用imagemagick和tesseract-ocr破解简单验证码

用imagemagick和tesseract-ocr破解简单验证码

Tesseract-ocr据说辨识程度是世界排名第三,可谓神器啊。

准备工作：

1.安装tesseract-ocr

1. sudo apt-get install tesseract

2.安装imagemagick

1. sudo apt-get install imagemagick

3.安装rmagick

1. sudo apt-get remove --purge librmagick-ruby-doc librmagick-ruby1.8
2. sudo apt-get install libmagick9-dev ruby1.8-dev
3. sudo gem install rmagick

先试一个简单的：

1. require 'rubygems'
2. require 'rtesseract'
3. img = RTesseract.new("tmp/test.jpg")
4. img.to_s.sub(/\s+$/, "") # => "3R8Z"

很成功，但这个太简单了。一般破解复杂点的验证码处理步骤是先用imagemagick灰度化，灰度反转，提高对比度，二值化等。然后再用ocr去识别。ocr识别黑白图片效果比较好些。

这个是人民网的验证码：

1. img = MiniMagick::Image.new("tmp/people.jpg")
2. img.colorspace("GRAY")#灰度化
3. image = RTesseract.new(img.path)
4. image.to_s.sub(/\s+$/, "") # => "254369"

这个还是简单，再复杂一点的，这个是4399.com的验证码：

有黑色边框，有背景色，文字稍微扭曲。

1. img = MiniMagick::Image.new("tmp/4399.jpg")
2. img.crop("#{img[:width] - 2}x#{img[:height] - 2}+1+1") #去掉边框（上下左右各1像素）
3. img.colorspace("GRAY") #灰度化
4. img.monochrome #二值化
5. image = RTesseract.new(img.path) #ocr识别
6. image.to_s.sub(/\s+$/, "") #=> "5692"

像上面这样简单的识别率几乎能达到80%以上，扭曲太严重的识别率就很低了。有轻微噪点的就得自己写去噪算法了。。

还有一些验证码看起来很变态但是是纸老虎。像当当的。刷新了几次发现结果在1-20之间,选中一个数暴力破解每次也有1/20正确的概率。

还有139的：。答案就12种1-4A-Da-d。而且不区分大小写。选中一个字母每次有1/6的概率命中。

下载jTessBoxEditor用于修改box文件
下载地址：http://download.csdn.net/detail/a443475601/5896893 里面自带java运行库，安装后 然后启动命令行 java -jar jTessBoxEditor.jar即可打开

为了方便 tif文面命名格式[lang].[fontname].exp[num].tif
lang是语言 fontname是字体 
比如我们要训练自定义字库 chi 字体名:黑体
那么我们把tif文件重命名 chi.黑体.exp0.tif
把多个.tif文件合并成一个.tif文件合并成一个.tif文件

下面开始训练字库：

下面第一条命令与上图功能一样，产生.box文件

1、E:\Tesseract-ocr\tesseract.exe chi.黑体.exp0.tif chi.黑体.exp0 batch.nochop makebox

运行以上命令也会产生一个box文件。产生box文件的过程是必须的，也是最重要的，没有box文件以下的内容都无法进行。

需要记住的是生成的.box要和这个.tif文件同在一个目录下。

2、文字校正。运行jTessBoxEditor工具，打开chi.黑体.exp0.tif文件（必须将上一步生成的.box和.tif样本文件放在同一目录），如上图所示。可以看出有些字符识别的不正确，可以通过该工具手动对每张图片中识别错误的字符进行校正。校正完成后保存即可。

2、产生字符特征文件

   tesseract chi.黑体.exp0.tif chi.黑体.exp0 nobatch box.train

这一步将会产生 chi.黑体.exp0.tr文件和一个 chi.黑体.exp0.txt文件,txt文件貌似没什么用，看看而以。

3、计算字符集

   unicharset_extractor chi.黑体.exp0.box

这一步会产生一个unicharset字符集文件.

4、定义字体特征文件，---Tesseract-OCR3.01以上的版本在训练之前需要创建一个名称为font_properties.txt的字体特征文件

手工建立一个文件font_properties.txt

内容如：黑体 0 0 0 0 0

注意:这里   必须与训练名中的名称保持一致,填入下面内容 ,这里全取值为0，表示字体不是粗体、斜体等等。

5、聚集字符特征

1) shapeclustering -F font_properties.txt -U unicharset chi.黑体.exp0.tr   注意：如果font_properties不加扩展名.txt，可能会报错

2) mftraining -F font_properties.txt -U unicharset -O chi.unicharset chi.黑体.exp0.tr

使用上一步产生的字符集文件unicharset，来生成当前新语言的字符集文件chi.unicharset。同时还会产生图形原型文件inttemp和每个字符所对应的字符

特征数文件pffmtable。最重要的就是这个inttemp文件了，他包含了所有需要产生的字的图形原型。

   3)cntraining chi.黑体.exp0.tr

这一步产生字符形状正常化特征文件normproto。

6、把目录下的unicharset、inttemp、pffmtable、shapetable、normproto这五个文件前面都加上chi.

7、执行combine_tessdata chi.

然后把chi.traineddata放到tessdata目录

必须确定的是第2、4、5、6行的数据不是-1，那么一个新的字典就算生成了.

8、用新的字库对图片进行分析

tesseract test.tif output -l chi

内容会写到output.txt文件中，这个文件与测试图片在同一个目录下

识别问题：

1、一个字分成2部分识别，如：好，会认为女  子，如何解决？？？