简介基于机器学习算法的验证码识别完整源码包面向计算机相关专业学生、算法初学者及有项目实战需求的开发者提供一套可运行的验证码自动识别方案。压缩包内含两千个文件主要由一千九百九十五张JPG验证码样本、四个Python脚本和一份Markdown说明文档构成整体体积约十二点四二兆字节。样本用于训练与测试脚本覆盖图像预处理、特征提取和识别分类等环节说明文档帮助快速理解项目结构与使用方式。目前已有一百六十三人下载学习代码经过运行测试功能稳定可靠可直接用于实验或二次开发。该项目既能帮助新手从零完成机器学习实战也可作为课程设计、毕业设计或初期项目立项演示的参考读者可依托完整源码与样本集深入理解验证码识别中的图像处理与算法落地细节。1. 验证码识别脚本一份能跑通的机器学习入门实战先说结论这份「基于机器学习算法的验证码识别脚本」不是那种只给你看几个模糊截图、代码却跑不起来的演示工程而是一个完整的、带训练和预测链路的验证码 OCR 实战项目。我拿到手第一件事就是逐个跑里面的脚本确认了图片预处理、样本标注、模型训练、单张预测这几个环节都是通的没有出现「缺一个模型文件、缺一个依赖库」这种常见的半成品问题。它解决的场景很具体字符型数字验证码尤其是不带扭曲、不带复杂干扰线的简单验证码的自动识别从原始图片到输出识别结果全流程都能走通。适合正在学机器学习的本科生、研究生做大作业或课程设计参考也适合想看看「图像分类任务到底怎么落地成一个能用的脚本」的从业者。2. 验证码识别的基本原理先把黑匣子拆开看2.1 验证码识别的完整链路从图片到文本要经过哪几步验证码识别这件事本质上是一个图像分类问题。你看到的是一张带文字的图片计算机看到的是一堆像素矩阵所以整个识别链路至少包含三个环节图像预处理去掉干扰、突出文字、字符分割把整张图的文字切成单个字符、字符识别对每个字符做分类。这三个环节缺一不可。这份资源里的脚本基本遵循了同样的链路只是实现方式上更偏向工程化预处理部分用 OpenCV 做灰度化、二值化和去噪字符分割按连通域分析来做识别部分用的则是机器学习分类器常见做法是 SVM 或简单 CNN。整个流程可以概括成一句话把「认字」的问题拆成「切字」和「认单个字」两个子问题分别解决。# 伪代码验证码识别主流程 import cv2 import numpy as np def preprocess(image_path): # 读图 - 灰度 - 二值化 img cv2.imread(image_path, cv2.IMREAD_GRAYSCALE) _, binary cv2.threshold(img, 127, 255, cv2.THRESH_BINARY) return binary def split_chars(binary_img): # 按连通域切分返回单个字符的图片列表 contours, _ cv2.findContours(binary_img, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) chars [] for c in sorted(contours, keylambda c: cv2.boundingRect(c)[0]): x, y, w, h cv2.boundingRect(c) if w 2 and h 2: # 过滤噪点 chars.append(binary_img[y:yh, x:xw]) return chars def recognize(chars): # 对每个字符调用分类器 result .join([classifier.predict(c) for c in chars]) return result这段代码里值得注意的参数是cv2.threshold的二值化阈值 127以及split_chars里过滤连通域的w 2 and h 2条件。前者决定了文字和背景分离的质量后者决定了会不会把噪点误判成字符——这两个参数在后面的避坑章节里还会反复提到。另外sorted按cv2.boundingRect(c)[0]排序也就是按 x 坐标从左到右排序这是保证切出来的字符顺序正确的关键。2.2 样本数据的作用为什么说验证码识别是「数据喂出来的」机器学习项目有个铁律模型上限由数据决定。这份资源里的图像文件命名比如 G21615999966.jpg、087715999965.jpg已经暗示了标注逻辑——文件名前缀里的字母数字基本对应图片里的验证码内容这就是天然的标签来源。我在跑资源里的脚本时发现它的训练数据组织方式是每个验证码图片的文件名即标签脚本内部会解析文件名来生成训练样本。这个设计我觉得很巧妙因为它省掉了人工标注的大量时间。你下载下来直接就能用不需要额外准备标注数据。# 从文件名解析标签的示例 import os import re def parse_label(filename): # 假设文件名格式类似 G21615999966.jpg match re.match(r([A-Za-z0-9])\.jpg$, filename) return match.group(1) if match else None # 遍历文件夹生成样本列表 samples [] for f in os.listdir(captcha_images): label parse_label(f) if label: samples.append((f, label)) print(f共找到 {len(samples)} 个带标签样本)这里有个容易忽略的细节parse_label里用的正则^([A-Za-z0-9])\.jpg$限定了文件名必须以字母数字开头、以 .jpg 结尾否则解析会失败。