简体中文 | English

Captcha-Recognizer

Captcha-Recognizer是一个易用的通用滑块验证码识别库，通过深度学习训练通用的缺口检测模型，基于训练的结果，识别出验证码中的滑块缺口位置，并返回缺口的坐标与可信度。

支持的验证码类型

• 单缺口验证码背景图
• 多缺口验证码背景图
• 验证码截图（包含滑块和背景图）

版本要求

• Python >= 3.8.0

• ultralytics >= 8.0.0

• torch >= 1.8.0

• onnxruntime

• onnx

• Works on Linux, Windows, macOS

使用方式

• HTTP API
• Pypi

HTTP API

文档请移步: captcha-api

Pypi

从 Pypi 安装

pip install captcha-recognizer

基于单缺口/多缺口验证码背景图识别滑块缺口

from captcha_recognizer.recognizer import Recognizer

# source传入图片路径, verbose=False表示关闭冗余输出
# show_result 为True展示识别效果图 (生产环境请设置show_result=False)
# save 为True保存识别结果图 （生产环境请设置save=False)
recognizer = Recognizer()
box, confidence = recognizer.identify_gap(source='your_example_image.png', verbose=False)

print(f'缺口坐标: {box}')
print(f'可信度: {confidence}')

"""
打印结果如下:
缺口方框坐标: [331.72052001953125, 55.96122741699219, 422.079345703125, 161.7498779296875]
可信度: 0.9513089656829834

坐标原点：图片左上角
缺口方框坐标为缺口方框左上角和右下角距离坐标原点的距离
"""

基于单缺口/多缺口验证码背景图识别滑块缺口的示例图片

包括且不限于以下类型、尺寸的滑块图片检测

示例图 1

尺寸 552*344

识别效果示例图 1

示例图 2

尺寸 260*160

识别效果示例图 2

示例图 3

尺寸 400*200

识别效果示例图3

示例图 4

尺寸 672*390

识别效果示例图4

示例图 5

尺寸 280*155

识别效果示例图 5

示例图 6

尺寸 590*360

识别效果示例图 6

示例图 7

尺寸 320*160

识别效果示例图 7

基于验证码截图的识别滑块缺口

from captcha_recognizer.recognizer import Recognizer

# source传入图片路径, verbose=False表示关闭冗余输出
# show_result 为True展示识别效果图 (生产环境请设置show_result=False)
# save 为True保存识别结果图 （生产环境请设置save=False)
recognizer = Recognizer()
box, confidence = recognizer.identify_gap(source='your_example_image.png', verbose=False)

print(f'缺口坐标: {box}')
print(f'可信度: {confidence}')

"""
打印结果如下:
缺口方框坐标: [331.72052001953125, 55.96122741699219, 422.079345703125, 161.7498779296875]
可信度: 0.9513089656829834

坐标原点：图片左上角
缺口方框坐标为缺口方框左上角和右下角距离坐标原点的距离
"""

基于验证码截图的滑块识别滑块缺口示例

包括且不限于以下类型、尺寸的滑块验证码截图

示例图 8

尺寸 305*156

识别效果示例图 8

基于验证码截图识别滑块距离

from captcha_recognizer.recognizer import Recognizer

# source传入图片路径或图片对象
# verbose=False表示关闭冗余输出
# show_result 为True展示识别效果图 (生产环境请设置show_result=False)
# save 为True保存识别结果图 （生产环境请设置save=False)
recognizer = Recognizer()
distance = recognizer.identify_distance_by_screenshot(source='your_screenshot.jpg')

print('滑块距离', distance)

注意事项

偏移量

某些种类的滑块验证码，滑块初始位置存在一定偏移，以下面图中的滑块初始位置为例：

示例图 9

如示例图9中：

• 第一条黑线位置为滑块初始位置，距离图片边框有大概有8个像素的偏移量（offset为8）
• 识别结果的缺口坐标为 [x1, y1, x2, y2] 对应缺口的左上角和右下角坐标（坐标原点为图片左上角）
• 第二条黑线的X轴坐标值对应缺口识别结果左上角的X轴坐标值，此处值为154（x1为154）
• 因此实际滑块的距离为 x1-offset (154-8=146)
• 也就是说，实际的滑块距离为缺口的x1值减去滑块距离图片边框的偏移量(offset)

图片缩放

某些验证码，前端渲染时会对图片进行缩放，因此实际的滑块距离也要按照图片缩放比例进行计算。

示例图 10

图片识别耗时

• 首次识别图片耗时较长（2s左右）；
• 后续单张图片的识别在60ms（60毫秒）左右；
• 因为首次识别图片时需要将模型从磁盘加载到内存中，并进行一系列的初始化工作，如权重加载、内存分配等。这个过程相对耗时；
• 一旦模型加载完成并初始化好，后续的图片预测就可以直接利用已经加载好的模型和分配好的资源，从而避免了重复加载和初始化的开销。

安装过程中遇到问题

• Error loading “xxx\Lib\site-packages\torch\lib\fbgemm.dll” or one of its dependencies.
  • 参考 Issues 2
• Model Unsupported model IR version: 9, max supported IR version: 8
  • 参考 Issues 1

项目维护

• 如果你对本项目感兴趣，欢迎star。
• 项目长期维护。
• 如果你遇到本项目不能识别的滑块验证码，欢迎提issue。
• 有任何问题，欢迎提issue。

更多联系方式

• Gmail: chenwei.zhaozhao@gmail.com
• 163/网易: chenwei_nature@163.com

免责声明

本项目不针对任何一家验证码厂商，项目所有内容仅供学习交流使用，不用于其他任何目的，严禁用于非法用途。

许可证

MIT license

感谢你的支持

Stargazers

Forkers

Star History