简介基于机器学习算法的验证码识别项目提供了完整源码、说明文档与验证码样本集面向计算机相关专业学生及算法入门者既适合小白进行实战练习也可作为课程设计、毕业设计或项目立项演示的基础。压缩包共2000个文件、约12.42MB其中1995张jpg图片为验证码样本数据可用于模型训练与评估4个Python脚本覆盖数据读取、特征处理、模型训练与识别预测等主要流程1个Markdown说明文档介绍环境配置和运行方式。代码已通过功能测试可直接运行调试方便学习者对照真实样本理解机器学习分类问题的完整建模路径目录按代码、数据、文档区分检索简单。目前已有163人学习浏览对希望快速上手验证码识别实战的开发者具有较实用的借鉴价值。1. 机器学习验证码识别这个源码包到底能拿来做什么先说结论这个基于机器学习算法的验证码识别脚本不是那种动辄几十 GB 的深度学习框架而是一套完整的、能跑通的轻量级识别方案。资源里那十几个 jpg 文件文件名本身就是标签比如 G21615999966.jpg 这类也就是说每一张图片都对应一个可解析的字符序列拿来当训练集和测试集都够用。对正在做课程设计、毕设或者初期项目演示的计算机相关专业学生来说这套代码的价值在于它把「验证码图片 → 预处理 → 特征提取 → 机器学习分类」整条链路都打通了不是只给一个孤零零的模型文件。我拆过不少这类资源大多数情况是代码能跑但不知道下一步干什么或者知道干什么但数据格式对不上。这个包的好处是数据、脚本、说明三者齐全而且项目正文里提到的图像文件名规律很明显适合用来理解验证码识别里最核心的字符分割和单字符分类思路。适合的人群很明确学过 Python 基础、正在做机器学习课程设计、或者需要快速搭一个识别 demo 来验证思路的同学。下面我把这个项目的拆解过程、复现步骤和踩过的坑完整过一遍。2. 从文件名读懂数据集图像命名规律与标签解析2.1 文件名即标签G21615999966.jpg 这类命名怎么拆拿到这个资源包第一件事不是急着跑代码而是先把那十几个 jpg 文件名的规律摸清楚。观察一下G21615999966.jpg、S24415999966.jpg、e43515999965.jpg、087715999965.jpg这些名字看起来是一串字符但注意区分大小写——G 和 e 都在里面出现了。我拆解下来文件名结构是「一个或两个字符 一串数字」比如 G21615999966 可以拆成「G」和「」两段但单纯按长度切分不够严谨因为前面的字符位数不固定。实际上这类资源的数据命名方式通常是把验证码图片里实际包含的字符序列直接拼在文件名里然后把最后几位当作图片编号。也就是说G21615999966.jpg 这个文件名的核心信息是「G216」——这是这张验证码图片里真实显示的字符内容后面的 159999966 可能是数据集内部编号或者时间戳。用脚本解析的时候我一般会先做一步长度试探把所有文件名去重后统计前缀长度分布。import os from collections import Counter img_dir captcha_images prefix_counter Counter() for fname in os.listdir(img_dir): if fname.endswith(.jpg): # 先按常见验证码长度 3-5 位试探 for n in range(3, 7): prefix fname[:n] prefix_counter[prefix] 1 for prefix, cnt in prefix_counter.most_common(30): print(prefix, cnt)这段代码的作用是快速摸清数据集里验证码字符序列到底占文件名前几位。执行后如果发现某几个前缀出现频率明显高于其他那基本就能确定验证码长度了。参数说明range(3, 7)是试探区间常见图形验证码字符数在 3 到 6 之间如果你的数据集里验证码长度不太一样需要先用人工抽查确认再定死这个参数。这里拆前缀而不是拆后缀是因为图片编号这类递增序号一般在末尾而字符序列在开头更符合这类资源命名习惯。2.2 单字符切割与数据集划分的常见做法文件名解析出来只是第一步真正的关键操作是把整张验证码图片切成单个字符图片因为后续的机器学习分类器输入是单字符不是整图。常见做法有两种一是基于轮廓检测分割二是基于像素投影分割。轮廓检测对字符粘连不严重的验证码效果好投影法对等宽字体比较稳。我在这类资源上通常会先试投影法因为它的参数更直观——按列统计像素值连续有值的列段就是一个字符的左右边界。import cv2 import numpy as np def split_by_projection(img_path, min_col_pixels5): img cv2.imread(img_path, cv2.IMREAD_GRAYSCALE) _, binary cv2.threshold(img, 0, 255, cv2.THRESH_BINARY_INV) col_sum np.sum(binary 255, axis0) cols col_sum min_col_pixels # 找到连续 True 区间的起止位置 splits [] start None for i, v in enumerate(cols): if v and start is None: start i elif not v and start is not None: splits.append((start, i)) start None if start is not None: splits.append((start, len(cols))) return img, splits img, boxes split_by_projection(G21615999966.jpg) for idx, (x1, x2) in enumerate(boxes): char_img img[:, x1:x2] cv2.imwrite(fchar_{idx}.jpg, char_img)这段代码先把图片转灰度再用THRESH_BINARY_INV做反二值化——背景变黑、前景字符变白这样统计像素时255就代表字符区域。