如何获取我的验证码？_百度知道
如何获取我的验证码？
如何获取我的验证码？...
如何获取我的验证码？
答题抽奖
首次认真答题后
即可获得3次抽奖机会，100%中奖。
插上注册手机卡，手机接收验证码
1条折叠回答
为你推荐：
其他类似问题
您可能关注的内容
个人、企业类
违法有害信息,请在下方选择后提交
色情、暴力
我们会通过消息、邮箱等方式尽快将举报结果通知您。手机收到很多验证码手机无故接收很多网站的验证码短信是怎么回事?会不会是我的个人信息被别人知道了可以报警吗？--在线法律咨询|律师365
大家都在搜：
微信扫一扫 免费问律师
手机扫一扫 法律兜里装
手机收到很多验证码手机无故接收很多网站的验证码短信是怎么回事?会不会是我的个人信息被别人知道了可以报警吗？
3443人阅读
黑龙江 绥化
1分钟提交法律咨询 2000多位 信得过的好律师 为您提供专业解答
（咨询请说明来自律师365）
地区：黑龙江 哈尔滨|解答问题：1715条
请问你收到的短信验证码大致内容是什么啊。可以将短信验证码数字忽略用xxx代替，贴出来看下才能知道是具体怎么回事
相关法律咨询
请问，我老婆无故跑出去六年不回。在外做尽各种无耻之事。而且故意让我知道。绝大部分是我圈子的人。包括我的亲哥哥。她与他们在一起。故意让我知道。以这种手段至我于死地。求她把婚离他。她不理？伐我该怎么办。
如你所述的,建议及时处理,收集对方存在严重婚外情过错的,依法主张多分财产和精神赔偿.
我公司被人无故起诉，现在法院冻结了我公司银行资金，我该怎么处理才好，还有他无故起诉我他要付什么赔偿给我
法院会送达和副本，首先应积极应诉。若对方恶意的，可就账户冻结期间因不能使用资金而对外借贷所产生的利息等损失，要求对方赔付。
公司无故辞退，我上班一年零七个月，怎么补偿。还有大概有45天左右的加班，公司只按15小时25块钱给，说是值班。夜班（17.00-8.00）。还有补偿基数是按一年的平均应发工资4400元，还是合同上写的基本工资1400。还有钱怎么计算的啊。无故辞退是按1年2个月赔的吗?
公司如果无故辞退你，应当向你支付经济补偿费，相当于你本人二个月，费你应当提供相应的，补偿基数原则上是你本人应得的工资。
关注此问题的人还看了
400-64365-60
400-64365-60
周边专业律师
扫描二维码
更多惊喜等着您！
立即提问、免费短信回复
律师365，优质法律服务平台
400-64365-60服务时间：周一至周六8：00~22:00服务指南平台保障律师入驻常见问题
Copyright(C) 成都六四三六五科技有限公司 版权所有 蜀ICP备号 增值电信业务经营许可证(川B2-)
1206律师在线
3314今日解答(ERROR:15) & 访客不能直接访问我的手机验证码忘记了怎么办_百度知道
我的手机验证码忘记了怎么办
答题抽奖
首次认真答题后
即可获得3次抽奖机会，100%中奖。
手机连接版忘记了
abcdefgkljkszn
abcdefgkljkszn
擅长：暂未定制
旧手机验证码忘记了怎么办
去百度查查就知道
卓美美容会馆
卓美美容会馆
获赞数：16
擅长：暂未定制
我要验证码
找回验证码
其他9条回答
为你推荐：
其他类似问题
您可能关注的内容
个人、企业类
违法有害信息,请在下方选择后提交
色情、暴力
我们会通过消息、邮箱等方式尽快将举报结果通知您。这篇博客主要讲如何去破解一个验证码，for demo我会使用一个完整的工程来做，从原始图片到最终的识别结果，但是破解大部分的验证码其实是个很费力的活，对技术要求反而不是特别高，为什么这么说呢? 主要原因有以下几点:
你需要验证码的正确答案作为监督，所以基本是人来识别然后写答案
CNN之类的DL方法对验证码这种简单的图像识别能力非常高
所以，破解的话你需要有耐心
破解验证码其实最终归类为classification问题，毫无疑问需要NN(neural network)，还有图像学(digital image)的知识
所以破解的流程大概是这样的:
预处理(preprocess)
分割字符(split)
识别单个字符(classification)
预处理主要用到的是图形学的相关知识，比如:
分割字符这里就比较麻烦了，要视具体情况而定，比如下面这两种:
对于第一种，很明显的是可以直接分割，因为根本不粘连啊，但是对于第二种你恐怕要动点心思了
识别单个字符，这个可能是最没有技术含量的，现在大量的cnn使用，识别简单的验证码字符完全不是问题，比如caffe+mnist就完全可以，当然最后的识别效果取决与你之前做的样本的好坏
preprocess
首先说下我这次演示的需要破解的验证码，如下所示:
主要有上面的三种样子，我们对其观察可以知道以下事实:
(1) 大部分字符是不粘连的
(2) 字体的变化的样式基本就三种，不是很多
所以，针对验证码的特点，我的具体的破解的流程是这样的:
CFS获得图像块
NN的方法获得图像块中字符的个数
平均分割图像块获得单个字符
识别单个字符获得答案
可能有人会问，为何要使用NN的方法获得图像块中字符的个数? 直观上来说，包含三个字符的图像块比包含两个字符的图像块肯定要宽啊！
这个我在使用CFS获得图像块之后进行了统计，发现使用宽度来判定会产生大面积的误判，因为有的三个字符黏在一起其宽度反而比两个的要小，所以就使用NN啦
img = cv2.imread(img_path, cv2.IMREAD_GRAYSCALE)
retval__, binary_im = cv2.threshold(img, 180, 1, cv2.THRESH_BINARY)
for x in xrange(0, binary_im.shape[0]):
line_val = binary_im[x]
if not (line_val == 1).all():
line_start = x
