验证码识别这东西挺有意思的，一方面它是用来防机器刷票、防爬虫的，另一方面又有不少场景需要自动识别验证码，比如企业内部系统批量登录、数据采集项目里需要过验证码关卡。市面上的验证码识别软件五花八门，从免费的开源工具到付费的商业API都有，效果差别也挺大。今天就聊聊验证码识别的基本原理、常用软件选型，以及不同验证码类型对应的处理思路。

先说说验证码的发展历程。最早的验证码就是简单的扭曲字符，比如4到6个英文字母加数字，稍微有点倾斜和干扰线。这种验证码用传统的图像处理方法就能搞定：先做二值化（把图片变成黑白），然后去噪（去掉干扰线和噪点），接着做字符分割，把每个字符切出来，最后用模板匹配或者简单的机器学习分类器识别。Tesseract这个开源OCR引擎配合点预处理，对付这种简单验证码绰绰有余，很多新手入门就是从Tesseract开始的。

后来验证码升级了，开始出现粘连字符、背景干扰、字体颜色变化这些花样，传统的字符分割方法就不灵了，字符切不准，后面识别肯定错。这时候就轮到深度学习出场了，用CNN（卷积神经网络）直接对整张图做端到端识别，不用做字符分割。CRNN（卷积循环神经网络）是目前验证码识别最常用的模型，前面用CNN提特征，中间用RNN处理序列，最后用CTC损失函数解码，对付中英文字符、数学公式验证码都挺好用。训练数据可以自己生成，用Python的Captcha库或者ImageCaptcha就能批量生成带标注的训练图，模型训好之后识别率能到95%以上。

再复杂一点的就是点选验证码、滑块验证码、行为验证码这些了，比如12306的图片点选、极验的滑块拖动、腾讯的防水墙。这类验证码光靠图像识别搞不定，还需要模拟人的行为。滑块验证码相对简单，用OpenCV做模板匹配找到缺口位置，然后模拟人的拖动轨迹（先加速后减速，中间带点抖动，别匀速拉，不然一眼就被看出来是机器）。点选验证码就麻烦一些，需要先做文字识别知道要点哪个，然后用目标检测模型定位图片中的物体，再模拟鼠标点击。商业上这类验证码一般靠打码平台人工识别，或者用专门的破解服务，价格大概几分钱一次。

软件选型方面，个人小项目用开源方案就行。Python生态里有不少好用的库：ddddocr是个专门做验证码识别的库，自带训练好的模型， pip install 完直接调用，不用自己训模型，普通的字符验证码识别率很高，对中文验证码也支持。pytesseract是Tesseract的Python封装，适合做简单的OCR任务。ddddocr的升级版ONNXRuntime版本速度更快，适合批量处理。商业项目如果对识别率和稳定性要求高，可以考虑用第三方打码API，比如超级鹰、打码兔这些，支持多种验证码类型，按次付费，稳定省心，就是长期用成本不低。

最后说几个实战中的经验。第一，预处理是关键，同一个模型，预处理做得好识别率能提升好几个百分点，常见的预处理操作包括灰度化、二值化、中值滤波去噪、形态学操作（腐蚀膨胀去掉小噪点）。第二，别迷信深度学习，简单验证码用传统方法更快更轻量，没必要上大模型。第三，注意法律和合规问题，验证码识别如果用于恶意爬取他人网站数据，可能违反《网络安全法》和《反不正当竞争法》，一定要在合法合规的前提下使用，比如自己公司的系统自动化测试、授权的数据采集项目。