min_col_pixels5是过滤噪声列的阈值列上有值像素少于 5 个就认为是背景间隙实际使用中要根据图片大小调一般取图片高度的 5%~10% 比较稳。分割结果直接按序号存成单字符图后续特征提取就用这些。3. 特征提取与模型选型为什么这种资源选传统机器学习就够了3.1 从像素到特征HOG 特征和降维处理深度模型需要大量数据和 GPU而这种课程设计级别的验证码识别资源图片量就十几个到几十个硬上 CNN 很容易过拟合。更适合的是传统机器学习路线比如 SVM 或者随机森林它们在小样本上表现更稳定训练也快。关键步骤是把单字符图片转成特征向量。常用的特征有两类一是直接展平像素值但维度高且对位移敏感二是用 HOG方向梯度直方图这类手工特征对字符的局部形状和边缘方向有较好的刻画能力。资源包里这种字体规整、无扭曲的验证码HOG 特征区分度非常好。from skimage.feature import hog def extract_hog(img_gray): features hog( img_gray, orientations9, pixels_per_cell(8, 8), cells_per_block(2, 2), block_normL2-Hys ) return features sample_char cv2.imread(char_0.jpg, cv2.IMREAD_GRAYSCALE) sample_char cv2.resize(sample_char, (32, 32)) feat extract_hog(sample_char) print(feature dim:, feat.shape)HOG 参数说明orientations9表示把梯度方向分成 9 个区间这是 HOG 的经典设置pixels_per_cell(8, 8)表示每个 cell 是 8×8 像素对 32×32 的输入图就是 4×4 个 cellcells_per_block(2, 2)做局部归一化增强光照和对比度鲁棒性。最终特征维度是 9×4×4×4 576 维对 SVM 来说完全可控。如果字符图片分辨率更低把pixels_per_cell改为(4, 4)可以保留更多细节但维度会翻四倍需要结合分类器效果权衡。3.2 SVM 与随机森林的取舍小样本场景下的对比在十几个样本的情况下SVM 的 RBF 核和小型随机森林我都试过。经验是 SVM 在小样本高维特征下泛化能力更好但有两个坑一是特征缩放很重要必须做标准化二是 RBF 核的C和gamma参数对结果影响很大需要用网格搜索交叉验证来调。from sklearn.svm import SVC from sklearn.model_selection import GridSearchCV, train_test_split from sklearn.preprocessing import StandardScaler from sklearn.pipeline import make_pipeline X np.array(all_features) y np.array(all_labels) X_train, X_test, y_train, y_test train_test_split( X, y, test_size0.25, stratifyy, random_state42 ) pipe make_pipeline(StandardScaler(), SVC()) param_grid { svc__C: [0.1, 1, 10, 100], svc__gamma: [0.001, 0.01, 0.1, 1], svc__kernel: [rbf] } grid GridSearchCV(pipe, param_grid, cv3, scoringaccuracy) grid.fit(X_train, y_train) print(best params:, grid.best_params_) print(test accuracy:, grid.score(X_test, y_test))这里用make_pipeline把标准化和 SVM 串起来避免在交叉验证时数据泄漏——如果先在整个训练集上做标准化再切分验证集的分布信息就提前混进训练流程了这是新手最容易犯的错。stratifyy保证切分后各类别比例一致因为这类数据集字符类别分布可能不均匀。param_grid里的 C 是误分类惩罚系数越大越容易过拟合训练集gamma 是 RBF 核的带宽参数越小决策边界越平滑。三个类别交叉验证配四个参数组合训练量很小几秒就能出结果。对比之下随机森林不需要特征缩放对参数也不敏感但在这类字符识别任务上RF 对细长字符比如 I、l、1的区分往往不如 SVM。如果你赶时间不想调参直接用随机森林 n_estimators100 也能拿到一个可用的 baseline但想要更高准确率SVM 值得调。4. 训练脚本与评估完整跑通验证码识别流程4.1 数据加载与标签编码整条流程到这里需要把所有单字符图片和对应标签组装成训练集。这里有一个细节文件名前缀里可能有大小写混合G 和 e这说明验证码本身对大小写敏感所以标签不能统一转小写。如果验证码不区分大小写那转小写可以降低类别数但这份资源的文件名明显混着大小写需要保留原始大小写。