中文项目：快速识别验证码，CNN也能为爬虫保驾护航

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

pip3 install 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<mark data-type="technologies" data-id="2e982b73-88e2-41e8-a430-f7ae5a9af4bf">参数</mark>
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<mark data-type="technologies" data-id="2e982b73-88e2-41e8-a430-f7ae5a9af4bf">参数</mark>
# 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：

python3 verify_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：

python3 train_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。

python3 test_batch.py

也可以调用类进行验证：

from test_batch import Test<mark data-type="technologies" data-id="e3995dcb-2c96-4671-b7ed-d5f2abae3c08">Batch</mark>
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 = Test<mark data-type="technologies" data-id="e3995dcb-2c96-4671-b7ed-d5f2abae3c08">Batch</mark>(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：

python3 recognize_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。