中文項目：快速識別驗證碼，CNN也能為爬蟲保駕護航

機器之心專欄

作者：Nick Li

隨著卷積網路的推廣，現在有各種各樣的快捷應用，例如識別驗證碼和數學公式等。本文介紹了一個便捷的驗證碼識別項目，讀者可以藉助它快速訓練模型與識別驗證碼。

本項目使用卷積神經網路識別字元型圖片驗證碼，其基於 TensorFlow 框架。它封裝了非常通用的校驗、訓練、驗證、識別和調用 API，極大地減低了識別字元型驗證碼花費的時間和精力。

項目地址：https://github.com/nickliqian/cnn_captcha

1 項目介紹

1.1 關於驗證碼識別

驗證碼識別大多是爬蟲會遇到的問題，也可以作為圖像識別的入門案例。這裡介紹一下使用傳統的圖像處理和機器學習演算法，它們都涉及多種技術：

圖像處理

前處理（灰度化、二值化）

圖像分割

裁剪（去邊框）

圖像濾波、降噪

去背景

顏色分離

旋轉

機器學習

KNN

SVM

使用這類方法對使用者的要求較高，且由於圖片的變化類型較多，處理的方法不夠通用，經常花費很多時間去調整處理步驟和相關演算法。

而使用卷積神經網路，只需要通過簡單的前處理，就可以實現大部分靜態字元型驗證碼的端到端識別，效果很好、通用性很高。

這裡列出目前常用的驗證碼生成庫：

1.2 目錄結構

1.3 依賴項

tensorflow

flask

requests

PIL

matplotlib

1.4 模型結構

2 如何使用

2.1 數據集

原始數據集可以存放在./sample/origin 目錄中，為了便於處理，圖片最好以 2e8j_17322d3d4226f0b5c5a71d797d2ba7f7.jpg 格式命名（標籤_序列號. 後綴）。

2.2 配置文件

創建一個新項目前，需要自行修改相關配置文件：

具體配置的作用會在使用相關腳本的過程中提到。

2.3 驗證和拆分數據集

執行下面的文件會校驗原始圖片集的尺寸和測試圖片是否能打開，並按照 19:1 的比例拆分出訓練集和測試集。所以需要分別創建和指定三個文件夾：origin，train，test 用於存放相關文件。

也可以修改為不同的目錄，但是最好修改為絕對路徑。文件夾創建好之後，執行以下命令即可：

2.4 訓練模型

創建好訓練集和測試集之後，就可以開始訓練模型了，這裡不具體介紹 tensorflow 安裝相關問題，讀者可查看官網。確保圖片相關參數和目錄設置正確後，執行以下命令開始訓練：

也可以調用類開始訓練或執行一次簡單的識別演示：

2.5 批量驗證

使用測試集的圖片進行驗證，輸出準確率。

也可以調用類進行驗證：

2.6 啟動 WebServer

項目已經封裝好載入模型和識別圖片的類，啟動 web server 後調用介面就可以使用識別服務。啟動 web server：

介面 url 為 http://127.0.0.1:6000/b

2.7 調用介面

使用 requests 調用介面:

返回的結果是一個 json：

文件 recognize_online.py 是使用介面在線識別的例子。

本文為機器之心專欄，轉載請聯繫本公眾號獲得授權。

------------------------------------------------

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！