使用TensorFlow识别简单的图像验证码

2024-11-30 15:18:06 | 来源: 互联网整理

首先，因为验证码比较简单，图像也不复杂，都是数字。于是尝试用传统的方法，简单的按照网上的教程自己改了一下，使用了PHP识别。大致流程是进行切割、二值去噪等预处理，然后以字符串数组的形式保存。对传入的图片进行识别后，进行同样的预处理，比较字符串的相似度，选择熟悉度最高的分类。识别率不是很理想（验证码比较简单，应该优化得更好），依稀记得只能超过60%。

由于识别效果不理想，仍能长时间保持目标网站的登录状态。没必要花太多精力在这上面，所以就找到了手动打码服务。简直太便宜了。每个月花费并不多。效果还不错，但是有时候延迟比较高。无论如何，对于我们的生意来说已经足够了。

机器学习潮流来了，我就想能不能用在里面，于是参考了TensorFlow识别手写数字的教程，开始模仿猫和老虎。

什么是TensorFlow

TensorFlow 是Google 开发的机器学习框架。看名字，TensorFlow就是“张量流”。出色地。什么是张量？我对张量的理解是数据。张量有自己的形状，例如0阶张量是标量，1阶张量是向量，2阶张量是矩阵。所以在下面我们将看到TensorFlow 中使用的几乎所有量都定义了它们的形状，因为它们都是张量。

我们可以将TensorFlow 视为一个黑匣子，里面有一些设置管道。给它一些“张量”，它就会吐出一些“张量”。它吐出的就是我们需要的结果。

所以我们需要确定输入什么、吐出什么以及如何设置管道。

有关更多介绍性概念，请查看Keras 初学者指南» 一些基本概念

为什么使用TensorFlow

没有其他原因，只是因为谷歌的名气大，我也没有多想。首先卷起袖子开始工作。如果你想快速原型化，我建议你看看Keras，它被称为人类设计的机器学习框架，它用户友好，并为机器学习框架提供了几个更高级别的接口。

一般流程

捕获验证码、标注验证码、预处理图像、保存数据集、构建模型、训练、提取模型、使用捕获验证码

这个很简单，任何方法都可以循环下载很多文件，这里不再赘述。我这里下载了750个验证码，用了500个用于训练，剩下的250个用来验证模型效果。

标注验证码

这里有750个验证码。手动标记每个验证码会很累。这时候我们就可以使用人工编码服务，利用廉价的劳动力来为我们做这件事。手动编码后，保存识别结果。这里没有提供代码。这取决于您使用哪种验证码服务。我相信你很聪明，一定能解决。）

图像预处理

图片信息：这个验证码是68x23，二值化为JPG格式：我确信这个验证码足够简单，在丢失图片的颜色信息后仍然可以很好地识别。并且它可以降低模型的复杂度，因此我们可以对图像进行二值化。也就是说，只有两种颜色，全黑或全白。截取验证码：观察验证码。没有特殊的变形或者粘连，所以我们可以将验证码平均切割成4块，分别进行识别。这样，图像识别模型只需要处理10个类别（如果有字母，那就是36个类别而已）由于验证码外面有边框，所以边框也去掉了。处理结果：16x21、黑白2位数据集，包含输入数据和标签数据、训练数据和测试数据。由于数据量不大，为了简单起见，直接将数据保存为python文件，用于模型调用。不要将其保存为另一个文件，然后使用pandas或其他东西来读取它。

我们输入模型的最终数据形状是[[0,1,0,1,0,1,0,1.],[0,1,0,1,0,1,0,1. ],] 标签数据很特殊。本质上我们是在对输入数据进行分类，因此虽然标签应该是从0 到9 的数字，但这里我们将标签数据格式设置为one-hot 向量[[1,0 ,0,0,0,0,0,0,0 ,0,0],] one-hot向量除了某个数字为1外，其他维度均为0**，如[ 1,0,0,0,0,0,0,0 ,0,0]代表1，[0,1,0,0,0,0,0,0,0,0]代表2。再进一步，这里的one-hot向量实际上代表的是对应数据的概率分为这十类。概率为1 是正确的分类。

构建模型训练

数据准备好了，是时候构建“管道”了。也就是说，你需要告诉TensorFlow：

4.如何评价模型的质量？

检查训练结果

使用提取模型

我们训练了上面的模型，效果还不错。准确率接近99%，可能比手工编码还要高（获取测试数据时经常返回错误值）。但问题是，如果我想用这个模型进行生产，该怎么办？不可能每次都训练它。这里，我们将使用TensorFlow的模型保存和加载功能。

保存模型

恢复模型

终于

这里我们只是展示如何使用TensorFlow来识别一个简单的验证码，效果还不错。使用机器学习不应被认为是矫枉过正。毕竟模型无脑，省了不少时间。如果需要识别更多扭曲和异常的验证码，可能需要使用卷积神经网络等。图像结构和颜色信息不能丢失。另一方面，当涉及到网站安全时，纯图形验证码可能并不能作为判断是否是机器人的依据。对抗到最后，就变成了这么变态的验证码，哈哈哈。