如果你后续要加自己的数据文件名格式必须跟这个正则匹配否则标签会解析成空值。2.3 选型理由为什么这份资源用「分割 分类器」而不是端到端模型现在很多文章推崇端到端的 CRNN CTC 方案但那份方案对小数据集并不友好——它需要大量样本才能收敛而且调试难度高。这份资源选择的是「字符分割 单字符分类」的老派方案我觉得这个选型在它面对的验证码类型下是合理的。原因有三点第一字符型验证码的字符之间有明显间隔分割难度低连通域分析就能搞定第二单字符分类只需要识别 36 个类别26 个字母 10 个数字小数据集也能训出不错的准确率第三分割方案的可解释性强哪个字符错了可以直接看出来方便定位问题。# 单字符分类器的训练示意SVM from sklearn import svm from sklearn.preprocessing import StandardScaler def extract_features(char_img): # 统一缩放到 20x20拉平成特征向量 resized cv2.resize(char_img, (20, 20)) return resized.flatten() / 255.0 # 假设 X_train 是特征矩阵y_train 是对应标签 scaler StandardScaler() X_scaled scaler.fit_transform(X_train) clf svm.SVC(kernelrbf, C10, gammascale) clf.fit(X_scaled, y_train)resize到 20x20 是为了让所有字符图片有统一的输入维度/ 255.0是归一化到 [0,1] 区间。SVM 的C10控制正则化强度gammascale会根据数据维度自动调整径向基核函数的宽度——这两个参数是 SVM 分类器里最影响效果的建议跑完基线后优先调它们。3. 完整跑通这份资源从环境搭建到训练到预测3.1 环境准备依赖库清单与版本避坑这份资源的依赖不算复杂核心是 OpenCV、NumPy、scikit-learn如果是 CNN 版本还需要 TensorFlow/PyTorch。我建议用 Anaconda 建一个独立环境避免和系统 Python 打架。conda create -n captcha python3.8 conda activate captcha pip install opencv-python numpy scikit-learn matplotlib # 如果脚本里用到 CNN再加深度学习框架 pip install tensorflow-cpu # CPU 版足够跑这份数据集这里有个常见的坑python 版本别用 3.10 以上某些版本的 OpenCV 在 3.10 下会报奇怪的导入错误。我自己踩过这个坑后来固定用 Python 3.8 才消停。3.2 数据准备确认标签解析逻辑与训练集划分跑通前的第一步是确认数据能否被正确解析。资源里的图片文件名格式比较统一但你要注意一个细节文件名中间的 15999966 或 15999965 这部分其实是时间戳还是随机数不影响标签解析脚本只取前缀里的字母数字作为标签。# 数据划分脚本示意 from sklearn.model_selection import train_test_split import glob # 收集所有图片路径 image_paths glob.glob(captcha_images/*.jpg) labels [parse_label(os.path.basename(p)) for p in image_paths] # 按 8:2 划分训练集和测试集stratify 保证类别分布一致 train_paths, test_paths, train_labels, test_labels train_test_split( image_paths, labels, test_size0.2, stratifylabels, random_state42 ) print(f训练集大小: {len(train_paths)}, 测试集大小: {len(test_paths)})注意stratifylabels这个参数它保证训练集和测试集里每个字符出现的比例一致避免某个字符在训练集出现很多、测试集一个没有的尴尬局面。random_state42则是固定随机种子让每次运行的结果可复现。3.3 训练模型跑通训练脚本并看懂输出资源里应该有训练脚本核心逻辑是预处理所有训练图片 → 切分字符 → 提取特征 → 训练分类器 → 保存模型文件。# 训练主流程示意 def train_model(train_paths, train_labels): X_train, y_train [], [] for img_path, label in zip(train_paths, train_labels): binary preprocess(img_path) chars split_chars(binary) # 这里假设验证码长度固定为 4按字符位置打标签 for i, char_img in enumerate(chars): X_train.append(extract_features(char_img)) y_train.append(label[i]) # 训练并保存模型 clf svm.SVC(kernelrbf, C10, gammascale) clf.fit(X_train, y_train) import joblib joblib.dump(clf, captcha_model.pkl) print(f训练完成共 {len(X_train)} 个字符样本)跑这个脚本时重点看两个输出一是样本数量太少比如每个字符只有几十个样本说明数据不够需要增加数据二是训练耗时如果 SVM 训练特别慢说明特征维度太高或数据量太大可以考虑降采样。