python五行程式碼解決滑塊驗證的缺口距離識別，破解滑塊驗證

目前網上關於滑塊的缺口識別的方法很多，但是都不極簡，看起來繁雜，各種演算法的都有，有遍歷的有二分法的，今天寫個最簡單，準確率最高的。

直接看程式碼：

defFindPic（target， template）：

“”“

找出影象中最佳匹配位置

：param target： 目標即背景圖

：param template： 模板即需要找到的圖

：return： 返回最佳匹配及其最差匹配和對應的座標

”“”

target_rgb = cv2。imread（target）

target_gray = cv2。cvtColor（target_rgb， cv2。COLOR_BGR2GRAY）

template_rgb = cv2。imread（template， 0）

res = cv2。matchTemplate（target_gray， template_rgb， cv2。TM_CCOEFF_NORMED）

value = cv2。minMaxLoc（res）

使用cv2庫，先讀取背景圖，然後夜視化處理（消除噪點），然後讀取模板圖片，使用cv2自帶圖片識別找到模板在背景圖中的位置，使用minMaxLoc提取出最佳匹配的最大值和最小值，返回一個數組形如（-0。3， 0。95， （121，54），（45， 543））元組四個元素，分別是最小匹配機率、最大匹配機率，最小匹配機率對應座標，最大匹配機率對應座標。

我們需要的是最大匹配機率座標，對應的分別是x和y座標，但是這個不一定，有些時候可能是最小匹配機率座標，最好是根據機率的絕對值大小來比較。

滑塊驗證較為核心的兩步，第一步是找出缺口距離，第二步是生成軌跡並滑動，較為複雜的情況下還要考慮初始模板圖片在背景圖中的座標，以及模板圖片透明邊緣的寬度，這些都是影響軌跡的因素。

————————————————

ID：Python之戰

|作|者|公（zhong）號：python之戰

專注Python，專注於網路爬蟲、RPA的學習-踐行-總結

喜歡研究技術瓶頸並分享，歡迎圍觀，共同學習。

獨學而無友，則孤陋而寡聞！