import os import cv2 import numpy as np from sklearn.preprocessing import LabelEncoder img_dir captcha_images X_raw [] y_raw [] char_len 4 # 通过第 2 章的前缀试探确定 for fname in sorted(os.listdir(img_dir)): if not fname.endswith(.jpg): continue label fname[:char_len] # 取前 4 位作为真实字符序列 img cv2.imread(os.path.join(img_dir, fname), cv2.IMREAD_GRAYSCALE) img, boxes split_by_projection(img, min_col_pixels5) if len(boxes) ! char_len: print(f[skip] {fname}: split into {len(boxes)} parts, expected {char_len}) continue for (x1, x2), ch in zip(boxes, label): char_img cv2.resize(img[:, x1:x2], (32, 32)) X_raw.append(char_img) y_raw.append(ch) le LabelEncoder() y le.fit_transform(y_raw) print(total samples:, len(y), classes:, len(le.classes_))这段代码把之前的分割和标签解析串到了一起。char_len 4是硬编码的验证码长度如果你在真实场景里发现长度不固定就不能直接取固定前缀需要用第 2 章的试探逻辑动态判断。split_by_projection返回的分割块数量如果和标签长度不一致说明这张图可能粘连严重或噪声干扰大直接跳过比硬切更安全——硬切出来的字符位置对不上标签喂给模型就是脏数据。4.2 评估指标的坑只看整体准确率会骗到你验证码识别任务的评估最需要注意的是「图片级准确率」和「字符级准确率」的区别。整张验证码图片要四个字符全对才算对所以图片级准确率大约等于字符级准确率的四次方。比如字符级准确率 90%图片级可能只有 65% 左右。from sklearn.metrics import accuracy_score, classification_report char_acc accuracy_score(y_test, y_pred) print(char-level accuracy:, char_acc) # 图片级评估需要按图片重组预测结果 img_correct 0 img_total 0 for fname in sorted(os.listdir(img_dir)): if not fname.endswith(.jpg): continue label fname[:char_len] # 预测该图片的四个字符... pred_seq predict_image(os.path.join(img_dir, fname)) img_total 1 if pred_seq label: img_correct 1 print(image-level accuracy:, img_correct / img_total)这里的predict_image是完整推理函数把图片分割、逐字符提取特征、用训练好的模型预测、最后把字符拼回字符串。字符级准确率是模型本身的能力指标但图片级准确率才是最终交付指标——因为实际使用中你识别一张验证码四个字符错一个就得重来。这也是为什么调参时要同时看两个指标不能只看字符级的漂亮数字。经验值是字符级准确率至少要做到 95% 以上图片级才能勉强到 80% 左右低于这个水平在实际场景里基本不可用。5. 避坑指南验证码识别脚本最常见的五个坑5.1 分割数量不稳定导致训练数据错位现象跑训练脚本时输出一堆[skip]警告有些图片被分割成 3 段、有些是 5 段和预期的 4 位验证码对不上。原因min_col_pixels阈值设置不当。验证码图片里字符笔画粗细不一致细笔画字符比如 1、I的列像素和可能低于阈值被当作背景过滤掉或者字符间的噪声点高于阈值导致多切出一段。另一个常见原因是字符粘连投影法在粘连处无法正确找到间隙。解决先用人工查看分割可视化结果把每张图的分割边界画出来确认问题出在阈值还是粘连。阈值调优时观察一下列像素分布找一个低谷区间作为阈值。对粘连严重的字符改用轮廓检测加宽度约束的方法设定每个字符的最小宽度和最大宽度过滤掉异常分割段。我一般会把分割函数写成一个独立模块先跑通全部图片的分割再进入特征提取避免后面所有步骤都被脏数据污染。5.2 图片里有干扰线或噪点二值化后一堆孤立点现象二值化后的图片上除了字符还有大量散落的白点分割时这些点被当作字符区域导致特征向量里混入大量噪声。原因验证码生成时故意加了干扰线和噪点来对抗 OCR而你的二值化阈值没有把噪点滤除干净。cv2.threshold用的是全局阈值如果图片背景不均匀靠单个阈值很难同时处理好字符和背景。解决先用一次形态学开运算cv2.morphologyEx配MORPH_OPEN去掉小噪点再做投影分割。开运算的核大小一般用 2×2 或 3×3太大会把细笔画字符的边缘也磨掉。如果干扰线是彩色的可以在灰度化之前做颜色过滤——验证码字符颜色通常和干扰线颜色有区别用 HSV 色彩空间提取目标颜色的掩码效果更好。这里不要过度依赖形态学参数先肉眼确认噪点大小再去调核。5.3 样本量太少SVM 交叉验证得分虚高或崩塌现象十几张图片切完只有几十个单字符样本交叉验证得分忽高忽低换一个 random_state 结果就完全不同。原因样本量太小交叉验证的每个 fold 里类别覆盖不完整某些字符可能只在训练集出现、在验证集完全缺席或者反过来。这种情况下交叉验证的分数没有统计意义。解决一是减少 fold 数用cv2或cv3而不是默认的 5保证每个 fold 里有足够的样本量二是给 GMM 或 SVM 设置类别权重让稀有字符类别更容易被正确分类三是做数据增强——对单字符图做小幅平移上下左右各 1 到 2 个像素、加轻微高斯噪声、笔画腐蚀膨胀把小样本扩到几百个。数据增强在这个资源包场景下是刚需不做的话模型基本练不出来。需要注意的是增强后的样本要在训练集内部做不能把增强样本混进验证集去评估否则准确率虚高。