一、驗證碼的基本知識
1. 驗證碼的主要目的是強(qiáng)制人機(jī)交互來抵御機(jī)器自動化攻擊的。
2. 大部分的驗證碼設(shè)計者并不得要領(lǐng)，不了解圖像處理，機(jī)器視覺，模式識別，人工智能的基本概念。
3. 利用驗證碼，可以發(fā)財，當(dāng)然要犯罪：比如招商銀行密碼只有6位，驗證碼形同虛設(shè)，計算機(jī)很快就能破解一個有錢的賬戶，很多帳戶是可以網(wǎng)上交易的。
4. 也有設(shè)計的比較好的，比如Yahoo,Google,Microsoft等。而國內(nèi)Tencent的中文驗證碼雖然難，但算不上好。
二、人工智能，模式識別，機(jī)器視覺，圖像處理的基本知識
1)主要流程：
比如我們要從一副圖片中，識別出驗證碼；比如我們要從一副圖片中，檢測并識別出一張人臉。 大概有哪些步驟呢？
1.圖像采集：驗證碼呢，就直接通過HTTP抓HTML，然后分析出圖片的url，然后下載保存就可以了。 如果是人臉檢測識別，一般要通過視屏采集設(shè)備，采集回來，通過A/D轉(zhuǎn)操作，存為數(shù)字圖片或者視頻頻。
2.預(yù)處理：檢測是正確的圖像格式，轉(zhuǎn)換到合適的格式，壓縮，剪切出ROI，去除噪音，灰度化，轉(zhuǎn)換色彩空間這些。
3.檢測：車牌檢測識別系統(tǒng)要先找到車牌的大概位置，人臉檢測系統(tǒng)要找出圖片中所有的人臉（包括疑似人臉）；驗證碼識別呢，主要是找出文字所在的主要區(qū)域。
4.前處理：人臉檢測和識別，會對人臉在識別前作一些校正，比如面內(nèi)面外的旋轉(zhuǎn)，扭曲等。我這里的驗證碼識別，“一般”要做文字的切割
5.訓(xùn)練：通過各種模式識別，機(jī)器學(xué)習(xí)算法，來挑選和訓(xùn)練合適數(shù)量的訓(xùn)練集。不是訓(xùn)練的樣本越多越好。過學(xué)習(xí)，泛化能力差的問題可能在這里出現(xiàn)。這一步不是必須的，有些識別算法是不需要訓(xùn)練的。
6.識別：輸入待識別的處理后的圖片，轉(zhuǎn)換成分類器需要的輸入格式，然后通過輸出的類和置信度，來判斷大概可能是哪個字母。識別本質(zhì)上就是分類。
2) 關(guān)鍵概念：
圖像處理：一般指針對數(shù)字圖像的某種數(shù)學(xué)處理。比如投影，鈍化，銳化，細(xì)化，邊緣檢測，二值化，壓縮，各種數(shù)據(jù)變換等等。
1.二值化：一般圖片都是彩色的，按照逼真程度，可能很多級別。為了降低計算復(fù)雜度，方便后續(xù)的處理，如果在不損失關(guān)鍵信息的情況下，能將圖片處理成黑白兩種顏色，那就最好不過了。
2.細(xì)化：找出圖像的骨架，圖像線條可能是很寬的，通過細(xì)化將寬度將為1，某些地方可能大于1。不同的細(xì)化算法，可能有不同的差異，比如是否更靠近線條中間，比如是否保持聯(lián)通行等。
3.邊緣檢測：主要是理解邊緣的概念。邊緣實際上是圖像中圖像像素屬性變化劇烈的地方。可能通過一個固定的門限值來判斷，也可能是自適應(yīng)的。門限可能是圖像全局的，也可能是局部的。不能說那個就一定好，不過大部分時候，自適應(yīng)的局部的門限可能要好點(diǎn)。被分析的，可能是顏色，也可能是灰度圖像的灰度。
機(jī)器視覺：利用計算機(jī)來模式實現(xiàn)人的視覺。 比如物體檢測，定位，識別。按照對圖像理解的層次的差別，分高階和低階的理解。
模式識別：對事物或者現(xiàn)象的某種表示方式（數(shù)值，文字，我們這里主要想說的是數(shù)值），通過一些處理和分析，來描述，歸類，理解，解釋這些事物，現(xiàn)象及其某種抽象。
人工智能：這種概念比較寬，上面這些都屬于人工智能這個大的方向。簡單點(diǎn)不要過分學(xué)院派的理解就是，把人類的很“智能”的東西給模擬出來協(xié)助生物的人來處理問題，特別是在計算機(jī)里面。
三、常見的驗證碼的破解分析
以http://libcaca.zoy.org/wiki/PWNtcha 這里PWNtcha項目中的資料為例分析，各種驗證碼的破解。（方法很多，僅僅從我個人乍看之下覺得可行的方法來分析）
