之前看过一些关于 PHP 实现验证码识别的文章，但一直没有所运用。后来某次偶然机会，我进行了一些尝试，第一次做到二分值就无法继续下去，第二次做到除噪就弃坑，直到我看到……

甚至移动端……

我发现某高校校园卡中心的 PC 端官网和移动端登录需要的验证码都是一个类型的。（因涉及某校网络安全，所以对部分内容进行了打码处理）

如此简单的验证码是否会对其安全有影响？所以我又进行了一次尝试，我将其记录下来，一方面是对学习知识的总结，以后能回看；另一方面希望对研究这方面技术的同学有所帮助；另外也希望引起站长的注意，在提供验证码时多些考虑加入干扰进去。由于以前没有接触过这方面的知识，初次尝试，理解浅显，犯错难免，欢迎纠正。

首先，部分人可能对验证码的作用不是特别了解，我这里就引用一段验证码的描述：

所谓验证码，就是将一串随机产生的数字、字母、符号，甚至是中文文字，生成一幅图片，图片里加上一些干扰像素（防止 OCR 识别），例如线、点、扭曲、阵格等，由用户肉眼识别其中的验证码信息，输入表单提交网站验证，验证成功后才能使用某项功能。目前，随着 OCR 识别技术的发展，这些随机数字、字母、符号和中文文字生成的图片容易被 OCR 识别，所以很多网站已经开始使用新式的验证技术——滑动验证或是拼图验证，国内提供该解决方案的其中一家公司——极验。

验证码识别一般分为以下几个步骤：

我们按照这些步骤对某高校校园卡中心网站的登录验证码进行识别。

1、取出字模

因为某高校校园卡中心网站的登录验证码只有数字，且仅包括 1-9 数字，所以首先我们只需要收集包括 1-9 的验证码图片。

我这里下载了 7 张验证码，当然尽量样本下载越多越好。我们选择其中一张，干扰线没有过多影响数字的验证码，用它来做二值化。

2、二值化

二值化我们希望将背景和干扰线统统用 “0” 表示，只将验证数字部分用 “1” 表示。我们需要知道颜色的三原色，即红绿蓝。所有的颜色都可以通过三原色的不同组合而产生一个颜色。那么二值化就是对红绿蓝三色进行一些条件过滤来完成二值化。

这时候我们可以用 PHP 中 gd 库获取图片每个像素的 RGB 值，将 RGB 值分别打印出来，也可以借助 Photoshop 的吸管工具来观察 RGB 值规律。

通过 Photoshop，我们观察到背景部分红色通道值均小于 52，绿色通道值等于 128 或 85。

接着处理干扰线与干扰点。其实取出干扰线的方法很简单，干扰线的一个重要特征是不能影响验证码的显示效果，所以制作干扰线时它的 RGB 可能低于或者高于某个特定值。还是通过 Photoshop 取色工具，观察干扰线和干扰点的 RGB 值。

干扰线部分红色通道值和绿色通道值固定在 153 和 128，部分干扰点红色通道值为 153，绿色通道值为 170。同时，我们还注意到验证码数字部分及其周边部分像素点的各通道值，都至少有一个通道值大于 252。

因此，我们可以写出过滤条件：

$data[$i][$j] = 1;
if ($rgbarray['red'] <= 51)
    $data[$i][$j] = 0;
if ($rgbarray['red'] <= 153 && $rgbarray['green'] == 128)
    $data[$i][$j] = 0;
if ($rgbarray['red'] <= 153 && $rgbarray['green'] == 170)
    $data[$i][$j] = 0;
if ($rgbarray['red'] >= 253 || $rgbarray['green'] >= 253 || $rgbarray['blue'] >= 253)
    $data[$i][$j] = 1;

3、除噪

因为我们在上面分析背景部分的 RGB 颜色时一同分析了干扰点颜色，经过过滤后，发现我们二值化的结果很好，没有出现孤立的点。如果有出现，需要再优化过滤条件，使这些孤立的点被去除。

4、切割字符

我们就得到干净的二值化数据，接下来要做的就是切割字符。切割字符的方法有很多种，这里我采用最简单的一种，先垂直方向切割成为字符，然后在水平方向去掉多于的 0。

第一步切割红线部分，第二步切割黄线部分，这样就可以得到独立的字符了。切割出来后，如图：

5、对照样本

对照样本第一步就是如何取得样本，我们可以通过多次获取验证码，获得各个数字较少被干扰线干扰时的值。例如本例中我们取的这张验证码中，每个数字都刚好没有被干扰线影响。当然这种情况很难遇到，我们可以将多个切割后的值做成一个特征库。当识别时，将切割好后的值每行连接，形成一个字符串，并利用 PHP 函数 similar_text() 计算相似度，取最高相似度的 key，即为这个数字。

如本例中的 “8”，与我取得的 “8” 的特征码对比，得到如下相似度：

1: float(37.5)
2: float(29.545454545455)
3: float(73.863636363636)
4: float(59.090909090909)
5: float(80.681818181818)
6: float(31.818181818182)
7: float(20.238095238095)
8: float(93.181818181818)
9: float(54.545454545455)

可以很清晰的看出，它 “8” 的特征码相似度最大，所以我们推测它即为 “8”。通过遍历，我们可以将四位验证码计算出来。

换测试验证码后，仍然识别成功。

我们甚至可以将模拟登录也写上，测试识别后并模拟登录平台成功。

当然，由于我的样本较少，偶尔识别还是会出现失败的情况，以后还可以在这个基础上进行优化，也欢迎有兴趣的同学能给点优化建议。

代码已经开源到 Github，可移步至这里查看。