5.4 字符类别大小写混合模型分不清 O 和 0现象验证码里同时有字母 O 和数字 0或者字母 l 和数字 1模型预测时总是互相混淆字符级准确率卡在 90% 左右上不去。原因这类形状极度相似的字符在 HOG 特征空间里距离很近尤其是低分辨率下差异更小。模型没有足够的上下文信息来区分它们。解决如果验证码场景允许不区分这些混淆字符比如业务系统里人工输入时也容易看错可以在预处理阶段把 O 和 0、l 和 1 映射到同一个类别。这个操作叫「类别合并」能显著降低分类难度。在训练标签编码前加一行映射逻辑y_raw [{O:0, l:1}.get(ch, ch) for ch in y_raw]。如果场景要求严格区分那就只能靠加大分辨率和数据增强来硬抠差异或者针对这些困难字符单独训练一个二分类器做二次判断。5.5 模型训练好了但测试集全是同一批图片评估结果没有说服力现象训练和评估用的图片都来自同一个资源包那十几个文件准确率报表很漂亮但换一批新的验证码图片就拉胯。原因这是典型的「数据同源」问题。这些图片可能是同一个生成器在相同参数下产出的字体、颜色、干扰模式高度一致模型学到的是这套生成器的风格而不是通用的字符识别能力。你的测试集等于是在做「开卷考试」。解决在评估时至少预留两三张完全不参与训练的图片做最终验证这是底线。更进一步的做法是想办法找几个不同来源的验证码生成库比如常见的 captcha 库生成一批风格不同的图片在 A 风格训练、在 B 风格测试看模型的迁移能力。如果迁移效果差说明特征提取太依赖原始数据风格可能需要更多样化的数据增强或者换更通用的特征。6. 把验证码识别脚本用到真实场景部署与参数固化技巧模型调好之后最容易被忽略的是「部署时的推理流程」和「训练时的流程」不一致。很多人在 Jupyter 里跑通了训练但到实际调用时发现图片输入格式不对、分割参数没固定、模型没有加载进来。我这里给出一套可以直接套用的推理封装逻辑。import joblib import cv2 import numpy as np class CaptchaRecognizer: def __init__(self, model_path, scaler_path, char_len4): self.model joblib.load(model_path) self.scaler joblib.load(scaler_path) self.char_len char_len # 固化分割参数避免推理时和训练时不一致 self.min_col_pixels 5 self.resize (32, 32) def _preprocess(self, img_path): img cv2.imread(img_path, cv2.IMREAD_GRAYSCALE) _, binary cv2.threshold(img, 0, 255, cv2.THRESH_BINARY_INV) binary cv2.morphologyEx(binary, cv2.MORPH_OPEN, np.ones((2, 2), np.uint8)) return binary def _split(self, binary): col_sum np.sum(binary 255, axis0) cols col_sum self.min_col_pixels boxes [] start None for i, v in enumerate(cols): if v and start is None: start i elif not v and start is not None: boxes.append((start, i)) start None if start is not None: boxes.append((start, len(cols))) return boxes def predict(self, img_path): binary self._preprocess(img_path) boxes self._split(binary) if len(boxes) ! self.char_len: return None # 分割失败交由上层重试 features [] for x1, x2 in boxes: char_img cv2.resize(binary[:, x1:x2], self.resize) feat extract_hog(char_img) features.append(feat) features self.scaler.transform(np.array(features)) preds self.model.predict(features) return .join(preds)这个类的设计思路就是把所有训练时用到的参数固化成实例属性避免推理时因为参数漂移导致效果退化。min_col_pixels5、resize(32, 32)这些值必须严格和训练时一致否则特征分布变了SVM 的决策边界就不适用了。分割失败返回None而不是硬凑一个结果这是实际部署里很重要的习惯——识别失败就让上层重新获取验证码不要拿错误答案去提交。关于参数固化我自己的习惯是把训练脚本里所有关键参数导出到一个config.json推理时直接读取而不是在代码里硬编码。这样训练和推理永远共享同一份配置改参数时不会一边改了另一边忘改。验证码识别这个项目做完我最大的收获不是模型准确率从多少涨到多少而是意识到这类资源落地时「分割质量 模型选择」。模型再强输入的特征是错位的字符效果也出不来。从那以后我每做完一个识别项目都要强制走一遍分割可视化——把每张图的字符边界画出来逐张确认再谈训练的事。这种习惯帮我避免了好多次「模型调了一整天最后发现是分割数据错了」的翻车现场。这个源码包本身已经帮你走完了从数据到模型的完整闭环剩下的就是在此基础上换自己的数据集、调自己的参数希望你也能在这条路上少踩几个坑。本文还有配套的精品资源点击获取 验证码识别实战：从字符分割到SVM模型训练的完整机器学习方案