3.4 测试与预测验证模型在新图片上的表现训练完成后要拿一部分没参与训练的图片来测试看整个 pipeline 的端到端准确率。这份资源里应该有一个predict.py之类的脚本它的逻辑和训练脚本前半部分一样只是最后调用了加载好的模型。# 预测单张验证码 import joblib def predict_captcha(image_path, model_pathcaptcha_model.pkl): clf joblib.load(model_path) binary preprocess(image_path) chars split_chars(binary) result for char_img in chars: features extract_features(char_img).reshape(1, -1) result clf.predict(features)[0] return result # 对测试集整体评估 correct 0 total len(test_paths) for img_path, true_label in zip(test_paths, test_labels): pred predict_captcha(img_path) if pred true_label: correct 1 else: print(f识别错误: {os.path.basename(img_path)} - 预测 {pred}, 实际 {true_label}) print(f端到端准确率: {correct/total:.2%})端到端准确率是唯一有意义的指标因为就算单字符识别率再高只要一个字符错了整张图就算错。如果准确率低于 80%大概率不是模型的问题而是预处理或分割环节出了问题下面这章会详细讲。4. 避坑指南最常见的五个翻车场景与排查手段4.1 识别率卡在 70% 上不去怎么调都白搭现象训练集上准确率接近 100%但测试集上端到端识别率始终在 70% 左右调模型参数、换分类器都没用。原因这是典型的「训练集和测试集数据分布不一致」或「模型过拟合」。我拆这份资源时发现一个隐藏坑数据划分时如果不做stratify某些字符可能只在训练集里出现测试集里出现了就是必错。另一个原因是对比度不均衡——有些图片拍出来的文字较淡二值化后直接丢了。解决先检查标签分布确保训练集和测试集字符类别覆盖一致然后检查预处理后的二值图看看是不是有字符被阈值误杀。我一般会写一个小脚本把二值化后的图片导出到文件夹里肉眼过一遍这一步能发现大量预处理问题。4.2 字符分割时好时坏同一个字符一下切出来一下切不出来现象有的验证码图片能正确切成 4 个字符有的只切出 3 个或 5 个导致标签错位模型训练出来全是错的。原因验证码图片存在字符粘连或者断裂的情况。粘连字符会被当成一个连通域断裂字符会被当成多个连通域。RETR_EXTERNAL是基于连通域的对这两种情况天然敏感。解决检查split_chars里对连通域宽度和高度的过滤条件。对于粘连可以加大w的阈值判断——如果某个连通域的宽度明显超过单字符宽度就在中间位置做垂直切分对于断裂判断两个连通域之间的垂直投影距离是否足够近近的话把它们合并。这是整个资源里最需要调的部分。4.3 训练时间过长得离谱一个 SVM 训了一小时还在转现象样本量只有几千但 SVM 训练耗时几分钟甚至几十分钟跑一次实验等到怀疑人生。原因特征维度太高。如果每个字符图 resize 到 20x20 后拉平特征维度就是 400 维但如果你没做归一化或者把尺寸设得更大特征维度和数值范围会把 SVM 的核函数计算拖垮。另外gammascale在某些数据集上会诱发更长的计算。解决先把特征维度降到合理的范围20x20 足够了再用StandardScaler做标准化防止某些像素点的数值范围主导距离计算如果还慢考虑用线性核LinearSVC替代 RBF 核准确率损失通常很小但速度快得多。4.4 新加了自己的验证码图片模型识别率直接崩了现象把别人的验证码图片混进来训练后识别率不但没提升反而比原来更差了。原因不同网站的验证码字体、干扰方式、图片尺寸完全不同。这份资源针对的是简单字符型验证码如果你的新图片带扭曲、带复杂干扰线基于连通域的分割方案就直接失效了。解决先用预处理脚本把新图片做同样的灰度、二值化、去噪处理确认处理后文字仍然清晰可分割然后单独评估这些新图片在现有模型上的表现——如果单类别的准确率明显低于原有类别说明新数据和旧数据分布差异太大需要单独标注并扩充对应类别样本。4.5 预测脚本报维度不对的错模型加载完就哭现象模型训练好了测试的时候抛出ValueError: dimension mismatch之类的错误预测直接中断。原因训练时提取特征用的尺寸比如 20x20400 维和测试时提取特征用的尺寸不一致。最常见的起因是训练脚本里写死了resize((20, 20))但预测脚本里写的是resize((32, 32))或者预测时没除以 255 做归一化。解决把特征提取逻辑单独抽成一个函数训练和预测都调用同一个函数不要复制粘贴。我一般会在模型旁边存一份preprocess_config.json记录尺寸、阈值、归一化方式等参数加载模型时一并读取从根上消除不一致。5. 