for x1 in xrange(binary_im.shape[0]-1, -1, -1):
line_val = binary_im[x1]
if not (line_val == 01).all():
line_end = x1
for y in xrange(0, binary_im.shape[1]):
col_val = binary_im[:, y]
if not (col_val == 1).all():
col_start = y
for y1 in xrange(binary_im.shape[1]-1, -1, -1):
col_val = binary_im[:, y1]
if not (col_val == 1).all():
col_end = y1
ding_ge_im = binary_im[line_start:line_end, col_start:col_end]
from skimage.measure import regionprops
from skimage.morphology import label
im_bw = binary_img(img_path)
label_image, num_of_region = label(im_bw, neighbors=8, return_num=True)
CFS之后的处理
对于CFS之后的图像(label_image)，我们还需要进行处理，比如被包含的就不要了，质心之间靠的太近的可以合并，这里列出我们可以由label_image获得的相关信息(比如坐标，质心等):
对于我们的验证码，我采用的是三个策略:
被包含的区域忽略
像素少于30的区域忽略
宽高等于图片的宽高的区域之间取交集
for region in regionprops(label_image):
if region.area & 30:
minr, minc, maxr, maxc = region.bbox
coordinates_of_all_region[index] = np.array([minr, minc, maxr, maxc])
pixels_of_all_region[index] = region.area
index += 1
for y in xrange(0, coordinates_of_all_region.shape[0]):
if (coordinates_of_all_region[y] == 0).all() or (y == x):
minr_, minc_, maxr_, maxc_ = coordinates_of_all_region[y]
if minr &= minr_ and maxr &= maxr_ and minc &= minc_ and maxc &= maxc_:
coordinates_of_all_region[x] = np.zeros((1, 4)) - 1
pixels_of_all_region[x] = -1
all_done = False
for x in xrange(0, coordinates_of_all_region.shape[0]):
if not all_done:
for y in xrange(0, coordinates_of_all_region.shape[0]):
if y == x:
if (coordinates_of_all_region[x][0] == coordinates_of_all_region[y][0] == 0) and (coordinates_of_all_region[x][2] == coordinates_of_all_region[y][2] == 50):
min_r_2 = coordinates_of_all_region[x][0]
min_c_2 = min(coordinates_of_all_region[x][1],
coordinates_of_all_region[y][1])
max_r_2 = coordinates_of_all_region[x][2]
max_c_2 = min(coordinates_of_all_region[x][3], coordinates_of_all_region[y][3])
coordinates_of_all_region[x] = np.array([-1, -1, -1, -1])
coordinates_of_all_region[y] = np.array([min_r_2, min_c_2, max_r_2, max_c_2])
all_done = True
预测CFS块包含的字符数
这里我使用的是Keras，具体的安装方法可以看下我的关于Keras的博客
典型的长度是这样的:
单个字符: 23 pixel
两个字符: 59 pixel
三个字符: 105 pixel
四个字符: 140 pixel
宽度超过145 pixel认为是4个字符
识别长度的过程是判断某个CFS块的宽度距离上述典型长度的和，找出最小值,比如某个宽度是65，则:
sum1 = (65-23) + (65-59) = 43
sum2 = (65-59) + (105-65) = 41
sum3 = (105-65) + (140-65) = 115
最小值是41,距离59和65比较近，则猜测为2或者3个字符
分别训练三个model，用来判断长度,如下:
model = Sequential()
model.add(Convolution2D(4, 5, 5, input_shape=(1, 30, 40), border_mode='valid'))
model.add(Activation('tanh'))
