Python實現(xiàn)圖片滑動式驗證識別方法

1 abstract

驗證碼作為一種自然人的機器人的判別工具，被廣泛的用于各種防止程序做自動化的場景中。傳統(tǒng)的字符型驗證安全性已經(jīng)名存實亡的情況下，各種新型的驗證碼如雨后春筍般涌現(xiàn)。目前最常見的一種形式就是“滑動拼圖式”

2 內(nèi)容概述

關(guān)于滑動式驗證，最早由國內(nèi)某網(wǎng)絡(luò)安全公司首次提出的行為式驗證，以滑動拼圖解鎖的方式呈現(xiàn)在世人面前。然后大概過了好幾年之后，各種各樣的滑動式驗證產(chǎn)品都出來了，那么這些看似一樣的產(chǎn)品，它們的安全性到底如何呢？

本文特意挑選出了一些后來者的小廠商的滑動式驗證來做下實驗，僅從第一步的圖像學(xué)上分析一下安全性。因為我的主技術(shù)路線是圖像學(xué)，關(guān)于前端的js并不熟悉，所以就只在圖像學(xué)上點到即止即可。僅供會一些自動化技術(shù)的同學(xué)提供一些知識補充吧。

由于研究的實驗對象實在是太簡單，所以本文涉及的一些圖像學(xué)的知識也不難，基本上python的初級選手就可以跑通本程序。僅供大家學(xué)習(xí)學(xué)習(xí)。

3 研究對象

某小站點上由小廠商提供的“滑動式驗證”：

使用python寫一個簡單的爬蟲自動化腳本，將此網(wǎng)站上的驗證碼資源多請求幾次，并保存到本地，觀查圖片特點。

一般情況下，這一步是必須的，多下載一些圖片，很多規(guī)律是可以一眼看出的。比如，從公開的頁面中，連續(xù)請求此驗證的資源 100次，下載100張圖片后。

一眼看上去，此驗證的圖片素材都只有一種模式，那么就放心了，因為這個問題就比較單一，而不是多模式下你必須要解決多個問題。

4 定性分析

將這種單一模式的圖片篩選一張出來，如下：

發(fā)現(xiàn)如下特點：

和前端展示相關(guān)的圖片有：方塊位置提示圖A，小方塊B，完整背景圖C。

A圖完全是由B和C合成

顯然，設(shè)計這個驗證圖片的人沒啥安全方面的經(jīng)驗，有如下兩個產(chǎn)品細節(jié)沒有注意：

對圖片沒做任何的特殊處理

對外公開提供了過多信息

于是使得識別此圖片的位置變得極其簡單。

5 定量分析

在前面一小節(jié)中，我們只是直觀的看到了這些圖片的一些特別，但是要解答這個題目，還需要進行量化，量化后才能程序化，程序化后才能全自動化。

使用matplotlib工具打開此圖片。量化得到如下參數(shù)：

圖片整體規(guī)格：w:240,h:450

由上到下分為三部分，每部分高度為150

6 求解圖片

很明顯，只要將第一張圖和第三張圖相應(yīng)的像素相減，神奇的事情就發(fā)生了：

“左上” 減去 “右下” 就得到 “左下”的結(jié)果。

這個時候，對x方向的R通道的像素點進行累加統(tǒng)計。

得到如下的統(tǒng)計圖：

然后對這個曲線求一階導(dǎo)數(shù)或者只要發(fā)現(xiàn)有個突變值超過最大像素值的某百分比時，即可得到最左邊的那個y方向突變點的位置。

到此為止，此圖片的位置已經(jīng)成功解出。

下面是相應(yīng)的python代碼:

import numpy as np
...
def get_boundary(mask, axis, ratio=0.6):
 """
 對灰度圖的某個channel做像素統(tǒng)計
 """
 sum_along_axis = np.sum(mask, axis=axis)
 max_value = np.max(sum_along_axis)
 bound_value = max_value * ratio
 bvalue = (sum_along_axis >= bound_value).astype('int8')
 return np.where(bvalue != 0)[0][0]
def get_predict_ans(img):
 """
 根據(jù)分類出來的圖像，找到相應(yīng)的圖像位置
 傳入二進制的圖片，返回答案
 :param img:
 :return:
 """
 nd_img = np.array(img)
 w_pos = get_boundary(nd_img, 0) # 根據(jù)分布圖找到邊界位置
 return w_pos

總結(jié)

以上所述是小編給大家介紹的Python實現(xiàn)圖片滑動式驗證識別方法，希望對大家有所幫助