php邮件验证源码技巧_15分钟搞定验证码机械进修实战

每个人都不喜好验证码（CAPTCHA） - 那些令人讨厌的图像中包含了你必须精确输入的文本，只有输入成功后才能访问网站。
验证码旨在通过验证你是一个真实的人来防止机器（蠕虫）自动填写表格。
但随着深度学习和打算机视觉的兴起，现在很随意马虎利用机器来自动识别验证码了。

我一贯在阅读Adrian Rosebrock的书《打算机视觉：基于Python的深度学习》。
在这本书中，Adrian利用机器学习技能绕过了E-ZPass New York网站的验证码：

Adrian访问不了用来天生验证码图像的运用程序源代码。
因此为了实现上述系统，他只能下载数百个样本图像，人工识别答案，然后作为演习数据来演习他的机器学习系统。

但是如果我们想要绕过的是一个开源的验证码系统，是不是有更好的办法？

我在WordPress.org插件重心搜索\"大众captcha\公众。
排在最前面的被称为\"大众Really Simple CAPTCHA\公众，有总计超过100万次的安装：

最主要的是，它自带源码！
由于我们有了用来天生验证码的源代码，以是这该当很随意马虎绕过去。
为了让事情更有寻衅性，让我们给自己一个韶光限定。
能在15分钟内绕过这个验证码系统吗？ 让我们试试！

主要声明： 这绝不是对\"大众Really Simple CAPTCHA\"大众插件或其作者的批评。
插件作者自己说，不能连续担保这个别系所天生验证码的安全性，建议你利用别的替代品。
这只是一个有趣、快速的技能寻衅。
但是，如果你是上述100多万用户之一，大概你该当考虑切换到其他的产品:)

为了组织一个攻击操持，让我们看看Really Simple CAPTCHA天生的验证码图像。
在演示网站上，我们看到：

好，验证码图片看起来包含四个字母。
让我们在其PHP源代码中加以验证：

public function __construct() { / Characters available in images / $this->chars = 'ABCDEFGHJKLMNPQRSTUVWXYZ23456789'; / Length of a word in an image / $this->char_length = 4; / Array of fonts. Randomly picked up per character / $this->fonts = array( dirname( __FILE__ ) . '/gentium/GenBkBasR.ttf', dirname( __FILE__ ) . '/gentium/GenBkBasI.ttf', dirname( __FILE__ ) . '/gentium/GenBkBasBI.ttf', dirname( __FILE__ ) . '/gentium/GenBkBasB.ttf',);

的确如此！
它利用四种不同字体的随机组合来天生4个字母的验证码。
而且我们可以看到它从不在代码中利用\"大众O\公众或\"大众I\"大众来避免用户稠浊。
现在还剩下32个可能的字母和数字须要进行识别。
没问题！

已用时：2分钟

在连续之前，让我们来看一下办理这个问题要用到的工具：

Python 3：Python是一款有趣的编程措辞，有大量用于机器学习和打算机视觉的精良的库。

OpenCV：OpenCV是一个盛行的打算机视觉和图像处理框架。
我们将利用OpenCV来处理验证码图像。
它有一个Python的API，以是我们可以直接从在Python中利用它。

Keras：Keras是一个用Python开拓的深度学习框架。
Keras的存在简化了深度神经网络的定义、演习和利用，常日你只须要编写少量的代码即可得到一个网络。

TensorFlow：TensorFlow是Google的机器学习库。
我们利用Keras进行开拓，但Keras实际上本身并没有实现神经网络的逻辑。
相反，它利用后真个TensorFlow库来完成繁重的事情。

好，回到寻衅！

要开拓任何机器学习系统，都须要演习数据。
为了识别验证码，我们须要如下的演习数据：

由于我们有WordPress插件的源代码，因此可以对其进行修正，天生10,000张验证码图像以及对应的精确答案。

只须要几分钟的代码编写，添加一个大略的'for'循环，我就得到了一个文件夹与演习数据 - 10,000个PNG文件，文件名便是精确的答案：

这是我不会给你示例代码的唯一部分。
我们写这篇文章的目的是为了学习互换，我不肯望你真的跑去给那些WordPress网站发送垃圾邮件。
不过，我会给你末了天生的10,000张图片，以便你可以重现我的结果。

已用时：5分钟

现在有了演习数据，我们可以直策应用它来演习一个神经网络：

有了足够的演习数据，这种方法可能行的通 - 但我们可以让问题变得更随意马虎办理。
问题越大略，演习数据越少，我们须要的打算能力就越少。
毕竟我们只有15分钟！

幸运的是，验证码图像总是由四个字母组成。
如果我们能够以某种办法切分图像，使每个字母位于单独的图像，那么我们只须要演习神经网络一次识别一个字母：

我没有韶光浏览10,000个演习图像，并在Photoshop中手动将它们分割成单独的图像。
这可能须要几天的韶光，而我只剩下10分钟了。
而且我们不能将图像分成四个相同大小的块，由于验证码会将这些字母随机放置在不同的水平位置：