model.add(Convolution2D(8, 5, 5, input_shape=(1, 26, 36), border_mode='valid'))
model.add(Activation('tanh'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Dropout(0.55))
model.add(Convolution2D(16, 4, 4, input_shape=(1, 11, 16), border_mode='valid'))
model.add(Activation('tanh'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Dropout(0.60))
model.add(Flatten())
model.add(Dense(input_dim=16*4*6, output_dim=256, init='glorot_uniform'))
model.add(Activation('tanh'))
model.add(Dense(input_dim=256, output_dim=2, init='glorot_uniform'))
model.add(Activation('softmax'))
model = Sequential()
model.add(Convolution2D(8, 5, 5, input_shape=(1, 40, 100), border_mode='valid'))
model.add(Activation('tanh'))
model.add(Convolution2D(8, 5, 5, input_shape=(1, 36, 96), border_mode='valid'))
model.add(Activation('tanh'))
model.add(Convolution2D(8, 5, 5, input_shape=(1, 32, 92), border_mode='valid'))
model.add(Activation('tanh'))
model.add(MaxPooling2D(pool_size=(2, 3)))
model.add(Dropout(0.45))
model.add(Convolution2D(16, 4, 4, input_shape=(1, 14, 29), border_mode='valid'))
model.add(Activation('tanh'))
model.add(Convolution2D(16, 4, 4, input_shape=(1, 11, 26), border_mode='valid'))
model.add(Activation('tanh'))
model.add(Convolution2D(16, 4, 4, input_shape=(1, 8, 23), border_mode='valid'))
model.add(Activation('tanh'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Dropout(0.55))
model.add(Flatten())
model.add(Dense(input_dim=16*2*10, output_dim=256, init='glorot_uniform'))
model.add(Activation('tanh'))
model.add(Dropout(0.65))
model.add(Dense(input_dim=256, output_dim=128, init='glorot_uniform'))
model.add(Activation('tanh'))
model.add(Dropout(0.40))
model.add(Dense(input_dim=128, output_dim=2, init='glorot_uniform'))
model.add(Activation('softmax'))
model = Sequential()
model.add(Convolution2D(8, 5, 5, input_shape=(1, 55, 130), border_mode='valid'))
model.add(Activation('tanh'))
model.add(Convolution2D(8, 5, 5, input_shape=(1, 51, 126), border_mode='valid'))
model.add(Activation('tanh'))
model.add(Convolution2D(8, 5, 5, input_shape=(1, 47, 122), border_mode='valid'))
model.add(Activation('tanh'))
model.add(MaxPooling2D(pool_size=(2, 3)))
model.add(Dropout(0.45))
model.add(Convolution2D(16, 4, 4, input_shape=(1, 21, 39), border_mode='valid'))
model.add(Activation('tanh'))
model.add(Convolution2D(16, 4, 4, input_shape=(1, 18, 36), border_mode='valid'))
model.add(Activation('tanh'))
model.add(Convolution2D(16, 4, 4, input_shape=(1, 15, 33), border_mode='valid'))
