81NewArk/AntiCAP：验证码识别点选滑块算术旋转 OCR

技术解读

以下内容由 GitRead 中文社区编辑团队基于项目 README 与官方资料整理，结合中文开发者的常见使用场景补充技术选型建议。具体以项目官方文档为准。

81NewArk/AntiCAP：验证码识别技术破解之道

项目背景与痛点

在互联网应用中，为了防止恶意行为（如刷票、恶意注册等），验证码是一种常见的保护手段。它不仅用于文字识别，还涵盖了点选、滑块、算术、旋转验证码等多种形态。传统的验证码识别技术虽然有效，但随着验证码复杂性的不断增加，自动化识别验证码的需求变得日益迫切。81NewArk的AntiCAP项目正是一款专注于验证码识别的开源工具，覆盖了多种类型验证码的识别。

核心技术揭秘

AntiCAP项目的核心在于其高效的验证码识别流程，它依赖于先进的OCR技术以及机器学习模型。将验证码图像解析为更具识别性的元素，再通过机器学习模型完成最终的识别工作。

graph TD A[用户请求] --> B[验证码获取] B --> C[数据预处理] C --> D[特征提取] D --> E{"解决方案选择?"} E -->|"字符验证码"| F[字符识别] E -->|"滑块验证"| G[滑块位置计算] E -->|"算术验证码"| H[算术解析] E -->|"其他"| I[高级OCR处理] F --> J[识别结果] G --> J H --> J I --> J

数据预处理阶段，会对验证码的图像执行滤波、边缘检测等多种预处理操作，以增强图像的可识别性。随后，通过特征提取将复杂图像分解成更易于机器学习模型解析的小元素。此时，项目会根据不同类型的验证码选择对应的识别解决方案，如字符验证码直接进入字符识别流程，而滑块验证则需计算滑块移动的准确位置。

功能亮点与差异

AntiCAP项目的独特之处在于其广泛的兼容性和精准的识别率。针对滑块、点选等非传统字符验证码的识别表现尤为出色。更重要的是，它未将模型固化，而是提供了自定义处理机制，用户可依据特定需求扩展或调整模型，使之适应千差万别的业务场景。

应用场景与落地建议

在生产环境中应用AntiCAP时，需要格外注意验证码的多样性与复杂性。不同的业务场景可能要求系统支持特定的验证码类型，因此在项目初期进行充分的测试和校准至关重要。尤其是当涉及到严格要求的安全场景时，如银行系统的二次验证，更需确保系统的可靠性与稳定性。

综合评价

优点

多种验证码识别能力，适应不同的业务需求。
支持自定义模型，提升识别效率与准确性。
开源代码，便于开发者进行二次开发与修改。

缺点

高效识别依赖于稳定可靠的训练数据集，对于个别特殊或新出现的验证码类型识别挑战较大。
需较高技术水平才能深度使用，对普通用户存在一定门槛。

尽管具有上述局限性，AntiCAP依旧是一款在验证码识别领域值得推荐的解决方案。通过不断迭代更新，未来可望拓展更多场景与更加智能化的识别手段。

AntiCAP

Version:3.3.5

识别率随缘，全靠内置模型和算法

类型	状态	描述
`OCR识别`	✅	返回图片字符串
`数学计算`	✅	返回计算结果
`缺口滑块`	✅	返回坐标
`阴影滑块`	✅	返回坐标
`图标点选`	✅	侦测图标位置或按序返回坐标
`文字点选`	✅	侦测文字位置或按序返回坐标
`相似对比`	✅	图片中文字的相似度对比
`双图旋转验证码`	✅	返回角度
`单图旋转验证码`	✅	返回角度
`WebApi服务`	✅	https://github.com/81NewArk/AntiCAP-WebApi

🧑‍⚖️ 免责声明

本项目基于 MIT 开源协议发布，欢迎自由使用、修改和分发，但必须遵守中华人民共和国法律法规。

使用本项目即表示您已阅读并同意以下条款：

合法使用： 不得将本项目用于任何违法、违规或侵犯他人权益的行为，包括但不限于网络攻击、诈骗、绕过身份验证、未经授权的数据抓取等。
风险自负： 任何因使用本项目而产生的法律责任、技术风险或经济损失，由使用者自行承担，项目作者不承担任何形式的责任。
禁止滥用： 不得将本项目用于违法牟利、黑产活动或其他不当商业用途。

使用视为同意上述条款,即"谁使用，谁负责"。如不同意，请立即停止使用并删除本项目。

📄 AntiCAP 文档

🌍环境说明

python >=3.8  64bit

📁 安装

Pypi下载

pip install AntiCAP -i https://pypi.tuna.tsinghua.edu.cn/simple

🤖 调用说明

1. 通用OCR识别

参考例图 (数字、大小写字母、汉字)

# example.py

import base64
import AntiCAP


with open("captcha.jpg", "rb") as img_file:
    img_base64 = base64.b64encode(img_file.read()).decode('utf-8')


Atc = AntiCAP.Handler(show_banner=True)
result = Atc.OCR(img_base64=img_base64) #传入图片Base64编码字符串

print(result) # 返回字符串 jepy

2. 算术验证码识别

参考例图 (加减乘除)

