一、识别效果展示

二、简介

1、 验证码机制革新：从“静态识别”到“动态博弈”

不同于市面上常见的静态拼图、图像点选或中文点击验证码，本项目针对的是一款极具颠覆性的交互式验证码。该验证码引入了“动态障碍躲避”机制：用户不仅需要识别图中的障碍物（如尖刺、滚石等），还必须控制鼠标在滑动过程中进行实时微操躲避。
这种设计将验证码的破解难度从单纯的“图像识别（CV）”提升到了“路径规划与决策控制”的维度。它不仅检测图像特征，更通过鼠标轨迹的加速度、抖动频率、停留时间等多维度特征进行图灵测试，传统的自动化脚本在此面前毫无还手之力。

2、核心挑战：高维状态空间与类人行为模拟

该验证码的识别难点在于：

• 非结构化障碍识别：障碍物形态各异、随机生成，且可能与背景高度融合。
• 非线性轨迹预测：安全路径并非直线，而是需要根据障碍物分布实时生成的曲线。
• 反爬虫机制：系统会判定过于平滑或匀速的轨迹为机器行为。

3、我们的解决方案：基于强化学习的完美拟合

面对这一“验证码界的终极BOSS”，我们构建了一套基于深度强化学习（Deep Reinforcement Learning）与行为克隆（Behavioral Cloning）的混合模型：

• 海量数据驱动：我们通过数十万次的真人标注数据训练视觉模型，实现了对障碍物像素级的精准分割与识别，哪怕是一个半透明的障碍也能瞬间锁定。
• 仿生学滑动算法：不同于生硬的坐标位移，我们的AI模型学习了人类操作鼠标的肌肉记忆，生成的轨迹包含自然的加速度、微小的抖动和犹豫，完美通过了验证码的行为风控系统。
• 实时路径规划：结合A*算法与神经网络，AI能在毫秒级时间内计算出一条既能到达终点又能完美避开所有障碍的“最优真人路径”。

4、成果验证

经过压力测试，本系统在该款验证码上的识别成功率无限接近100%，且单次验证耗时低于300ms。我们不仅破解了它，更是以“绝对智能”的姿态碾压了这套复杂的验证系统，实现了真正意义上的全自动通过。

三、识别代码

本部分将详细介绍如何接入我们的避障验证码识别引擎。我们提供了标准化的输入接口、模块化的核心代码框架以及直观的可视化输出，确保开发者能够快速集成并验证效果。

1、 输入数据规范：原始图像的必要性

“垃圾进，垃圾出”——为了保证识别模型对障碍物的像素级感知能力，本系统对输入图像有严格要求。

• 必须提供原始无损图
  • 原因：验证码前端通常会对图片进行压缩、加噪或混淆（如背景干扰线、像素点置换）。只有拿到未经过浏览器渲染压缩的原始jpg文件，才能保留障碍物边缘的抗锯齿信息和透明度通道（Alpha Channel）。如果使用截图，障碍物的边缘特征会被模糊化，导致识别率断崖式下跌。
  • 图片内容要求：图片需包含完整的滑块、背景图以及障碍物层（通常是单独的图层或特定的颜色掩码）。

2、识别代码

import base64
import requests
import datetime
from io import BytesIO
from PIL import Image,ImageDraw

t1 = datetime.datetime.now()

#PIL图片保存为base64编码
def PIL_base64(img, coding='utf-8'):
    img_format = img.format
    if img_format == None:
        img_format = 'JPEG'

    format_str = 'JPEG'
    if 'png' == img_format.lower():
        format_str = 'PNG'
    if 'gif' == img_format.lower():
        format_str = 'gif'

    if img.mode == "P":
        img = img.convert('RGB')
    if img.mode == "RGBA":
        format_str = 'PNG'
        img_format = 'PNG'

    output_buffer = BytesIO()
    # img.save(output_buffer, format=format_str)
    img.save(output_buffer, quality=100, format=format_str)
    byte_data = output_buffer.getvalue()
    base64_str = 'data:image/' + img_format.lower() + ';base64,' + base64.b64encode(byte_data).decode(coding)
    # base64_str = base64.b64encode(byte_data).decode(coding)

    return base64_str

# 加载图片
img1 = Image.open(r'E:\Python\lixin_project\OpenAPI接口测试\test_img\88-1.jpg')
# 图片转base64
img1_base64 = PIL_base64(img1)

# 验证码识别接口
# 可以根据自己网络情况选择不同接口
# http://bq1gpmr8.xiaomy.net（电信）
# http://220.167.181.200:9009（移动、电信、联通）

# 验证码识别接口
url = "http://220.167.181.200:9009/openapi/verify_code_identify/"
data = {
    # 用户的key
    "key":"2zLW3AnTbYJaEV4ofH3G",
    # 验证码类型
    "verify_idf_id":"88",
    # 样例图片
    "img_base64":img1_base64,
}
header = {"Content-Type": "application/json"}

# 发送请求调用接口
response = requests.post(url=url, json=data, headers=header)
# 获取响应数据，识别结果
print(response.text)
print("耗时：", datetime.datetime.now() - t1)

# 获取识别的轨迹
curve_point_list = eval(response.json()['data']['res_str'])
# 图上画出轨迹
# 绘制曲线
draw = ImageDraw.Draw(img1)
# 上一个点
last_point = None
for curve_point in curve_point_list:
    point = curve_point
    # 计算点的边界框（确保是正方形）
    half_size = 5 // 2
    x1 = point[0] - half_size
    y1 = point[1] - half_size
    x2 = point[0] + half_size
    y2 = point[1] + half_size
    # 绘制实心圆形点
    draw.ellipse([x1, y1, x2, y2], fill=(255,255,255), outline=(255,255,255))

    # 判断是否画线
    if last_point != None:
        # 画直线
        draw.line((last_point[0], last_point[1], curve_point[0], curve_point[1]), fill=(255,255,255), width=3)

    last_point = curve_point

# 展示绘制轨迹曲线的效果
img1.show()

3、效果展示

如下图，识别的轨迹用白线标记出

想了解更多验证码识别，请访问：http://bq1gpmr8.xiaomy.net/tool/verifyCodeHomePage2/?_=1776671995037