中文点选验证码自动识别技术详解

1. 验证码生成原理

1.1 验证码生成流程

• 使用PHP的GD库生成汉字点选验证码
• 包含两种图片：
  • ap_XXXXX.png：提示需要点击的文字（如"请依次点击图中的猎户室"）
  • mp_XXXXX.png：实际需要点击的文字图片（如"猎户实验室"）

1.2 核心代码解析

function createImage($word, $imagePath, $type, $imageName) {
    // 字体设置
    $fontPath = 'msyh.ttc';
    $fontSize = 20 * 0.75;
    
    // 计算每个文字的尺寸
    foreach ($word as $v) {
        $fontarea = imagettfbbox($fontSize, 0, $fontPath, $v);
        $textWidth = $fontarea[2] - $fontarea[0];
        $textHeight = $fontarea[1] - $fontarea[7];
        // 存储文字信息
        $textArr[] = [
            'text' => $v,
            'size' => $fontSize,
            'width' => $textWidth,
            'height' => $textHeight
        ];
    }
    
    // 获取背景图片尺寸
    list($imageWidth, $imageHeight, $imageType) = getimagesize($imagePath);
    
    // 为每个文字生成随机位置
    for($i = 0; $i < count($textArr); $i++) {
        list($x, $y) = randPosition($textArr, $imageWidth, $imageHeight, 
                                  $textArr[$i]['width'], $textArr[$i]['height'], $i, $type);
        $textArr[$i]['x'] = $x;
        $textArr[$i]['y'] = $y;
    }
    
    // 创建图片实例并绘制文字
    $image = imagecreatefromstring(file_get_contents($imagePath));
    $color = imagecolorallocate($image, 0, 0, 0);
    
    foreach($textArr as $v) {
        imagefttext($image, $v['size'], 0, $v['x'], $v['y'], $color, $fontPath, $v['text']);
    }
    
    // 输出图片
    imagepng($image, $imageName);
}

1.3 文字位置生成算法

function randPosition($textArr, $imgW, $imgH, $fontW, $fontH, $i, $type) {
    switch($type) {
        case 0: // 生成mp（点击目标图）
            $x = rand($i*60, ($i+1)*60-$fontW-3);
            $y = rand(40, 80);
            break;
        case 1: // 生成ap（提示图）
            $x = ($i)*25+5;
            $y = 25;
            break;
    }
    return array($x, $y);
}

2. 验证码识别方法

2.1 OpenCV模板匹配法

2.1.1 原理

• 使用OpenCV的matchTemplate()函数进行模板匹配
• 比较方法：cv2.TM_CCOEFF_NORMED
• 通过cv.minMaxLoc()函数查找最佳匹配位置

2.1.2 实现步骤

1. 从提示图(ap)中提取需要点击的文字
2. 为每个目标文字创建模板
3. 在目标图(mp)中搜索匹配区域
4. 标记匹配区域并计算中心点坐标

2.1.3 优缺点

• 优点：实现简单，无需外部API
• 缺点：对字体变化敏感，当字体大小不一致时识别率下降

2.2 OCR识别法（推荐）

2.2.1 原理

• 使用腾讯云OCR-通用印刷体识别API
• 获取图片中所有文字及其位置信息
• 通过文字内容匹配而非图像匹配

2.2.2 实现步骤

1. 调用OCR API识别提示图(ap)，提取需要点击的文字
2. 调用OCR API识别目标图(mp)，获取所有文字及其位置
3. 将ap中的目标文字与mp中的文字进行匹配
4. 获取匹配文字的位置和边界框

2.2.3 优缺点

• 优点：识别率高，不受字体变化影响
• 缺点：依赖第三方API，可能有使用限制

3. 技术对比与选择建议

推荐选择：对于生产环境，推荐使用OCR识别方法，因其具有更高的准确率和适应性。

4. 进阶讨论

4.1 对抗更复杂的验证码

• 扭曲变形文字：需要使用更高级的OCR或深度学习模型
• 干扰线和噪点：预处理阶段需要加入去噪算法
• 动态验证码：需要结合动态内容分析技术

4.2 机器学习方法

虽然本文未涉及，但对于更复杂的验证码，可考虑：

• CNN（卷积神经网络）进行文字检测
• RNN（循环神经网络）进行序列识别
• 端到端的验证码识别模型

5. 参考资源

1. OpenCV模板匹配教程
2. 腾讯云OCR文档
3. 示例代码仓库

6. 实现注意事项

1. 遵守目标网站的使用条款，避免违反法律法规
2. 考虑API调用的频率限制和成本
3. 对于生产环境，应加入错误处理和重试机制
4. 验证码识别技术应不断更新以适应验证码的演变

通过本文介绍的两种方法，可以有效解决大多数简单汉字点选验证码的自动识别问题。根据实际场景选择合适的方法，可以显著提高自动化测试或数据采集的效率。