1)Authimage
使用的反破解技巧：
1.不連續(xù)的點(diǎn)組成字符
2.有一定程度的傾斜
設(shè)計不好的地方：
1.通過縱橫的直方圖投影，可以找到字幕區(qū)域
2.通過Hough變換，適當(dāng)?shù)膮?shù)，可以找到近似的橫線，可以做傾斜矯正
3.字符串的傾斜式面內(nèi)的，沒有太多的破解難度
4.字母寬度一定，大小一定
2)Clubic
使用的反破解技巧：
1.字符是手寫體
設(shè)計不好的地方：
1.檢測切割階段沒有任何技術(shù)含量，屬于設(shè)計的比較丑的
2.只有數(shù)字，而且手寫體變化不大
3.表面看起來對識別階段有難度，仔細(xì)分析，發(fā)現(xiàn)幾乎不用任何高級的訓(xùn)練識別算法，就固定的招某些像素點(diǎn)是否有色彩就夠了
3)linuxfr.org
使用的反破解技巧：
1.背景顏色塊
2.前景的橫線或矩形
設(shè)計不好的地方：
1.背景色是單一色塊，有形狀，通過Region-Growth區(qū)域增長來很容易把背景給去掉
2.前景色是標(biāo)準(zhǔn)的線條，色彩單一
3.字母無粘連
4.都是印刷體
4)Ourcolony
使用的反破解技巧：
1.設(shè)計的太低級，不屑于去評價
設(shè)計不好的地方：
1.這種驗證碼，設(shè)計的最丑，但還是能把菜鳥搞定，畢竟學(xué)計算機(jī)的少，搞這個破解的更少，正所謂隔行如隔山
5)LiveJournal
使用的反破解技巧：
1.這個設(shè)計略微好點(diǎn)，使用個隨機(jī)噪音，而且作為前景
2.字母位置粗細(xì)都有變化
設(shè)計不好的地方：
1.字母沒有粘連
2.噪音類型單一
3.通過在X軸的直方圖投影，能準(zhǔn)確分割字幕
4.然后在Y周作直方圖投影,能準(zhǔn)確定位高度
5.識別階段，都是印刷體，簡單地很
四、網(wǎng)上的一些高級驗證碼
1) ICQ
2) IMDb
3) MS MVPS
4)MVN Forum
這些類型是被很多人認(rèn)為比較難得類型，分析一下可以發(fā)現(xiàn)，字符檢測，定位和分割都不是難。 唯一影響識別率的是IMDBb和MVPS這兩類，字體變形略大。
總體來說，這些類型的破解也不難，很容易做到50%以上的識別率。
五、高級驗證碼的破解分析
時間關(guān)系，我簡單介紹如何利用圖像處理和模式識別技術(shù)，自動識別比較高級的驗證碼。
(以風(fēng)頭正勁的Google為例)
1)至少從目前的AI的發(fā)展程度看，沒有簡單的做法能自動處理各種不同的驗證碼，即使能力很強(qiáng)，那么系統(tǒng)自然也十分復(fù)雜強(qiáng)大。所以，要想在很簡單的算法實現(xiàn)比較高級的驗證碼破解，必須分析不同驗證碼算法的特點(diǎn)：
作為一般的圖像處理和計算機(jī)視覺，會考慮色彩，紋理，形狀等直接的特征，同時也考慮直方圖，灰度等統(tǒng)計特征，還考慮FFT，Wavelet等各種變換后的特征。但最終目標(biāo)都是Dimension Reduction（降維）然后利于識別，不僅僅是速度的考慮。從圖像的角度看，很多系統(tǒng)都考慮轉(zhuǎn)換為灰度級甚者黑白圖片。
Google的圖片可以看出，顏色變化是虛晃一槍，不存在任何處理難度。難度是字體變形和字符粘連。
如果能成功的分割字符，那么后期識別無論是用SVM等分類算法，還是分析筆順比劃走向來硬識別，都相對好做。
2) 圖像處理和粘連分割
代碼中的part1目錄主要完成圖像預(yù)處理和粘連字符分割
001：將圖像從jpg等格式轉(zhuǎn)換為位圖便于處理
002：采用Fix/Adaptive的Threshold門限算法，將圖片Bin-Value二值化。
（可用003算法）
003：采用OSTU分水嶺算法，將圖片Bin-Value二值化。
（更通用，大部分時候效果更好）
005：獲取ROI感興趣的區(qū)域。
006：Edge Trace邊緣跟蹤。
007：Edge Detection邊界檢測。
008：Thin細(xì)化去骨架。