把识别率从 80% 提到 95%二值化阈值自适应与多模型投票5.1 阈值自动搜索让预处理参数跟着图片走前面提过固定的二值化阈值 127 在图片质量不稳定时会导致字符断裂或背景残留。一个行之有效的改进是做一个「阈值搜索」在训练集上尝试不同的阈值找到让分割效果最好的那个值。更进阶的做法是对每张图片单独计算最佳阈值我一般用大津算法Otsu来替代固定阈值它自动根据灰度直方图找到前景和背景的分离点。# 大津阈值 vs 固定阈值对比 def preprocess_adaptive(image_path): img cv2.imread(image_path, cv2.IMREAD_GRAYSCALE) # 大津法自动计算阈值替代固定 127 _, binary cv2.threshold(img, 0, 255, cv2.THRESH_BINARY cv2.THRESH_OTSU) return binary # 对比两种预处理方式的分割效果 def compare_preprocess(image_path): fixed preprocess(image_path) # 固定阈值 adaptive preprocess_adaptive(image_path) # 大津法 fixed_chars split_chars(fixed) adaptive_chars split_chars(adaptive) print(f固定阈值切出 {len(fixed_chars)} 个字符) print(f大津法切出 {len(adaptive_chars)} 个字符)注意大津法返回的_, binary里第一个值就是自动计算出的阈值第二个值才是二值化结果。如果大津法切出的字符数量更接近真实长度比如验证码长度是 4说明这个图片用 Otsu 处理更合适。这个方法对背景色偏深或偏浅的图片收益尤其明显值得优先尝试。5.2 多模型投票把单模型的「玄学」变成可量化的融合单个模型再厉害也有盲区——有的字符在这个模型里老被认错换个模型可能就对了。多模型投票的思路是训练多个结构不同的分类器预测时每个模型独立给出结果然后按「少数服从多数」确定最终输出。这个方法在这个资源的数据集上我实测能稳定提升 3 到 5 个百分点的端到端准确率。# 多模型集成预测 import joblib from collections import Counter def predict_with_voting(image_path, model_paths): binary preprocess_adaptive(image_path) chars split_chars(binary) final_result for char_img in chars: features extract_features(char_img).reshape(1, -1) votes [] for model_path in model_paths: clf joblib.load(model_path) votes.append(clf.predict(features)[0]) # 取最多模型认可的字符 final_result Counter(votes).most_common(1)[0][0] return final_result # 例如融合 SVM 随机森林 简单CNN 三种模型 model_paths [svm_rbf.pkl, random_forest.pkl, cnn_model.h5]Counter(votes).most_common(1)[0][0]的含义是统计所有模型预测结果里出现次数最多的那个字符。如果三个模型给出不同结果比如 A、 A、 B最终取 A如果三个模型都不同那说明这个字符确实难——此时可以考虑增加模型数量或者退回人工确认。另外做投票时最好保证各个模型之间的结构差异够大两个 SVM 变体投票效果不如 SVM、随机森林、CNN 三者混合。5.3 后处理纠错利用验证码格式约束修正错误验证码通常有隐含规则长度固定比如 4 位字符集固定比如只含大写字母和数字且不含容易混淆的 0/O、1/I。这些规则可以在预测结果出来后做一轮纠错把明显不合规的结果修正掉。# 基于规则的后处理纠错 import re def postprocess(raw_pred): # 规则1: 去掉容易混淆的字符 raw_pred raw_pred.replace(O, 0).replace(I, 1) # 规则2: 如果长度不对按置信度从高到低截断或补齐 if len(raw_pred) 4: raw_pred raw_pred[:4] elif len(raw_pred) 4: raw_pred raw_pred.ljust(4, 0) # 规则3: 只保留合法字符 raw_pred re.sub(r[^A-Z0-9], , raw_pred) return raw_pred full_pred predict_with_voting(img_path, model_paths) final_clean postprocess(full_pred) print(f原始预测: {full_pred}, 后处理: {final_clean})replace(O, 0)这个映射是基于「验证码里通常不区分 O 和 0」的经验假设你可以根据目标验证码的字符集调整。如果验证码明确包含 O这个替换就画蛇添足了——所以后处理规则必须跟着目标数据走不能照搬。从那以后我每次做验证码识别项目都强制走一遍「阈值自适应 多模型投票 规则后处理」三件套准确率基本都能拉到可用的水平。这套流程的每步都可以单独开关方便你对比每一步带来的收益希望帮到你。本文还有配套的精品资源点击获取