的離散噪聲，尤其在字符周圍。本文消除驗(yàn)證碼字符周圍離散噪聲采用的是連通域去噪法：當(dāng)發(fā)現(xiàn)一個(gè)像素值為0的點(diǎn)時(shí)，記為：A，統(tǒng)計(jì)點(diǎn)A周邊九宮格里的像素值同樣為0的像素點(diǎn)數(shù)量，記為：Sum（A），如果Sum（A）少于一個(gè)定值K，則認(rèn)為此點(diǎn)為孤立點(diǎn)，將其排除在字符區(qū)域以外，將點(diǎn)A像素值設(shè)為255。經(jīng)過(guò)實(shí)驗(yàn)，當(dāng)K值取2時(shí)，能夠去除絕大部分的離散噪聲，得到較好的效果。

在具體處理時(shí)需要將所有的像素點(diǎn)按如下圖分成三大類：頂點(diǎn)X、非頂點(diǎn)的邊界點(diǎn)Y和內(nèi)部點(diǎn)Z。如圖3所示。

其中：X類點(diǎn)需要計(jì)算周邊相鄰的3個(gè)點(diǎn)，Y類點(diǎn)則需要計(jì)算周邊相鄰的5個(gè)點(diǎn)，而Z類點(diǎn)則計(jì)算周邊相鄰的8個(gè)點(diǎn)。

經(jīng)過(guò)去除離散噪聲操作的驗(yàn)證碼圖像如圖4所示，已經(jīng)去除了給絕大部分干擾噪聲。

2.3 字符分割

字符圖像驗(yàn)證碼本質(zhì)是由一系列的單個(gè)字符圖片拼接而成。將去除離散噪聲后的驗(yàn)證碼圖片放大到像素級(jí)別，可獲取各個(gè)字符位置參數(shù)信息：整個(gè)圖片大小是 40*10（單位為像素），單個(gè)字符大小為 7*10，字符間隔3個(gè)像素，左相距1個(gè)像素，右相距1個(gè)像素，字符上下相距0個(gè)像素，如圖5所示。

這樣就可以使用投影分割算法將驗(yàn)證碼圖像分割成只包含單個(gè)字符的圖片，只需要定位每個(gè)字符在整個(gè)圖片中所占據(jù)的像素區(qū)域，然后就可以根據(jù)像素位置進(jìn)行分割，分割后的單個(gè)字符圖片如圖6所示。

2.4 尺寸歸一化

本文所選擇的研究對(duì)象進(jìn)行字符分割后單個(gè)字符的尺寸已經(jīng)統(tǒng)一為7*10的規(guī)格，所以不需要做額外處理。

3 基于支持向量機(jī)的驗(yàn)證碼識(shí)別

支持向量機(jī)算法的關(guān)鍵是選取核函數(shù)的類型，主要有線性內(nèi)核，多項(xiàng)式內(nèi)核，徑向基內(nèi)核（RBF），sigmoid核。本文選定RBF核為SVM的核函數(shù)進(jìn)行支持向量機(jī)分類識(shí)別：

本文提出的驗(yàn)證碼識(shí)別算法實(shí)現(xiàn)使用的是Python的機(jī)器學(xué)習(xí)庫(kù)libSVM ，libSVM是臺(tái)灣大學(xué)林智仁（Lin Chih-Jen）教授等開(kāi)發(fā)設(shè)計(jì)的一個(gè)簡(jiǎn)單、易于使用和快速有效的SVM模式識(shí)別與回歸的軟件包[6]，libSVM使用的一般步驟是：

（1）準(zhǔn)備數(shù)據(jù)集，轉(zhuǎn)化為 libSVM支持的數(shù)據(jù)格式；

（2）考慮選用核函數(shù)（本文使用RBF 核函數(shù)）；

（3）采用交叉驗(yàn)證，選擇最佳參數(shù)C與g；

（4）用得到的最佳參數(shù)C與g 對(duì)整個(gè)訓(xùn)練集進(jìn)行訓(xùn)練得到SVM模型；

（5）利用得到的SVM模型進(jìn)行預(yù)測(cè)[7]。

3.1 素材標(biāo)記

因?yàn)闄C(jī)器開(kāi)始時(shí)是不具備任何字符的觀念，所以需要對(duì)機(jī)器學(xué)習(xí)的素材進(jìn)行手工標(biāo)識(shí)，告訴機(jī)器哪些圖片的內(nèi)容是1，哪些圖片的內(nèi)容是A，這個(gè)過(guò)程叫做 “素材標(biāo)記”。本文所選擇的研究對(duì)象，其字符包括0～9和A～Z，所以具體標(biāo)記素材的方法是：為0～9和 A～Z分別建立目錄，目錄名稱為相應(yīng)數(shù)字或字母，人為判定單個(gè)字符圖片內(nèi)容，并將其拖到指定目錄中，每個(gè)目錄中大約存放100張左右的素材。

3.2 字符特征提取

字符分割后圖片大小已經(jīng)歸一化，均為：寬7個(gè)像素，高10個(gè)像素，本文選擇驗(yàn)證碼單個(gè)字符所有點(diǎn)像素特征作為特征向量，因此定義出70個(gè)特征：70個(gè)像素點(diǎn)上面的像素值。當(dāng)像素表示對(duì)象時(shí)（即其像素值為0），其特征值為1，否則其特征值為0，最后得到一組70維的特征。

