圖像學習-驗證碼識別

作者： Slyne_D

原文鏈接：https://www.jianshu.com/p/bce3b2850406

查看更多的專業文章，請移步至「人工智慧LeadAI」公眾號，查看更多的課程信息和產品信息，請移步至全新打造的官網：www.leadai.org.

正文共7318個字，11張圖，預計閱讀時間19分鐘。

這是去年博主心血來潮實現的一個小模型，現在把它總結一下。由於樓主比較懶，網上許多方法都需要切割圖片，但是樓主思索了一下感覺讓模型有多個輸出就可以了呀，沒必要一定要切割的吧？切不好還需要損失信息啊！本文比較簡單，只基於傳統的驗證碼。

part 0、模型概覽

從圖片到序列實際上就是Image2text也就是seq2seq的一種。encoder是Image, decoder是驗證碼序列。由於keras不支持(現在已經支持了)傳統的在decoder部分每個cell輸出需要作為下一個rnn的cell的輸入(見下圖)，所以我們這裡把decoder部分的輸入用encoder（image）的最後一層複製N份作為decoder部分的每個cell的輸入。

當然利用recurrentshop和seq2seq，我們也可以實現標準的seq2seq的網路結構(後文會寫)。

part1、收集數據

網上還是有一些數據集可以用的，包括dataCastle也舉辦過驗證碼識別的比賽，都有現成的標註好了的數據集。(然而難點是各種花式驗證碼啊，填字的，滑動的，還有那個基於語義的reCaptcha~)。

因為我想弄出各種長度的驗證碼，所以我還是在github上下載了一個[生成驗證碼](http

下載後，按照例子生成驗證碼(包含26個小寫英文字母)：

#!/usr/bin/env python# -*- coding: utf-8from captcha.image import ImageCaptchafrom random import samplennimage = ImageCaptcha() #fonts=[ "font/Xenotron.ttf"]characters = list("abcdefghijklmnopqrstuvwxyz")def generate_data(digits_num, output, total):n num = 0n while(num<total):n cur_cap = sample(characters, digits_num)n cur_cap =.join(cur_cap)n _ = image.generate(cur_cap)n image.write(cur_cap, output+cur_cap+".png")n num += 1generate_data(4, "images/four_digit/", 10000) #產生四個字元長度的驗證碼generate_data(5, "images/five_digit/", 10000) #產生五個字元長度的驗證碼generate_data(6, "images/six_digit/", 10000) #產生六個字元長度的驗證碼generate_data(7, "images/seven_digit/",10000) # 產生七個字元長度的驗證碼n

產生的驗證碼

(目測了一下生成驗證碼的包的代碼，發現主要是在x，y軸上做一些變換，加入一些噪音)

part2、預處理

由於生成的圖片不是相同尺寸的，為了方便訓練我們需要轉換成相同尺寸的。另外由於驗證碼長度不同，我們需要在label上多加一個符號來表示這個序列的結束。

處理之後的結果就是圖像size全部為Height=60, Width=250, Channel=3。label全部用字元id表示，並且末尾加上表示<EOF>的id。比如假設a-z的id為0-25，<EOF>的id為26，那麼對於驗證碼"abdf"的label也就是[0,1,3,5,26,26,26,26]，"abcdefg"的label為[0,1,2,3,4,5,6,26]。

由於我們用的是categorical_crossentropy來判斷每個輸出的結果，所以對label我們還需要把其變成one-hot的形式，那麼用Keras現成的工具to_categorical函數對上面的label做一下處理就可以了。比如abdf的label進一步轉換成:

[[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], [0,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0], [0,0,0,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0], [0,0,0,0,0,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0], [0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,1], [0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,1], [0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,1], [0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,1]]n

part 3、構建模型

不藉助外部包可以實現的模型

def create_simpleCnnRnn(image_shape, max_caption_len,vocab_size):n image_model = Sequential() # image_shape : C,W,Hn # input: 100x100 images with 3 channels -> (3, 100, 100) tensors.n # this applies 32 convolution filters of size 3x3 each.n image_model.add(Convolution2D(32, 3, 3, border_mode=valid, input_shape=image_shape))n image_model.add(BatchNormalization())n image_model.add(Activation(relu))n image_model.add(Convolution2D(32, 3, 3))n image_model.add(BatchNormalization())n image_model.add(Activation(relu))n image_model.add(MaxPooling2D(pool_size=(2, 2)))n image_model.add(Dropout(0.25))n image_model.add(Convolution2D(64, 3, 3, border_mode=valid))n image_model.add(BatchNormalization())n image_model.add(Activation(relu))n image_model.add(Convolution2D(64, 3, 3))n image_model.add(BatchNormalization())n image_model.add(Activation(relu))n image_model.add(MaxPooling2D(pool_size=(2, 2)))n image_model.add(Dropout(0.25))n image_model.add(Flatten()) # Note: Keras does automatic shape inference.n image_model.add(Dense(128))n image_model.add(RepeatVector(max_caption_len)) # 複製8份n image_model.add(Bidirectional(GRU(output_dim=128, return_sequences=True)))n image_model.add(TimeDistributed(Dense(vocab_size)))n image_model.add(Activation(softmax))n sgd = SGD(lr=0.002, decay=1e-6, momentum=0.9, nesterov=True)n image_model.compile(loss=categorical_crossentropy, optimizer=sgd, metrics=[accuracy]) return image_modeln

