NEW_xp_CAPTCHA win64 python环境完整版, 无需在意python版本，可直接使用。在学习web验证码识别的过程中，这个插件一定是必不可少的。这个插件前几天才进行了大更新所以在此记录一下安装过程。感谢作者算命瞎子师傅。

默认使用jdk1.8编译 在最新版的burp2.x中jdk为1x,会导致插件不可用,使用jdk8编译到不行，请下载jdk16版本试试,若还不行，请自行下载源码使用当前电脑的jdk1x进行编译,谢谢。 爆破时，记得把线程设置为1。 验证码识别，支持计算类验证码 burp插件 支持验证码返回包为json格式 新增支持从验证码返回包中获取内容填充到请求包中（该功能可以支持uuid验证码格式以及其他类似模式） 如果高级模式不懂使用可以去看看 https://github.com/smxiazi/NEW_xp_CAPTCHA 使用方法一样

默认使用jdk1.8编译 在最新版的burp2.x中jdk为1x,会导致插件不可用,,使用jdk8编译到不行，请下载jdk16版本试试,若还不行，请自行下载源码使用当前电脑的jdk1x进行编译,谢谢。 爆破时，记得把线程设置为1。 新增支持从验证码返回包中获取内容填充到请求包中（该功能可以支持uuid验证码格式以及其他类似模式） 如果下载我打包好的环境的，请替换掉对应的server.py脚本，本次更新有涉及到该脚本的更新。 验证码识别 burp插件 支持验证码返回包为json格式

英文版验证码数据集，可以用于算法的验证，可以参考https://blog.csdn.net/c_he_n/article/details/122213798?spm=1001.2014.3001.5501 。

训练集数据为【105*35像素的jpg图片+对应正确验证码csv文件】。共两万个测试数据，验证码为 大小写字母+数字 的组合，图片名称对应csv文件的ID栏，train文件+train_label文件。test是测试图片。

captcha 验证码识别

com.google.code.kaptcha:2.3.2 谷歌验证码依赖下载

CAPTCHA，是全自动区分计算机和人类的图灵测试，是一个旨在区分人类用户和机器或者机器人的计算机程序,通常作为防止垃圾邮件和数据滥用的安全措施。CAPTCHA的概念最早于1997年被提出,互联网搜索公司 Alta Vista试图阻止自动提交的URL扭曲其平台上的搜索引擎算法。为了解决这个问题, Alta vista的首席科学家 Andrei Broder提出了一种生成随机文字图像的算法,这些文字图像很容易被人类识别,但却不能被机器人识别，后来,在2003年, Luis von Ahn、Manuel Blum、Nicholas J Hopper和John Langford完善了这个技术,并将其称为 CAPTCHA。最常见的CAPTCHA形式需要用户在扭曲的图像中识别字母和数字。之所以这个测试能达到目的,是基于一个简单的前提:人类很容易分辨扭曲图像中的字母和数字,而自动程序或机器人却无法区分它们。

captcha_cracker 简介 这是一个基于 编写的卷积神经网络模型，简单实现的验证码识别功能。 是一款 社区中流行的验证码生成库, 项目模型的训练集以及在线测试所用到的验证码均采用该库生成。 运行环境 Ubuntu16.04 python3.5.2 virtualenv Tensorflow Backend 实现原理 用 Captcha 生成2组每组2000个4位验证码图片（图片尺寸：36×120），并等分成4份(单张图片尺寸：36×30)，将单个字符的图片分类保存在 images 目录中作为训练集（每组8000张图片）。 生成2组每组500个4位验证码图片（图片尺寸：36×120），并等分成4份(单张图片尺寸：36×30)，将单个字符的图片分类保存在 images 目录中作为测试集（每组2000张图片）。 运行 pack_data.py 将图片转为 RGB 矩阵并用cPic

CAPTCHA，是全自动区分计算机和人类的图灵测试，是一个旨在区分人类用户和机器或者机器人的计算机程序,通常作为防止垃圾邮件和数据滥用的安全措施。CAPTCHA的概念最早于1997年被提出,互联网搜索公司 Alta Vista试图阻止自动提交的URL扭曲其平台上的搜索引擎算法。为了解决这个问题, Alta vista的首席科学家 Andrei Broder提出了一种生成随机文字图像的算法,这些文字图像很容易被人类识别,但却不能被机器人识别，后来,在2003年, Luis von Ahn、Manuel Blum、Nicholas J Hopper和John Langford完善了这个技术,并将其称为 CAPTCHA。最常见的CAPTCHA形式需要用户在扭曲的图像中识别字母和数字。之所以这个测试能达到目的,是基于一个简单的前提:人类很容易分辨扭曲图像中的字母和数字,而自动程序或机器人却无法区分它们。