幸运的是，我们仍旧可以自动实行此操作。
在图像处理中，我们常常须要检测具有相同颜色的像素团（blob）。
这些像素团周围的边界被称为轮廓 （contour）。
OpenCV有一个内置的findContours()函数，可以用来检测这些连续的区域。

我们将从一个原始的验证码图像开始：

然后，将图像从灰度转换为黑白（阈值化：thresholding ），这样就很随意马虎找到连续的区域：

接下来，我们将利用OpenCV的findContours()函数来检测包含相同颜色像素团的单独部分：

然后，将每个区域保存为一个单独的图像文件就很大略了。
而且由于我们知道每个图像该当包含从左到右的四个字母，以是可以利用这些知识来标注字母。
只须要按顺序用适当的字母名称保存每个图像字母即可。

但是等等 - 我创造一个问题！
有时候验证码有这样的重叠字母：

这意味着我们终极提取到的是两个字母拼在一起的区域：

如果我们不处理这个问题，终极只能得到质量不高的演习数据。
我们须要办理这个问题，以免欠妥心让机器把这两个重叠的字母识别为一个。

这里有个大略的技巧，便是说，如果一个轮廓区域的宽度比高度大很多，就意味着很可能把两个字母挤在一起了。
在这种情形下，我们可以将连体字母拆分成两半，并将其视为两个单独的字母：

现在有了提取单个字母的方法，让我们在所有的验证码图像上运行这个代码。
目标是网络到每个字母的不同变革形态。
我们可以将每个字母保存在单独的文件夹中，以保持良好的数据样本组织。

下面是我提取所有字母后，W文件夹的样子：

已用时：10分钟

由于只须要识别单个字母/数字的图像，因此我们不须要一个特殊繁芜的神经网络。
识别字母比识别阿猫阿狗这样的繁芜图像要随意马虎得多。

我们利用具有两个卷积层（convolutional layer）和两个全连接层（fully-connected layer）的大略卷积神经网络：

如果你想知道卷积神经网络的事情事理，以及为什么它特殊适用于图像识别任务，请查看Adrian的书或我以前的文章 。

在Keras中定义这个神经网络只须要几行代码：

# Build the neural network!model = Sequential()# First convolutional layer with max poolingmodel.add(Conv2D(20, (5, 5), padding=\公众same\"大众, input_shape=(20, 20, 1), activation=\"大众relu\"大众))model.add(MaxPooling2D(pool_size=(2, 2), strides=(2, 2)))# Second convolutional layer with max poolingmodel.add(Conv2D(50, (5, 5), padding=\"大众same\"大众, activation=\公众relu\公众))model.add(MaxPooling2D(pool_size=(2, 2), strides=(2, 2)))# Hidden layer with 500 nodesmodel.add(Flatten())model.add(Dense(500, activation=\"大众relu\"大众))# Output layer with 32 nodes (one for each possible letter/number we predict)model.add(Dense(32, activation=\公众softmax\"大众))# Ask Keras to build the TensorFlow model behind the scenesmodel.compile(loss=\公众categorical_crossentropy\公众, optimizer=\"大众adam\"大众, metrics=[\"大众accuracy\"大众])

现在可以演习了！

# Train the neural networkmodel.fit(X_train, Y_train, validation_data=(X_test, Y_test), batch_size=32, epochs=10, verbose=1)

经由10轮演习后，我们达到了将近100％的准确度。
现在，我们该当能够自动绕过这个验证码了！
我们做到了！

已用时：15分钟（喔！
）

现在我们有了一个演习好的神经网络，用它来识别验证码非常大略：

从利用此WordPress插件的网站抓取真实的验证码图像。

利用我们用来创建演习数据集的相同方法，将验证码图像分解为四个独立的字母图像。

让神经网络对每个字母图像做一个单独的预测。

利用四个预测字母作为验证码的答案。

狂欢吧！

下面的动图展示了我们的模型是如何识别验证码的：

或者，命令行输出：

试试看！

如果你想亲手考试测验一下，可以在这里获取源代码 。
它包括10,000个示例图像和本文中每个步骤的所有代码。
在运行之前，请先查看个中包含的README.md文件。

但是，如果想理解每一行代码，我强烈建议你找这本书《打算机视觉：基于Python的深度学习》来看看。
它深入很多的细节，并且有大量的详细示例。
这是迄今为止我所见过的唯一的一本书，即讲解了机器学习的运行事理，也讲解了如何利用机器学习技能来办理现实中的难题 。
试一试！

如果你喜好这篇文章，别忘了关注我！

原文：How to break a CAPTCHA system in 15 minutes with Machine Learning