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。傳統的字符型驗證安全性已經名存實亡的情況下，各種新型的驗證碼如雨后春筍般涌現。目前最常見的一種形式就是“滑動拼圖式”

2 內容概述

關于滑動式驗證，最早由國內某網絡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品都出來了，那么這些看似一樣的產品，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上分析一下安全性。因為我的主技術路線是圖像學，關于前端的js并不熟悉，所以就只在圖像學上點到即止即可。僅供會一些自動化技術的同學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。僅供大家學習學習。

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，很多規律是可以一眼看出的。比如，從公開的頁面中，連續請求此驗證的資源 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：

發現如下特點：

和前端展示相關的圖片有：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，設計這個驗證圖片的人沒啥安全方面的經驗，有如下兩個產品細節沒有注意：

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：

圖片整體規格：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的像素相減，神奇的事情就發生了：

“左上” 減去 “右下” 就得到 “左下”的結果。

這個時候，對x方向的R通道的像素點進行累加統計。

得到如下的統計圖：

然后對這個曲線求一階導數或者只要發現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，此圖片的位置已經成功解出。

下面是相應的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): """ 根據分類出來的圖像，找到相應的圖像位置 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) # 根據分布圖找到邊界位置 return w_pos

總結

以上所述是小編給大家介紹的Python實現圖片滑動式驗證識別方法，希望對大家有所幫助，如果大家有任何疑問請給我留言，小編會及時回復大家的。在此也非常感謝大家對VEVB武林網網站的支持！