3.3 生成特征和標(biāo)識(shí)對(duì)應(yīng)的訓(xùn)練數(shù)據(jù)集

將已經(jīng)標(biāo)記好的0～9和A～Z目錄下的單個(gè)字符圖片特征化，按照l(shuí)ibSVM指定的格式生成一組帶特征值和標(biāo)記值的向量文件。生成的特征文件部分內(nèi)容如圖7所示。

每一行特征碼代表一張圖片，第一列就是該特征碼所代表的字符，示例文件中66即表示字符‘B，其他列分別表示70組特征值，冒號(hào)前為索引號(hào)，冒號(hào)后為特征值。

3.4 訓(xùn)練特征標(biāo)記數(shù)據(jù)生成SVM模型

使用Python的機(jī)器學(xué)習(xí)庫(kù)libSVM，首先調(diào)用svm_read_problem函數(shù)，選擇RBF 核函數(shù)，輸入特征文件，然后調(diào)用svm_train函數(shù)進(jìn)行訓(xùn)練，最后調(diào)用svm_save_model以文件形式保存SVM模型。

3.5 使用SVM模型預(yù)測(cè)新的未知驗(yàn)證碼圖片集

生成SVM模型后，需要使用訓(xùn)練集之外的全新的標(biāo)記后的圖片作為測(cè)試集來(lái)對(duì)模型進(jìn)行測(cè)試。首先生成需要識(shí)別的字符驗(yàn)證碼的特征碼，將其全部標(biāo)記為0，然后將生成的文件作為測(cè)試樣本，接著調(diào)用函數(shù)svm_predict進(jìn)行預(yù)測(cè)，最終返回識(shí)別結(jié)果。

4 實(shí)驗(yàn)結(jié)果分析

本文對(duì)指定高校教務(wù)系統(tǒng)的動(dòng)態(tài)驗(yàn)證碼形成持續(xù)不斷地識(shí)別，將識(shí)別的結(jié)果作為名稱保存此驗(yàn)證圖片，主要步驟如下：

（1）通過(guò)http接口，獲得驗(yàn)證碼圖片。

（2）對(duì)驗(yàn)證碼圖片進(jìn)行二值化、去除離散噪聲等預(yù)處理。

（3）使用SVM模型文件對(duì)分割后的4張單字符圖片分別進(jìn)行識(shí)別。

（4）將識(shí)別結(jié)果拼接。共識(shí)別了9000張圖片，識(shí)別率能達(dá)到100%，部分識(shí)別效果如圖8所示。

5 結(jié)語(yǔ)

通過(guò)實(shí)驗(yàn)數(shù)據(jù)可知，該高校的教務(wù)系統(tǒng)的驗(yàn)證碼能夠100%被識(shí)別出來(lái)，說(shuō)明其驗(yàn)證碼無(wú)法有效保障網(wǎng)絡(luò)的安全，形同虛設(shè)。因?yàn)榱己玫尿?yàn)證碼的前提就是要滿足安全性，所以需要加強(qiáng)驗(yàn)證碼環(huán)節(jié)的安全性，提出如下建議：

（1）驗(yàn)證碼字符個(gè)數(shù)不固定，因?yàn)樽址麛?shù)目不確定性增加機(jī)器程序識(shí)別的難度；

（2）字符適當(dāng)扭曲或字符位置不固定，這使驗(yàn)證字符串即無(wú)固定的開(kāi)始位置，也無(wú)固定的字符間隔，增加了機(jī)器識(shí)別的難度[8]；

（3）使用行為驗(yàn)證碼，通過(guò)用戶的操作行為來(lái)完成驗(yàn)證。

參考文獻(xiàn)

[1]von Ahn L， Blum M， Hopper N， et al.The CAPTCHA project[EB/OL].

[2]Sun T，Neuro Y.Detail-preserving median based filters in image processing[J].Pattern Recognition Letters，1994，15（4）：341-347.

[3]李卓，柴濱景，胡繼東.支持向量機(jī)在油田系統(tǒng)建模中的應(yīng)用[J].現(xiàn)代電子技術(shù)，2007，30（1）：162-164.

[4]Gonzalez R C.數(shù)字圖像處理[M].2版.北京：電子工業(yè)出版社，2007.

[5]王興芬，李雪燕，張繼松.基于支持向量機(jī)的網(wǎng)上銀行驗(yàn)證碼識(shí)別研究[J].計(jì)算機(jī)工程與應(yīng)用，2012，48（29）：73-77.

[6]Chang CC， Lin CJ. LIBSVM： a library for support vector machines[EB/OL].[2015-08].

[7]趙振書(shū)，孫建平，朱雯.SVM在汽輪機(jī)軸系系統(tǒng)狀態(tài)監(jiān)測(cè)中的應(yīng)用[J].儀器儀表用戶，2012， 19（4）：41-43.

[8]葉振.一種新型圖像驗(yàn)證碼系統(tǒng)[J].數(shù)字技術(shù)與應(yīng)用，2014（8）：185-185.