# example.py

import base64
import AntiCAP


with open("captcha.jpg", "rb") as img_file:
    img_base64 = base64.b64encode(img_file.read()).decode('utf-8')


Atc = AntiCAP.Handler(show_banner=True)
result = Atc.Math(img_base64=img_base64) #传入图片Base64编码字符串

print(result) #返回计算结果 8

3. 图标侦测

参考例图

# example.py

import base64
import AntiCAP


with open("captcha.jpg", "rb") as img_file:
    img_base64 = base64.b64encode(img_file.read()).decode('utf-8')


Atc = AntiCAP.Handler(show_banner=True)
result = Atc.Detection_Icon(img_base64=img_base64) #传入图片Base64编码字符串

print(result)

# [{'class': 'icon', 'box': [9.12, 105.4, 111.73, 223.02]}...]
# box分别为 [x1, y1, x2, y2] 左上角和右下角坐标

4. 文字侦测

参考例图

# example.py

import base64
import AntiCAP


with open("captcha.jpg", "rb") as img_file:
    img_base64 = base64.b64encode(img_file.read()).decode('utf-8')


Atc = AntiCAP.Handler(show_banner=True)
result = Atc.Detection_Text(img_base64=img_base64) #传入图片Base64编码字符串

print(result)
# [{'class': 'Text', 'box': [145.71, 19.21, 223.99, 95.7]}...]
# box分别为 [x1, y1, x2, y2] 左上角和右下角坐标

5. 图标点选类

提示图

目标图片

# example.py

import base64
import AntiCAP

with open("order_image.jpg", "rb") as f:
    order_img_base64 = base64.b64encode(f.read()).decode('utf-8')

# 读取目标图（所有图标）并转为 base64
with open("target_image.jpg", "rb") as f:
    target_img_base64 = base64.b64encode(f.read()).decode('utf-8')

Atc = AntiCAP.Handler(show_banner=True)
result = Atc.ClickIcon_Order(
    order_img_base64=order_img_base64,
    target_img_base64=target_img_base64
)

print(result)

6. 文字点选类

提示图

目标图片

# example.py

import base64
import AntiCAP

with open("order_image.jpg", "rb") as f:
    order_img_base64 = base64.b64encode(f.read()).decode('utf-8')

# 读取目标图（所有图标）并转为 base64
with open("target_image.jpg", "rb") as f:
    target_img_base64 = base64.b64encode(f.read()).decode('utf-8')

Atc = AntiCAP.Handler(show_banner=True)
result = Atc.ClickText_Order(
    order_img_base64=order_img_base64,
    target_img_base64=target_img_base64
)

print(result)

7. 缺口滑块类

缺口图

背景图

# example.py

import base64
import AntiCAP

# 读取滑块图片（小块）
with open("slider.png", "rb") as f:
    target_base64 = base64.b64encode(f.read()).decode('utf-8')

# 读取背景图片（带缺口的大图）
with open("background.jpg", "rb") as f:
    background_base64 = base64.b64encode(f.read()).decode('utf-8')


Atc = AntiCAP.Handler(show_banner=True)

result = Atc.Slider_Match(target_base64=target_base64,
                          background_base64=background_base64
)

print(result)

8. 阴影滑块类

目标图片

背景图片

# example.py

import base64
import AntiCAP

# 读取滑块图片（小块）
with open("target.jpg", "rb") as f:
    target_base64 = base64.b64encode(f.read()).decode('utf-8')

# 读取背景图片（带缺口的大图）
with open("background.jpg", "rb") as f:
    background_base64 = base64.b64encode(f.read()).decode('utf-8')


Atc = AntiCAP.Handler(show_banner=True)

result = Atc.Slider_Match(target_base64=target_base64,
                          background_base64=background_base64
)

print(result)

9. 相似度对比

图片1

图片2

# example.py
import base64
import AntiCAP

with open("image1.jpg", "rb") as f:
    image1_base64 = base64.b64encode(f.read()).decode('utf-8')

with open("image2.jpg", "rb") as f:
    image2_base64 = base64.b64encode(f.read()).decode('utf-8')


Atc = AntiCAP.Handler(show_banner=True)

result = Atc.Compare_Image_Similarity(image1_base64=image1_base64, image2_base64=image2_base64)

print("相似度结果:", result)

10. 双图旋转类验证码

内圈

外圈

# example.py

import base64
import AntiCAP

with open("inside.jpg", "rb") as f:
    inside_base64 = base64.b64encode(f.read()).decode('utf-8')

with open("outside.jpg", "rb") as f:
    outside_base64 = base64.b64encode(f.read()).decode('utf-8')


Atc = AntiCAP.Handler(show_banner=True)

result= Atc.Double_Rotate(inside_base64=inside_base64, outside_base64=outside_base64)

print(result)

# {'similarity': 0.6651270985603333, 'inner_angle': 75.5, 'raw_angle': 151}

11. 单图旋转类验证码

图片

# example.py

import base64
import AntiCAP

with open("rotate_image.jpg", "rb") as f:
    rotate_base64 = base64.b64encode(f.read()).decode('utf-8')