model.add(Activation('tanh'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Dropout(0.55))
model.add(Flatten())
model.add(Dense(input_dim=16*6*15, output_dim=256, init='glorot_uniform'))
model.add(Activation('tanh'))
model.add(Dropout(0.60))
model.add(Dense(input_dim=256, output_dim=128, init='glorot_uniform'))
model.add(Activation('tanh'))
model.add(Dropout(0.40))
model.add(Dense(input_dim=128, output_dim=2, init='glorot_uniform'))
model.add(Activation('softmax'))
获得字符个数之后就可以均分获得单个字符
单个字符识别
我之前也是训练了个cnn modelusing Keras，但是精度只有大概85%(48个类)，后来改用Caffe+mnist精度到了89%，稍好
model = Sequential()
model.add(Convolution2D(8, 5, 5, input_shape=(1, 28, 28), border_mode='valid'))
model.add(Activation('tanh'))
model.add(Dropout(0.5))
model.add(Convolution2D(16, 3, 3, input_shape=(1, 24, 24), border_mode='valid'))
model.add(Activation('tanh'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Convolution2D(32, 3, 3, input_shape=(1, 11, 11), border_mode='valid'))
model.add(Activation('tanh'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Flatten())
model.add(Dense(input_dim=32*4*4, output_dim=256, init='glorot_uniform'))
model.add(Activation('tanh'))
model.add(Dense(input_dim=256, output_dim=128, init='glorot_uniform'))
model.add(Activation('tanh'))
model.add(Dropout(0.4))
model.add(Dense(input_dim=128, output_dim=48, init='glorot_uniform'))
model.add(Activation('softmax'))
Caffe版本的大家参考我的另外一篇博客，很简单就可以搞定
对于验证码的破解，主要的工作就是让验证码的所有字符分开，之后使用字符的单个识别就可以识别，过程中会用到图像处理的方法，cnn的方法等
上述的代码我已经打包好放在我的github上，，大家下载下来，装好Keras和Caffe环境后，直接运行demo.py就可以得到识别结果，由于没时间优化的原因，识别率只有46%，但是相信作为demo还是可以的，有问题欢迎留言讨论！
利用keras破解captcha验证码
本文参考了知乎上的一篇文章，只做了少许改动，感觉挺好玩的，自己实现了一下，准确率比原作者的要高一些。如果想要了解原创文章的话，请移步知乎：使用深度学习来破解captcha验证码
本文通过keras...
网站验证码破解功略
所谓验证码，就是将一串随机产生的数字或符号，生成一幅图片，图片里加上一些干扰象素（防止OCR），由用户肉眼识别其中的验证码信息，输入表单提交网站验证，验证成功后才能使用某项功能。不少网站为了防止用户利...
一、网站http://www.gsxt.gov.cn滑动验证码概述
二、极验验证码破解-抓包分析
三、极验验证码破解-搭建本地验证码服务
四、极验验证码破解-分析geetest...
让我们一起攻破世界上最流行的WordPress的验证码插件每个人都讨厌验证码——在你被允许访问一个网站之前，你总被要求输入那些烦人的图像中所包含的文本。验证码被设计成，以验证你是一个真正的人的方式，来...
文 | Ben E. Boyter
编译 | ekCit
原文链接：http://www.boyter.org/decoding-captchas/
一、项目简介
验证码破解的方法，简单验证码破解演示
对于复杂的验证码，位置随机、扭曲、模糊、干扰项、gif验证码、汉字等。。。。对于复杂背景的，但是字体是统一颜色的，我们可以统计每个像素点的值，然后统计出峰值的4个，之后把峰值之外的点全部转为白色，峰值...
对12306新验证码的简单破解
12306的验证码又换了，变成了类似找你妹的找图游戏了。
由于在另一博客发过了，这里贴个地址过来
http://www.cnblogs.com/gsls200808/p/4341599.html...
图形验证码的破解与设计
图形验证码设计目的是利用人脑的不可模拟性来防止机器自动识别.但是一个设计低级的图形验证码(可以被快速破解)除了增加网络流量以外没有任何意义.网上太多的&生成验证码&的教程把重点放在如何生成图片上,而实...
没有更多推荐了，}