简介基于机器学习算法的验证码识别项目提供了完整源码、说明文档与验证码样本集面向计算机相关专业学生及算法入门者既适合小白进行实战练习也可作为课程设计、毕业设计或项目立项演示的基础。压缩包共2000个文件、约12.42MB其中1995张jpg图片为验证码样本数据可用于模型训练与评估4个Python脚本覆盖数据读取、特征处理、模型训练与识别预测等主要流程1个Markdown说明文档介绍环境配置和运行方式。代码已通过功能测试可直接运行调试方便学习者对照真实样本理解机器学习分类问题的完整建模路径目录按代码、数据、文档区分检索简单。目前已有163人学习浏览对希望快速上手验证码识别实战的开发者具有较实用的借鉴价值。1. 机器学习验证码识别这个源码包到底能拿来做什么先说结论这个基于机器学习算法的验证码识别脚本不是那种动辄几十 GB 的深度学习框架而是一套完整的、能跑通的轻量级识别方案。资源里那十几个 jpg 文件文件名本身就是标签比如 G21615999966.jpg 这类也就是说每一张图片都对应一个可解析的字符序列拿来当训练集和测试集都够用。对正在做课程设计、毕设或者初期项目演示的计算机相关专业学生来说这套代码的价值在于它把「验证码图片 → 预处理 → 特征提取 → 机器学习分类」整条链路都打通了不是只给一个孤零零的模型文件。我拆过不少这类资源大多数情况是代码能跑但不知道下一步干什么或者知道干什么但数据格式对不上。这个包的好处是数据、脚本、说明三者齐全而且项目正文里提到的图像文件名规律很明显适合用来理解验证码识别里最核心的字符分割和单字符分类思路。适合的人群很明确学过 Python 基础、正在做机器学习课程设计、或者需要快速搭一个识别 demo 来验证思路的同学。下面我把这个项目的拆解过程、复现步骤和踩过的坑完整过一遍。2. 从文件名读懂数据集图像命名规律与标签解析2.1 文件名即标签G21615999966.jpg 这类命名怎么拆拿到这个资源包第一件事不是急着跑代码而是先把那十几个 jpg 文件名的规律摸清楚。观察一下G21615999966.jpg、S24415999966.jpg、e43515999965.jpg、087715999965.jpg这些名字看起来是一串字符但注意区分大小写——G 和 e 都在里面出现了。我拆解下来文件名结构是「一个或两个字符 一串数字」比如 G21615999966 可以拆成「G」和「」两段但单纯按长度切分不够严谨因为前面的字符位数不固定。实际上这类资源的数据命名方式通常是把验证码图片里实际包含的字符序列直接拼在文件名里然后把最后几位当作图片编号。也就是说G21615999966.jpg 这个文件名的核心信息是「G216」——这是这张验证码图片里真实显示的字符内容后面的 159999966 可能是数据集内部编号或者时间戳。用脚本解析的时候我一般会先做一步长度试探把所有文件名去重后统计前缀长度分布。import os from collections import Counter img_dir captcha_images prefix_counter Counter() for fname in os.listdir(img_dir): if fname.endswith(.jpg): # 先按常见验证码长度 3-5 位试探 for n in range(3, 7): prefix fname[:n] prefix_counter[prefix] 1 for prefix, cnt in prefix_counter.most_common(30): print(prefix, cnt)这段代码的作用是快速摸清数据集里验证码字符序列到底占文件名前几位。执行后如果发现某几个前缀出现频率明显高于其他那基本就能确定验证码长度了。参数说明range(3, 7)是试探区间常见图形验证码字符数在 3 到 6 之间如果你的数据集里验证码长度不太一样需要先用人工抽查确认再定死这个参数。这里拆前缀而不是拆后缀是因为图片编号这类递增序号一般在末尾而字符序列在开头更符合这类资源命名习惯。2.2 单字符切割与数据集划分的常见做法文件名解析出来只是第一步真正的关键操作是把整张验证码图片切成单个字符图片因为后续的机器学习分类器输入是单字符不是整图。常见做法有两种一是基于轮廓检测分割二是基于像素投影分割。轮廓检测对字符粘连不严重的验证码效果好投影法对等宽字体比较稳。我在这类资源上通常会先试投影法因为它的参数更直观——按列统计像素值连续有值的列段就是一个字符的左右边界。import cv2 import numpy as np def split_by_projection(img_path, min_col_pixels5): img cv2.imread(img_path, cv2.IMREAD_GRAYSCALE) _, binary cv2.threshold(img, 0, 255, cv2.THRESH_BINARY_INV) col_sum np.sum(binary 255, axis0) cols col_sum min_col_pixels # 找到连续 True 区间的起止位置 splits [] start None for i, v in enumerate(cols): if v and start is None: start i elif not v and start is not None: splits.append((start, i)) start None if start is not None: splits.append((start, len(cols))) return img, splits img, boxes split_by_projection(G21615999966.jpg) for idx, (x1, x2) in enumerate(boxes): char_img img[:, x1:x2] cv2.imwrite(fchar_{idx}.jpg, char_img)这段代码先把图片转灰度再用THRESH_BINARY_INV做反二值化——背景变黑、前景字符变白这样统计像素时255就代表字符区域。