藉助recurrentshop和seq2seq可以實現的結構

def create_imgText(image_shape, max_caption_len,vocab_size):nimage_model = Sequential() n# image_shape : C,W,H n# input: 100x100 images with 3 channels -> (3, 100, 100) tensors. n# this applies 32 convolution filters of size 3x3 each. nimage_model.add(Convolution2D(32, 3, 3, border_mode=valid, input_shape=image_shape)) nimage_model.add(BatchNormalization()) nimage_model.add(Activation(relu)) nimage_model.add(Convolution2D(32, 3, 3)) nimage_model.add(BatchNormalization()) nimage_model.add(Activation(relu)) nimage_model.add(MaxPooling2D(pool_size=(2, 2))) nimage_model.add(Dropout(0.25)) nimage_model.add(Convolution2D(64, 3, 3, border_mode=valid)) nimage_model.add(BatchNormalization()) nimage_model.add(Activation(relu)) nimage_model.add(Convolution2D(64, 3, 3)) nimage_model.add(BatchNormalization()) nimage_model.add(Activation(relu)) nimage_model.add(MaxPooling2D(pool_size=(2, 2))) nimage_model.add(Dropout(0.25)) nimage_model.add(Flatten()) n# Note: Keras does automatic shape inference. nimage_model.add(Dense(128)) nimage_model.add(RepeatVector(1)) n# 為了兼容seq2seq，要多包一個[] n#model = AttentionSeq2Seq(input_dim=128, input_length=1, hidden_dim=128, output_length=max_caption_len, output_dim=128, depth=2) nmodel = Seq2Seq(input_dim=128, input_length=1, hidden_dim=128, output_length=max_caption_len, noutput_dim=128, peek=True) image_model.add(model) image_model.add(TimeDistributed(Dense(vocab_size))) nimage_model.add(Activation(softmax)) image_model.compile(loss=categorical_crossentropy, optimizer=adam, metrics=[accuracy]) n return image_modeln

part 4、模型訓練

之前寫過固定長度的驗證碼的序列準確率可以達到99%，項目可以參考這裡。

另外，我們在用Keras訓練的時候會有一個acc，這個acc是指的一個字元的準確率，並不是這一串序列的準確率。也就是說在可以預期的情況下，如果你的一個字元的準確率達到了99%，那麼如果你的序列長度是5的時候，理論上你的序列準確率是0.99^5 = 0.95, 如果像我們一樣序列長度是7，則為0.99^8=0.923。

所以當你要看到實際的驗證集上的準確率的時候，應該自己寫一個callback的類來評測，只有當序列中所有的字元都和label一樣才可以算正確。

class ValidateAcc(Callback):n def __init__(self, image_model, val_data, val_label, model_output): self.image_model = image_model self.val = val_data self.val_label = val_label self.model_output = model_output def on_epoch_end(self, epoch, logs={}): # 每個epoch結束後會調用該方法n print n———————————--------n self.image_model.load_weights(self.model_output+weights.%02d.hdf5 % epoch)n r = self.image_model.predict(val, verbose=0)n y_predict = np.asarray([np.argmax(i, axis=1) for i in r])n val_true = np.asarray([np.argmax(i, axis = 1) for i in self.val_label])n length = len(y_predict) * 1.0n correct = 0n for (true,predict) in zip(val_true,y_predict):n print true,predict if list(true) == list(predict):n correct += 1n print "Validation set acc is: ", correct/lengthn print n———————————--------val_acc_check_pointer = ValidateAcc(image_model,val,val_label,model_output)n

記錄每個epoch的模型結果

check_pointer = ModelCheckpoint(filepath=model_output + "weights.{epoch:02d}.hdf5")n

訓練

image_model.fit(train, train_label, nshuffle=True, batch_size=16, nb_epoch=20, validation_split=0.2, callbacks=[check_pointer, val_acc_check_pointer])n

part 5、訓練結果

在39866張生成的驗證碼上，27906張作為訓練，11960張作為驗證集。

第一種模型:

序列訓練了大約80輪，在驗證集上最高的準確率為0.9264， 但是很容易變化比如多跑一輪就可能變成0.7，主要原因還是因為預測的時候考慮的是整個序列而不是單個字元，只要有一個字元沒有預測準確整個序列就是錯誤的。

第二種模型:

第二個模型也就是上面的create_imgText，驗證集上的最高準確率差不多是0.9655（當然我沒有很仔細的去調參，感覺調的好的話兩個模型應該是差不多的，驗證集達到0.96之後相對穩定）。

part 6 、其它

看起來還是覺得keras實現簡單的模型會比較容易，稍微變形一點的模型就很糾結了，比較好的是基礎的模型用上其他包都可以實現。keras 2.0.x開始的版本跟1.0.x還是有些差異的，而且recurrentshop現在也是支持2.0版本的。如果在建模型的時候想更flexible一點的話，還是用tensorflow會比較好，可以調整的東西也比較多，那下一篇可以寫一下img2txt的tensorflow版本。

part 7、代碼

代碼戳這裡（https://github.com/Slyne/CaptchaVariLength）

part 8、後續

現在的這兩個模型還是需要指定最大的長度，後面有時間會在訓練集最多只有8個字元的情況下，利用rnn的最後一層進一步對於有9個以及以上字元的驗證碼效果，看看是不是可以再進一步的擴展到任意長度。（又立了一個flag~）