009：做了一些Tidy整理。
�。ㄟ@個一般要根據(jù)特定的Captcha算法調(diào)整）
010：做切割,注意圖片中紅色的交叉點(diǎn)。
011：將邊緣檢測和骨干交叉點(diǎn)監(jiān)測的圖像合并。
�。ê喜⑦^程可以做分析: 比如X坐標(biāo)偏移門限分析，交叉點(diǎn)區(qū)域紋理分析，線條走勢分析，等等各種方法，找出更可能的切分點(diǎn)和分離后部件的組合管理。）
代碼：（代碼質(zhì)量不高，從其他項目拷貝過來，簡單修改的。）
查看代碼(./pstzine_09_01.txt)
注： 在這里，我們可以看到，基本的部件（字母是分割開了，但可以造成統(tǒng)一字母的被切割成多個Component。 一種做法是：利用先驗知識，做分割； 另外一種做法是，和第二部分的識別結(jié)合起來。 比如按照從左至右，嘗試增加component來識別，如果不能識別而且component的總寬度，總面積還比較小，繼續(xù)增加。 當(dāng)然不排除拒識的可能性。 ）
3)字符部件組合和識別。
part2的代碼展示了切割后的字母組合，和基于svm的字符識別的訓(xùn)練和識別過程。Detection.cpp中展示了ImageSpam檢測過程中的一些字符分割和組合，layout的分析和利用的簡單技術(shù)。 而Google的驗證碼的識別，完全可以不用到，僅做參考。
SVM及使用：
本質(zhì)上，SVM是一個分類器，原始的SVM是一個兩類分類的分類器�？梢酝ㄟ^1:1或者1:n的方式來組合成一個多類分類的分類器。 天生通過核函數(shù)的使用支持高維數(shù)據(jù)的分類。從幾何意義上講，就是找到最能表示類別特征的那些向量（支持向量SV）,然后找到一條線，能最大化分類的Margin。
libSVM是一個不錯的實現(xiàn)。
訓(xùn)練間斷和識別階段的數(shù)據(jù)整理和歸一化是一樣的。 這里的簡單做法是：
首先：
#define SVM_MAX +0.999
#define SVM_MIN +0.001
其次：
掃描黑白待識別字幕圖片的每個像素，如果為0(黑色，是字母上的像素),那么svm中該位置就SVM_MAX,反之則反。
最后：
訓(xùn)練階段，在svm的input的前面，為該類打上標(biāo)記，即是那一個字母。
識別階段，當(dāng)然這個類別標(biāo)記是SVM分類出來。
注意：
如果是SVM菜鳥，最好找一個在SVM外邊做了包裝的工具，比如樣本選擇，交叉驗證，核函數(shù)選擇這些，讓程序自動選擇和分析。
代碼：通過ReginGrowth來提取單個單個的字符，然后開始識別。
查看代碼(./pstzine_09_02.txt)
六、對驗證碼設(shè)計的一些建議
1.在噪音等類型的使用上，盡力讓字符和用來混淆的前景和背景不容易區(qū)分。盡力讓壞人（噪音）長得和好人（字母）一樣。
2.特別好的驗證碼的設(shè)計，要盡力發(fā)揮人類擅長而AI算法不擅長的。 比如粘連字符的分割和手寫體（通過印刷體做特別的變形也可以）。 而不要一味的去加一些看起來比較復(fù)雜的噪音或者其他的花哨的東西。即使你做的足夠復(fù)雜，但如果人也難識別，顯然別人認(rèn)為你是沒事找抽型的。
3. 從專業(yè)的機(jī)器視覺的角度說，驗證碼的設(shè)計，一定要讓破解者在識別階段，反復(fù)在低階視覺和高階視覺之間多反復(fù)幾次才能識別出來。 這樣可以大大降低破解難度和破解的準(zhǔn)確率。
七、個人鄭重申明
1.這個問題，本身是人工智能，計算機(jī)視覺，模式識別領(lǐng)域的一個難題。我是蝦米，菜得不能再菜的那種。作為破解者來說，是出于劣勢地位。要做的很好，是很難得。總體來說，我走的是比較學(xué)院派的線路，能真正的破解難度比較高的驗證碼，不同于網(wǎng)上很多不太入流的破解方法。我能做的只有利用有限的知識，拋磚引玉而已。 很多OCR的技術(shù)，特別是離線手寫體中文等文字識別的技術(shù)，個人了解有限的很，都不敢在這里亂寫。
2.希望不要把這種技術(shù)用于非法用途
喜歡 
頂
難過
囧
圍觀
無聊
