原标题：中文项目：快速识别验证码，CNN也能为爬虫保驾护航

机器之心专栏

作者：Nick Li

随着卷积网络的推广，现在有各种各样的快捷应用，例如识别验证码和数学公式等。本文介绍了一个便捷的验证码识别项目，读者可以借助它快速训练模型与识别验证码。

本项目使用卷积神经网络识别字符型图片验证码，其基于 TensorFlow 框架。它封装了非常通用的校验、训练、验证、识别和调用 API，极大地减低了识别字符型验证码花费的时间和精力。

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

1 项目介绍

1.1 关于验证码识别

验证码识别大多是爬虫会遇到的问题，也可以作为图像识别的入门案例。这里介绍一下使用传统的图像处理和机器学习算法，它们都涉及多种技术：

图像处理

前处理(灰度化、二值化)

图像分割

裁剪(去边框)

图像滤波、降噪

去背景

颜色分离

旋转

机器学习

KNN

SVM

使用这类方法对使用者的要求较高，且由于图片的变化类型较多，处理的方法不够通用，经常花费很多时间去调整处理步骤和相关算法。

而使用卷积神经网络，只需要通过简单的前处理，就可以实现大部分静态字符型验证码的端到端识别，效果很好、通用性很高。

这里列出目前常用的验证码生成库：

1.2 目录结构

1.3 依赖项

tensorflow

flask

requests

PIL

matplotlib

pip3install tensorflow flask requests PIL matplotlib

1.4 模型结构

2 如何使用

2.1 数据集

原始数据集可以存放在./sample/origin 目录中，为了便于处理，图片最好以 2e8j_17322d3d4226f0b5c5a71d797d2ba7f7.jpg 格式命名(标签_序列号. 后缀)。

2.2 配置文件

创建一个新项目前，需要自行修改相关配置文件：

图片文件夹

sample_conf.origin_image_dir = "./sample/origin/"# 原始文件

sample_conf.train_image_dir = "./sample/train/"# 训练集

sample_conf.test_image_dir = "./sample/test/"# 测试集

sample_conf.api_image_dir = "./sample/api/"# api接收的图片储存路径

sample_conf.online_image_dir = "./sample/online/"# 从验证码url获取的图片的储存路径

# 模型文件夹

sample_conf.model_save_dir = "./model/"# 训练好的模型储存路径

# 图片相关参数

sample_conf.image_width = 80 # 图片宽度

sample_conf.image_height = 40 # 图片高度

sample_conf.max_captcha = 4 # 验证码字符个数

sample_conf.image_suffix = "jpg"# 图片文件后缀

# 验证码字符相关参数

# 验证码识别结果类别

sample_conf.char_set = [ '0', '1', '2', '3', '4', '5', '6', '7', '8', '9', 'a', 'b', 'c', 'd', 'e', 'f', 'g', 'h', 'i',

'j', 'k', 'l', 'm', 'n', 'o', 'p', 'q', 'r', 's', 't', 'u', 'v', 'w', 'x', 'y', 'z']

# 验证码远程链接

sample_conf.remote_url = "https://www.xxxxx.com/getImg"

具体配置的作用会在使用相关脚本的过程中提到。

2.3 验证和拆分数据集

执行下面的文件会校验原始图片集的尺寸和测试图片是否能打开，并按照 19:1 的比例拆分出训练集和测试集。所以需要分别创建和指定三个文件夹：origin，train，test 用于存放相关文件。

也可以修改为不同的目录，但是最好修改为绝对路径。文件夹创建好之后，执行以下命令即可：

python3verify_and_split_data.py

2.4 训练模型

创建好训练集和测试集之后，就可以开始训练模型了，这里不具体介绍 tensorflow 安装相关问题，读者可查看官网。确保图片相关参数和目录设置正确后，执行以下命令开始训练：

python3train_model.py

也可以调用类开始训练或执行一次简单的识别演示：

from train_model import TrainModel

from sample import sample_conf

# 导入配置

train_image_dir = sample_conf[ "train_image_dir"]

char_set = sample_conf[ "char_set"]

model_save_dir = sample_conf[ "model_save_dir"]

tm = TrainModel(train_image_dir, char_set, model_save_dir)

tm.train_cnn() # 执行训练

tm.recognize_captcha() # 识别演示

2.5 批量验证

使用测试集的图片进行验证，输出准确率。

python3test_batch.py

也可以调用类进行验证：

from test_batch import TestBatch

from sample import sample_conf

# 导入配置

test_image_dir = sample_conf[ "test_image_dir"]

model_save_dir = sample_conf[ "model_save_dir"]

char_set = sample_conf[ "char_set"]

total = 100 # 验证的图片总量

tb = TestBatch(test_image_dir, char_set, model_save_dir, total)

tb.test_batch() # 开始验证

2.6 启动 WebServer

项目已经封装好加载模型和识别图片的类，启动 web server 后调用接口就可以使用识别服务。启动 web server：

python3recognize_api.py

接口 url 为 http://127.0.0.1:6000/b

2.7 调用接口

使用 requests 调用接口:

url= "http://127.0.0.1:6000/b"

files= { 'image_file': (image_file_name, open( 'captcha.jpg', 'rb'), 'application')}

r= requests.post(url=url, files=files)

返回的结果是一个 json：

{

'time': '1542017705.9152594',

'value': 'jsp1',

}

文件 recognize_online.py 是使用接口在线识别的例子。

本文为机器之心专栏，转载请联系本公众号获得授权。返回搜狐，查看更多

责任编辑：