min_col_pixels5是过滤噪声列的阈值列上有值像素少于 5 个就认为是背景间隙实际使用中要根据图片大小调一般取图片高度的 5%~10% 比较稳。分割结果直接按序号存成单字符图后续特征提取就用这些。3. 特征提取与模型选型为什么这种资源选传统机器学习就够了3.1 从像素到特征HOG 特征和降维处理深度模型需要大量数据和 GPU而这种课程设计级别的验证码识别资源图片量就十几个到几十个硬上 CNN 很容易过拟合。更适合的是传统机器学习路线比如 SVM 或者随机森林它们在小样本上表现更稳定训练也快。关键步骤是把单字符图片转成特征向量。常用的特征有两类一是直接展平像素值但维度高且对位移敏感二是用 HOG方向梯度直方图这类手工特征对字符的局部形状和边缘方向有较好的刻画能力。资源包里这种字体规整、无扭曲的验证码HOG 特征区分度非常好。from skimage.feature import hog def extract_hog(img_gray): features hog( img_gray, orientations9, pixels_per_cell(8, 8), cells_per_block(2, 2), block_normL2-Hys ) return features sample_char cv2.imread(char_0.jpg, cv2.IMREAD_GRAYSCALE) sample_char cv2.resize(sample_char, (32, 32)) feat extract_hog(sample_char) print(feature dim:, feat.shape)HOG 参数说明orientations9表示把梯度方向分成 9 个区间这是 HOG 的经典设置pixels_per_cell(8, 8)表示每个 cell 是 8×8 像素对 32×32 的输入图就是 4×4 个 cellcells_per_block(2, 2)做局部归一化增强光照和对比度鲁棒性。最终特征维度是 9×4×4×4 576 维对 SVM 来说完全可控。如果字符图片分辨率更低把pixels_per_cell改为(4, 4)可以保留更多细节但维度会翻四倍需要结合分类器效果权衡。3.2 SVM 与随机森林的取舍小样本场景下的对比在十几个样本的情况下SVM 的 RBF 核和小型随机森林我都试过。经验是 SVM 在小样本高维特征下泛化能力更好但有两个坑一是特征缩放很重要必须做标准化二是 RBF 核的C和gamma参数对结果影响很大需要用网格搜索交叉验证来调。from sklearn.svm import SVC from sklearn.model_selection import GridSearchCV, train_test_split from sklearn.preprocessing import StandardScaler from sklearn.pipeline import make_pipeline X np.array(all_features) y np.array(all_labels) X_train, X_test, y_train, y_test train_test_split( X, y, test_size0.25, stratifyy, random_state42 ) pipe make_pipeline(StandardScaler(), SVC()) param_grid { svc__C: [0.1, 1, 10, 100], svc__gamma: [0.001, 0.01, 0.1, 1], svc__kernel: [rbf] } grid GridSearchCV(pipe, param_grid, cv3, scoringaccuracy) grid.fit(X_train, y_train) print(best params:, grid.best_params_) print(test accuracy:, grid.score(X_test, y_test))这里用make_pipeline把标准化和 SVM 串起来避免在交叉验证时数据泄漏——如果先在整个训练集上做标准化再切分验证集的分布信息就提前混进训练流程了这是新手最容易犯的错。stratifyy保证切分后各类别比例一致因为这类数据集字符类别分布可能不均匀。param_grid里的 C 是误分类惩罚系数越大越容易过拟合训练集gamma 是 RBF 核的带宽参数越小决策边界越平滑。三个类别交叉验证配四个参数组合训练量很小几秒就能出结果。对比之下随机森林不需要特征缩放对参数也不敏感但在这类字符识别任务上RF 对细长字符比如 I、l、1的区分往往不如 SVM。如果你赶时间不想调参直接用随机森林 n_estimators100 也能拿到一个可用的 baseline但想要更高准确率SVM 值得调。4. 训练脚本与评估完整跑通验证码识别流程4.1 数据加载与标签编码整条流程到这里需要把所有单字符图片和对应标签组装成训练集。这里有一个细节文件名前缀里可能有大小写混合G 和 e这说明验证码本身对大小写敏感所以标签不能统一转小写。如果验证码不区分大小写那转小写可以降低类别数但这份资源的文件名明显混着大小写需要保留原始大小写。