复杂背景验证码识别破解：以Discuz动画验证码为例

处理像Discuz最新版那种比较棘手的验证码，确实要费点功夫。不过话说回来，核心原理和普通验证码识别其实没啥两样——无非是多了一道背景处理的工序。下面就以DZ论坛的动画验证码为例，把整个识别思路拆开来讲。

第一步要干的事，就是把背景去掉。这类验证码的背景往往没那么干净，用过去的老办法基本行不通。上面那张图还算客气的，实践中遇到过不少图片，背景色和字母色非常接近，而且字母颜色在变，背景颜色也在变，简直像一锅乱炖。

一个直观的思路是：找到图片中使用频率最高的颜色。具体做法就是用HSL表示每个点的颜色，然后统计所有点的亮度值累加，找出几个最大的峰值——这些就是图片中颜色最丰富的区域对应的亮度累计值。

剩下的基本都是噪音。接下来只要对每个峰值做分割，就能得到下面这样的图片。

你看，这样就把单个颜色的图片单独拎出来了。然后需要做的，是把那些除了黑色和白色以外的图片过滤掉。

接着进行灰化处理、阈值处理、降噪，结果就是下面这个样子。

再根据边界检测得到的最左侧x位置，就能把字母顺序排好。

到了这一步，后面的事就轻车熟路了：把图片转成标准模板，然后只需要少量学习，就能达到95%以上的识别率。

c:15 j:8 8:7 t:9 9:4 x:7 4:6 2:4 h:7 f:8 e:18 b:5 y:3 k:4 w:3 g:5 3:5 7:6 r:2 m:3 q:4 v:2 p:3 6:2

上面这串数据的意思是：字母c学习了15次，j学习了8次，以此类推。

只要字符之间不粘连，绝大多数验证码干扰技术其实都有办法应对。这也是为什么Google的验证码看起来很简单，但至今没人能破解得好的原因。

补充一下关于杂点的问题

有朋友在留言中提到，某些字符里混进了杂点。这种验证码虽然不算太普遍，但稍微研究了一下怎么处理。

比如“CY3E”这张图，字母3里面有杂点，其他的没有。按照上文的方法，怎么判断这个3不是和其他颜色杂点一样的图片呢？

这里需要加一个步骤：对每次过滤颜色生成出来的图片进行填充。

先找到字母3的杂点原图：

然后做一个算法填充：

要把这张图和那些全是杂点的图片区分开，可以考虑从以下两个维度入手：

1. 连贯点的宽度
2. 连贯点的个数

这样一来，剩下的就是“CY3E”过滤后的干净图片了。

至于字符倾斜的问题，完全可以在机器学习的过程中解决——把正在学习的图片自己旋转一定角度，比如从-10度到+10度。当然，学习库会因此大一些，但就10个数字这种验证码来说，这点性能损失基本可以忽略不计。