写在前面

近日某众打码平台被跑路的消息一出，脚本圈中一片哗然（我并不是脚本圈的，只是喜欢看群里人吹逼而已 ），仿佛再也听不到那句熟悉的广告语了。这也预示着，第三方打码平台不靠谱了。但打码功能有时候又必不可少，这时候怎么办呢？当然是自己自己动手丰衣足食啦！最近工作不是很忙，准备撸一个用Python识别验证码的系列文章，该系列计划囊括各种时下比较流行的验证码形式，如滑块、四则运算、点选、手势、空间推理、谷歌等。已经跑通了的所有代码都放在了我的知识星球上，需要的话请自取。话不多说，开撸！

数据特点

这类验证码估计大家都碰到过，体验反正有点恶心。

识别思路

1.训练一个deeplab模型来对图片做语义分割，像酱紫：

2.由于打标签实在是太累，以至于我数据没多少，所以光靠语义分割模型来做定位精度肯定是不够的，
于是想了个法子。之前做了个yolo的模型用来定位物体，那么干脆就用yolo模型先大致确定物体的位置，然后再在大致位置内来做语义分割，这样能够减少干扰。实际上这样做确实能提升精度！当然，如果你的数据够多，可以无视这个曲线救国的方式，直接一把梭。

3.根据语义分割的结果来判断要查询的物体临幸了哪些格子，这样就能得出需要点击的格子的编号。

识别结果

大概标注了3000张图的样子，做了个demo（支持的物体有：公交车、小汽车、桥、停车计价器、棕榈树、人行横道、摩托车、消防栓、红绿灯、出租车、自行车、拖拉机、楼梯、烟囱、船、山），效果还凑合。数据越多，泛化性会越强。
原图（找哪里有消防栓）：

结果（result里的数字代表十六宫格的序号，1表示第1行第1列，2表示第1行第2列，以此类推）：

原图（找哪里有摩托车）：

结果（result里的数字代表九宫格的序号，1表示第1行第1列，2表示第1行第2列，以此类推）：

改进点

1.数据太少，因为打标签是真的累。。。如果不怕累就多打标签，或者花钱雇人打标签。毕竟没有人工就没有智能。

2.因为数据少，所以才用了曲线救国的方式。如果对精度要求比较高，还是建议多搞数据。