import os import cv2 import numpy as np from sklearn.preprocessing import LabelEncoder img_dir captcha_images X_raw [] y_raw [] char_len 4 # 通过第 2 章的前缀试探确定 for fname in sorted(os.listdir(img_dir)): if not fname.endswith(.jpg): continue label fname[:char_len] # 取前 4 位作为真实字符序列 img cv2.imread(os.path.join(img_dir, fname), cv2.IMREAD_GRAYSCALE) img, boxes split_by_projection(img, min_col_pixels5) if len(boxes) ! char_len: print(f[skip] {fname}: split into {len(boxes)} parts, expected {char_len}) continue for (x1, x2), ch in zip(boxes, label): char_img cv2.resize(img[:, x1:x2], (32, 32)) X_raw.append(char_img) y_raw.append(ch) le LabelEncoder() y le.fit_transform(y_raw) print(total samples:, len(y), classes:, len(le.classes_))这段代码把之前的分割和标签解析串到了一起。char_len 4是硬编码的验证码长度如果你在真实场景里发现长度不固定就不能直接取固定前缀需要用第 2 章的试探逻辑动态判断。split_by_projection返回的分割块数量如果和标签长度不一致说明这张图可能粘连严重或噪声干扰大直接跳过比硬切更安全——硬切出来的字符位置对不上标签喂给模型就是脏数据。4.2 评估指标的坑只看整体准确率会骗到你验证码识别任务的评估最需要注意的是「图片级准确率」和「字符级准确率」的区别。整张验证码图片要四个字符全对才算对所以图片级准确率大约等于字符级准确率的四次方。比如字符级准确率 90%图片级可能只有 65% 左右。from sklearn.metrics import accuracy_score, classification_report char_acc accuracy_score(y_test, y_pred) print(char-level accuracy:, char_acc) # 图片级评估需要按图片重组预测结果 img_correct 0 img_total 0 for fname in sorted(os.listdir(img_dir)): if not fname.endswith(.jpg): continue label fname[:char_len] # 预测该图片的四个字符... pred_seq predict_image(os.path.join(img_dir, fname)) img_total 1 if pred_seq label: img_correct 1 print(image-level accuracy:, img_correct / img_total)这里的predict_image是完整推理函数把图片分割、逐字符提取特征、用训练好的模型预测、最后把字符拼回字符串。字符级准确率是模型本身的能力指标但图片级准确率才是最终交付指标——因为实际使用中你识别一张验证码四个字符错一个就得重来。这也是为什么调参时要同时看两个指标不能只看字符级的漂亮数字。经验值是字符级准确率至少要做到 95% 以上图片级才能勉强到 80% 左右低于这个水平在实际场景里基本不可用。5. 避坑指南验证码识别脚本最常见的五个坑5.1 分割数量不稳定导致训练数据错位现象跑训练脚本时输出一堆[skip]警告有些图片被分割成 3 段、有些是 5 段和预期的 4 位验证码对不上。原因min_col_pixels阈值设置不当。验证码图片里字符笔画粗细不一致细笔画字符比如 1、I的列像素和可能低于阈值被当作背景过滤掉或者字符间的噪声点高于阈值导致多切出一段。另一个常见原因是字符粘连投影法在粘连处无法正确找到间隙。解决先用人工查看分割可视化结果把每张图的分割边界画出来确认问题出在阈值还是粘连。阈值调优时观察一下列像素分布找一个低谷区间作为阈值。对粘连严重的字符改用轮廓检测加宽度约束的方法设定每个字符的最小宽度和最大宽度过滤掉异常分割段。我一般会把分割函数写成一个独立模块先跑通全部图片的分割再进入特征提取避免后面所有步骤都被脏数据污染。5.2 图片里有干扰线或噪点二值化后一堆孤立点现象二值化后的图片上除了字符还有大量散落的白点分割时这些点被当作字符区域导致特征向量里混入大量噪声。原因验证码生成时故意加了干扰线和噪点来对抗 OCR而你的二值化阈值没有把噪点滤除干净。cv2.threshold用的是全局阈值如果图片背景不均匀靠单个阈值很难同时处理好字符和背景。解决先用一次形态学开运算cv2.morphologyEx配MORPH_OPEN去掉小噪点再做投影分割。开运算的核大小一般用 2×2 或 3×3太大会把细笔画字符的边缘也磨掉。如果干扰线是彩色的可以在灰度化之前做颜色过滤——验证码字符颜色通常和干扰线颜色有区别用 HSV 色彩空间提取目标颜色的掩码效果更好。这里不要过度依赖形态学参数先肉眼确认噪点大小再去调核。5.3 样本量太少SVM 交叉验证得分虚高或崩塌现象十几张图片切完只有几十个单字符样本交叉验证得分忽高忽低换一个 random_state 结果就完全不同。原因样本量太小交叉验证的每个 fold 里类别覆盖不完整某些字符可能只在训练集出现、在验证集完全缺席或者反过来。这种情况下交叉验证的分数没有统计意义。解决一是减少 fold 数用cv2或cv3而不是默认的 5保证每个 fold 里有足够的样本量二是给 GMM 或 SVM 设置类别权重让稀有字符类别更容易被正确分类三是做数据增强——对单字符图做小幅平移上下左右各 1 到 2 个像素、加轻微高斯噪声、笔画腐蚀膨胀把小样本扩到几百个。数据增强在这个资源包场景下是刚需不做的话模型基本练不出来。需要注意的是增强后的样本要在训练集内部做不能把增强样本混进验证集去评估否则准确率虚高。