Contents
效果预览
综合准确率在90%以上。
环境和数据准备
我们先保存几个教务处的验证码,通过观察这些验证码,我们发现了以下特点:
- 背景有一些彩色的椒盐噪声(可用滤波或点降噪去除)
- 验证码主体只有一种颜色 RGB:(0,0,153)(无法通过颜色的区别来分割字符)
- 进行了随机角度的旋转(可以想到切割后进行倾斜度矫正)
- 字符之间存在粘连,不易切割(主要是w、m等)
因此很容易可以想到以下两种识别方式:
- 对验证码切割后使用SoftMax回归训练识别。(因为验证码存在粘连,准确率可能不是太高)
- 直接对整张图片使用CNN(卷积神经网络)识别。(因为有4位字符,可能需要大量带标记样本才能达到不错的效果)
在本文中我们采用第二种方式,在不进行字符切割的情况下直接对验证码进行端到端的识别。
带标记数据获取
数据预处理
格式转换
直接获取到的验证码是gif编码的,由于cv2不能处理gif,附一个转换成png格式的小脚本(当然也可以选择用其他的图形库替代cv2)。
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 |
import os import Image samples = os.listdir('train') for i in range(0, len(samples)): path = os.path.join('train', samples[i]) savepath = path[:-3] + 'png' im = Image.open(path) def iter_frames(im): try: i = 0 while 1: im.seek(i) imframe = im.copy() if i == 0: palette = imframe.getpalette() else: imframe.putpalette(palette) yield imframe i += 1 except EOFError: pass for i, frame in enumerate(iter_frames(im)): frame.save(savepath, **frame.info) |
去除边框、降噪、二值化
其实对于CNN这种级别的武器来说,不经过降噪直接识别也有不错的准确率,但是为了排除验证码带来的干扰,仍然进行降噪处理。
在输入的图像中虽然有较多的噪声点,但是经观察发现,验证码主体转成灰度图后只有3个灰度(17、62和68),因此在灰度图上先去除除了这三个灰度的所有点,再进行滤波。
读取灰度图
只保留3个灰度(代码)
1 2 3 4 5 6 7 |
# 去掉边框后为 70*25 crop = img[1:26, 1:71] for h in range(25): for w in range(70): if crop[h,w]!=17 and crop[h,w]!=62 and crop[h,w]!=68: crop[h, w] =255 |
只保留3个灰度(效果)
去除噪点(代码)
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 |
# 去除噪点 for h in range(1, 25 - 1): for w in range(1, 70 - 1): count = 0 if crop[h, w - 1] > 245: count = count + 1 if crop[h, w + 1] > 245: count = count + 1 if crop[h - 1, w] > 245: count = count + 1 if crop[h + 1, w] > 245: count = count + 1 if count > 2: crop[h, w] = 255 |
去除噪点(效果)
输入和输出转化
由于在TensorFlow中,只支持向量的输入输出。所以我们将输入转成70*25维的向量,每个值代表一个像素(仅取0和1)。将输出转成36*4维的向量。其中4个字符,每个字符取值为数字0-9或小写字母a-z,分别对应0-35。例如:‘123p’对应的向量为:
1 2 3 4 5 6 7 8 |
[0. 1. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 1. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 1. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 1. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.] |
训练
由于我们只有3000个样本,但是对于卷积神经网络来说,至少2-3k次的训练才开始有效果。我们取64个样本为一个batch,样本量远远满足不了训练的需求。因此我们采用滑动窗口的方式,第1次训练样本1-64,第2次训练样本2-65。。以此类推,当所有的样本都被训练完后,再回到第一个样本开始重复训练。
本文的CNN模型参考自此文
http://blog.topspeedsnail.com/archives/10858
斗大的熊猫–《WTF Daily Blog》
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 |
# 定义CNN def crack_captcha_cnn(w_alpha=0.01, b_alpha=0.1): x_image = tf.reshape(x, shape=[-1, IMAGE_HEIGHT, IMAGE_WIDTH, 1]) # 3 个卷积层 w_c1 = tf.Variable(w_alpha * tf.random_normal([3, 3, 1, 32])) b_c1 = tf.Variable(b_alpha * tf.random_normal([32])) conv1 = tf.nn.relu(tf.nn.bias_add(tf.nn.conv2d(x_image, w_c1, strides=[1, 1, 1, 1], padding='SAME'), b_c1)) conv1 = tf.nn.max_pool(conv1, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], padding='SAME') conv1 = tf.nn.dropout(conv1, keep_prob) w_c2 = tf.Variable(w_alpha * tf.random_normal([3, 3, 32, 64])) b_c2 = tf.Variable(b_alpha * tf.random_normal([64])) conv2 = tf.nn.relu(tf.nn.bias_add(tf.nn.conv2d(conv1, w_c2, strides=[1, 1, 1, 1], padding='SAME'), b_c2)) conv2 = tf.nn.max_pool(conv2, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], padding='SAME') conv2 = tf.nn.dropout(conv2, keep_prob) w_c3 = tf.Variable(w_alpha * tf.random_normal([3, 3, 64, 64])) b_c3 = tf.Variable(b_alpha * tf.random_normal([64])) conv3 = tf.nn.relu(tf.nn.bias_add(tf.nn.conv2d(conv2, w_c3, strides=[1, 1, 1, 1], padding='SAME'), b_c3)) conv3 = tf.nn.max_pool(conv3, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], padding='SAME') conv3 = tf.nn.dropout(conv3, keep_prob) # 全连接层 #w_d = tf.Variable(w_alpha * tf.random_normal([8 * 20 * 64, 1024])) w_d = tf.Variable(w_alpha * tf.random_normal([6 * 4 * 64, 1024])) b_d = tf.Variable(b_alpha * tf.random_normal([1024])) dense = tf.reshape(conv3, [-1, w_d.get_shape().as_list()[0]]) dense = tf.nn.relu(tf.add(tf.matmul(dense, w_d), b_d)) dense = tf.nn.dropout(dense, keep_prob) w_out = tf.Variable(w_alpha * tf.random_normal([1024, 4 * 36])) b_out = tf.Variable(b_alpha * tf.random_normal([4 * 36])) out = tf.add(tf.matmul(dense, w_out), b_out) # out = tf.nn.softmax(out) return out def train(): output = crack_captcha_cnn() # loss # loss = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(output, Y)) loss = tf.reduce_mean(tf.nn.sigmoid_cross_entropy_with_logits(logits=output, labels=y_)) # 最后一层用来分类的softmax和sigmoid有什么不同? # optimizer 为了加快训练 learning_rate应该开始大,然后慢慢衰 optimizer = tf.train.AdamOptimizer(learning_rate=0.001).minimize(loss) predict = tf.reshape(output, [-1, 4, 36]) max_idx_p = tf.argmax(predict, 2) max_idx_l = tf.argmax(tf.reshape(y_, [-1, 4, 36]), 2) correct_pred = tf.equal(max_idx_p, max_idx_l) accuracy = tf.reduce_mean(tf.cast(correct_pred, tf.float32)) saver = tf.train.Saver() with tf.Session() as sess: sess.run(tf.global_variables_initializer()) step = 0 while True: batch_x, batch_y = get_next_batch(step,64) _, loss_ = sess.run([optimizer, loss], feed_dict={x: batch_x, y_: batch_y, keep_prob: 0.75}) print(step, loss_) # 每100 step计算一次准确率 if step % 100 == 0: batch_x_test, batch_y_test = get_next_batch(step,100) acc = sess.run(accuracy, feed_dict={x: batch_x_test, y_: batch_y_test, keep_prob: 1.}) print(step, acc) # 训练次数大于多少时保存并退出 if step > 20000: saver.save(sess, "checkpoint/test") break step += 1 train() |
可视化模型图
(Powered by Tensorboard)
测试
训练完成后,使用保存的模型(迭代20000次)对100个测试集样本进行测试,正确率为93%,即在100个验证码的400个字符中,有7个字符识别错误。
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 |
def ints2tag(ints): re = '' for i in ints: if i<10: re=re+str(i) else: re=re+chr(i-10+97) return re def crack_captcha(captcha_image): from train import crack_captcha_cnn output = crack_captcha_cnn() saver = tf.train.Saver() with tf.Session() as sess: # 加载保存的模型 saver.restore(sess, tf.train.latest_checkpoint('checkpoint')) predict = tf.argmax(tf.reshape(output, [-1, 4, 36]), 2) from train import keep_prob from train import x text_list = sess.run(predict, feed_dict={x: captcha_image, keep_prob: 1}) for i in range(0,99): text = text_list[i].tolist() print ints2tag(text) def recog(): X2=[] Y2=[] samples = os.listdir('test') samples.sort() for i in range(1, 100): # len(samples) if i % 10 == 0: print i path = os.path.join('test', '%d.png' %i) img = cv2.imread(path, 0) # 预处理 mask = pre_handle(img) X2.append(image2vector(mask)) crack_captcha(X2) recog() |
训练效果分析
识别错误的验证码
原因分析
字符重合度较大时,难以识别出重合的两个字符。另一方面,由于训练样本较少,某些字符旋转到特定的角度时可能没有被训练到(如:向右倾斜的6)
loss和准确率曲线
loss和准确率曲线在3000,6000,9000处存在跳变,这是因为总共3000个训练样本,训练完一遍重新从头开始训练的缘故(改进训练样本的获取方式可以让曲线更平滑)。
可以看出,CNN在训练次数很小(小于2000)时几乎起不到任何作用,训练数到达某处时(2000)突然就开始有了突飞猛进的进步(量变引起质变?),最后逐渐趋向于稳定。当然这个loss开始下降的阈值并不是固定的,它取决于学习任务的难度、每次feed的样本量、学习率等多方面因素。