Atc = AntiCAP.Handler(show_banner=True)

result= Atc.Single_Rotate(image_base64=rotate_base64)

print(result)

# 229  返回旋转角度

🧬 自定义模型

使用模型的函数均支持自定义模型


import AntiCAP

Atc = AntiCAP.Handler(show_banner=True)


result = Atc.Math(img_base64="",
                  # math_model_path 参数为 .pt格式的yolo侦测模型
                  math_model_path=r"C:\AntiCAP\model\yuor_math_model.pt")


result = Atc.Detection_Icon(img_base64="",
                            # text_model_path 参数为 .pt格式的yolo侦测模型
                            detectionIcon_model_path=r"C:\AntiCAP\model\yuor_detectionIcon_model.pt")

result = Atc.Detection_Text(img_base64="",
                            # detectionText_model_path 参数为 .pt格式的yolo侦测模型
                            detectionText_model_path=r"C:\AntiCAP\model\yuor_detectionText_model.pt")


result = Atc.ClickText_Order(order_img_base64="",
                             target_img_base64="",
                             # text_model_path 参数为 .pt格式的yolo侦测模型
                             detectionText_model_path=r"C:\AntiCAP\model\yuor_detectionTcon_model.pt",
                             # sim_onnx_model_path为 .onnx格式的孪生神经网络模型
                             sim_onnx_model_path=r"C:\AntiCAP\model\your_sim_onnx_model.onnx") 


result = Atc.ClickIcon_Order(order_img_base64="",
                             target_img_base64="",
                             # text_model_path 参数为 .pt格式的yolo侦测模型
                             detectionIcon_model_path=r"C:\AntiCAP\model\yuor_detectionIcon_model.pt",
                             # sim_onnx_model_path为 .onnx格式的孪生神经网络模型
                             sim_onnx_model_path=r"C:\AntiCAP\model\your_sim_onnx_model.onnx") 


result = Atc.Compare_Image_Similarity(image1_base64="",
                                      image2_base64="",
                                      # sim_onnx_model_path为 .onnx格式的孪生神经网络模型
                                      sim_onnx_model_path=r"C:\AntiCAP\model\your_sim_onnx_model.onnx")


result = Atc.Single_Rotate(image_base64="",
                            # rotate_onnx_modex_path为 .onnx格式的旋转模型
                            rotate_onnx_modex_path=r"C:\AntiCAP\model\your_rotate_onnx_model.onnx")

🐧 QQ交流群

QQ 群爆满 tg https://t.me/+I6R1ULCMd21iZGFh

💪🏼 模型训练

https://www.newark81.vip/archives.html

收入用于项目维护及更新。

🚬 请作者抽一包香香软软的利群

😚 致谢名单

这份荣光我不会独享

[1] Ddddocr作者网名:sml2h3

[2] 微信公众号 OneByOne 网名:十一姐

[3] 苏州大学,苏州大学文正学院计算机科学与技术学院张文哲教授

[4] 苏州大学,苏州大学文正学院计算机科学与技术学院王辉教授

[5] 苏州市职业大学,苏州大学文正学院计算机科学与技术学院陆公正副教授

[6] 武汉科锐软件安全教育机构钱林松讲师网名:Backer

📚 参考文献

[1] Github. 2025.03.28 https://github.com/sml2h3

[2] Github. 2025.03.28 https://github.com/2833844911/

[3] Bilibili. 2025.03.28 https://space.bilibili.com/308704191

[4] Bilibili. 2025.03.28 https://space.bilibili.com/472467171

[5] Ultralytics. 2025.03.28 https://docs.ultralytics.com/modes/train/

[6] YRL’s Blog. 2025.03.28 https://blog.2zxz.com/archives/icondetection

AntiCAP

技术解读

81NewArk/AntiCAP：验证码识别技术破解之道

项目背景与痛点

核心技术揭秘

功能亮点与差异

应用场景与落地建议

综合评价

优点

缺点

相关仓库

关于

简要分析

语言占比

贡献者

AntiCAP

📑 目录

🧑‍⚖️ 免责声明

使用视为同意上述条款,即"谁使用，谁负责"。如不同意，请立即停止使用并删除本项目。

📄 AntiCAP 文档

🌍环境说明

📁 安装

Pypi下载

🤖 调用说明

1. 通用OCR识别

参考例图 (数字、大小写字母、汉字)

2. 算术验证码识别

参考例图 (加减乘除)

3. 图标侦测

参考例图

4. 文字侦测

参考例图

5. 图标点选类

提示图

目标图片

6. 文字点选类

提示图

目标图片

7. 缺口滑块类

缺口图

背景图

8. 阴影滑块类

目标图片

背景图片

9. 相似度对比

图片1

图片2

10. 双图旋转类验证码

内圈

外圈

11. 单图旋转类验证码

图片

🧬 自定义模型

使用模型的函数均支持自定义模型

🐧 QQ交流群

💪🏼 模型训练

https://www.newark81.vip/archives.html

收入用于项目维护及更新。

🚬 请作者抽一包香香软软的利群

😚 致谢名单

📚 参考文献

评论