5.4 字符类别大小写混合模型分不清 O 和 0现象验证码里同时有字母 O 和数字 0或者字母 l 和数字 1模型预测时总是互相混淆字符级准确率卡在 90% 左右上不去。原因这类形状极度相似的字符在 HOG 特征空间里距离很近尤其是低分辨率下差异更小。模型没有足够的上下文信息来区分它们。解决如果验证码场景允许不区分这些混淆字符比如业务系统里人工输入时也容易看错可以在预处理阶段把 O 和 0、l 和 1 映射到同一个类别。这个操作叫「类别合并」能显著降低分类难度。在训练标签编码前加一行映射逻辑y_raw [{O:0, l:1}.get(ch, ch) for ch in y_raw]。如果场景要求严格区分那就只能靠加大分辨率和数据增强来硬抠差异或者针对这些困难字符单独训练一个二分类器做二次判断。5.5 模型训练好了但测试集全是同一批图片评估结果没有说服力现象训练和评估用的图片都来自同一个资源包那十几个文件准确率报表很漂亮但换一批新的验证码图片就拉胯。原因这是典型的「数据同源」问题。这些图片可能是同一个生成器在相同参数下产出的字体、颜色、干扰模式高度一致模型学到的是这套生成器的风格而不是通用的字符识别能力。你的测试集等于是在做「开卷考试」。解决在评估时至少预留两三张完全不参与训练的图片做最终验证这是底线。更进一步的做法是想办法找几个不同来源的验证码生成库比如常见的 captcha 库生成一批风格不同的图片在 A 风格训练、在 B 风格测试看模型的迁移能力。如果迁移效果差说明特征提取太依赖原始数据风格可能需要更多样化的数据增强或者换更通用的特征。6. 把验证码识别脚本用到真实场景部署与参数固化技巧模型调好之后最容易被忽略的是「部署时的推理流程」和「训练时的流程」不一致。很多人在 Jupyter 里跑通了训练但到实际调用时发现图片输入格式不对、分割参数没固定、模型没有加载进来。我这里给出一套可以直接套用的推理封装逻辑。import joblib import cv2 import numpy as np class CaptchaRecognizer: def __init__(self, model_path, scaler_path, char_len4): self.model joblib.load(model_path) self.scaler joblib.load(scaler_path) self.char_len char_len # 固化分割参数避免推理时和训练时不一致 self.min_col_pixels 5 self.resize (32, 32) def _preprocess(self, img_path): img cv2.imread(img_path, cv2.IMREAD_GRAYSCALE) _, binary cv2.threshold(img, 0, 255, cv2.THRESH_BINARY_INV) binary cv2.morphologyEx(binary, cv2.MORPH_OPEN, np.ones((2, 2), np.uint8)) return binary def _split(self, binary): col_sum np.sum(binary 255, axis0) cols col_sum self.min_col_pixels boxes [] start None for i, v in enumerate(cols): if v and start is None: start i elif not v and start is not None: boxes.append((start, i)) start None if start is not None: boxes.append((start, len(cols))) return boxes def predict(self, img_path): binary self._preprocess(img_path) boxes self._split(binary) if len(boxes) ! self.char_len: return None # 分割失败交由上层重试 features [] for x1, x2 in boxes: char_img cv2.resize(binary[:, x1:x2], self.resize) feat extract_hog(char_img) features.append(feat) features self.scaler.transform(np.array(features)) preds self.model.predict(features) return .join(preds)这个类的设计思路就是把所有训练时用到的参数固化成实例属性避免推理时因为参数漂移导致效果退化。min_col_pixels5、resize(32, 32)这些值必须严格和训练时一致否则特征分布变了SVM 的决策边界就不适用了。分割失败返回None而不是硬凑一个结果这是实际部署里很重要的习惯——识别失败就让上层重新获取验证码不要拿错误答案去提交。关于参数固化我自己的习惯是把训练脚本里所有关键参数导出到一个config.json推理时直接读取而不是在代码里硬编码。这样训练和推理永远共享同一份配置改参数时不会一边改了另一边忘改。验证码识别这个项目做完我最大的收获不是模型准确率从多少涨到多少而是意识到这类资源落地时「分割质量 模型选择」。模型再强输入的特征是错位的字符效果也出不来。从那以后我每做完一个识别项目都要强制走一遍分割可视化——把每张图的字符边界画出来逐张确认再谈训练的事。这种习惯帮我避免了好多次「模型调了一整天最后发现是分割数据错了」的翻车现场。这个源码包本身已经帮你走完了从数据到模型的完整闭环剩下的就是在此基础上换自己的数据集、调自己的参数希望你也能在这条路上少踩几个坑。本文还有配套的精品资源点击获取