Keras入门（四）之利用CNN模型轻松破解网站验证码
项目简介
在之前的文章keras入门（三）搭建CNN模型破解网站验证码中，笔者介绍介绍了如何用Keras来搭建CNN模型来破解网站的验证码，其中验证码含有字母和数字。
让我们一起回顾一下那篇文章的处理思路：
- 利用OpenCV对图像进行单个字符的切割，大概400多张图片；
- 对切割好的单个字符进行人工手动标记；
- 搭建合适的CNN模型，对标记好的数据集进行训练；
- 对于新的验证码，先切割单个字符，再对单个字符进行预测，组成总的预测结果。
这一次，笔者将会换种思路，使用CNN模型来破解网站的验证码。我们的数据集如下：
一共是946张图片，这里只展示了一部分，可以看到，这些验证码全部由数字组成。那么，新的破解验证码的思路是什么呢？如下：
- 直接对验证码进行标记，标记的结果见上图；
- 搭建合适的CNN模型对标记好的数据集进行训练；
- 对新验证码进行预测。
这种思路的好处是，不需要对验证码进行繁琐的预处理，只需要简单的数据标记即可。
下面，笔者将会具体展示这个过程。
数据标记
数据标记绝对是个累活，当我想到要对946张图片进行标记并重命名，而且还要保证标记的准确性的时候，我开始是有点拒绝的心态，毕竟这项工作费时费力，而且能不能保证识别的效果还是个未知数。
就这么纠结了一段时间，原本年前就想做的项目一直拖到了现在，后来我想，能不能写个脚本，能够帮助我快速地进行数据标注，并自动保存呢？这么想着，我就动手自己做了一个由Tornado实现的前端页面，可以帮助我快速地标记数据并保存图片，页面如下：
界面虽然简陋，却能帮助我很好地提升数据标记的速度，只需要在value文本框中输入自己识别的结果，程序就能自动保存标记好的图片，并切换至下一张未标记的验证码。有了如此好的工具，结果我用了不到一小时就标记完了这946张验证码（其实是1000张，因为标记好的结果会有重复）。有机会笔者会介绍这个验证码标记的项目～
模型训练
标记完验证码后，我们就利用这946张验证码作为训练数据，训练CNN模型。我们使用Keras框架，CNN模型的结构图如下：
模型训练的Python代码如下：
# CNN模型训练
# -*- coding: utf-8 -*-
import cv2
import os
import random
import numpy as np
from keras.models import *
from keras.layers import *
from keras import callbacks
characters = '0123456789'
width, height, n_len, n_class = 50, 22, 4, 10
# 产生训练的一批图片，默认是32张图片
def gen(dir, batch_size=32):
X = np.zeros((batch_size, height, width, 3), dtype=np.uint8)
y = [np.zeros((batch_size, n_class), dtype=np.uint8) for _ in range(n_len)]
files = os.listdir(dir)
while True:
for i in range(batch_size):
path = random.choice(files)
imagePixel = cv2.imread(dir+'/'+path, 1)
filename = path[:4]
X[i] = imagePixel
for j, ch in enumerate(filename):
y[j][i, :] = 0
y[j][i, characters.find(ch)] = 1
yield X, y
input_tensor = Input((height, width, 3))
x = input_tensor
# 产生有四个block的卷积神经网络
for i in range(4):
# 卷积层
x = Conv2D(32 * 2 ** i, (3, 3), activation='relu', padding='same')(x)
x = Conv2D(32 * 2 ** i, (3, 3), activation='relu', padding='same')(x)
# 池化层
x = MaxPooling2D((2, 2))(x)
x = Flatten()(x)
x = Dropout(0.25)(x)
# 多输出模型，使用了4个'softmax'來分别预测4個字母的输出
x = [Dense(n_class, activation='softmax', name='c%d' % (i + 1))(x) for i in range(4)]
model = Model(inputs=input_tensor, outputs=x)
model.summary()
# 保存模型结构图
from keras.utils.vis_utils import plot_model
plot_model(model, to_file="./model.png", show_shapes=True)
model.compile(loss='categorical_crossentropy',
optimizer='adadelta',
metrics=['accuracy'])
# 保存效果最好的模型
cbks = [callbacks.ModelCheckpoint("best_model.h5", save_best_only=True)]
dir = './result'
history = model.fit_generator(gen(dir, batch_size=8), # 每次生成器会产生8张小批量的图片
steps_per_epoch=120, # 每次的epoch要训练120批图片
epochs=50, # 总共训练50次
callbacks=cbks, # 保存最好的模型
validation_data=gen(dir), # 验证数据也是用生成器來产生
validation_steps=10 # 用10组图片来进行验证
)
# 绘制损失值图像
import matplotlib.pyplot as plt
def plot_train_history(history, train_metrics, val_metrics):
plt.plot(history.history.get(train_metrics), '-o')
plt.plot(history.history.get(val_metrics), '-o')
plt.ylabel(train_metrics)
plt.xlabel('Epochs')
plt.legend(['train', 'validation'])
# 打印整体的loss与val_loss，并保存图片
plot_train_history(history, 'loss', 'val_loss')
plt.savefig('./all_loss.png')
plt.figure(figsize=(12, 4))
# 第一个数字的正确率
plt.subplot(2, 2, 1)
plot_train_history(history, 'c1_acc', 'val_c1_acc')
# 第二个数字的正确率
plt.subplot(2, 2, 2)
plot_train_history(history, 'c2_acc', 'val_c2_acc')
# 第三個数字的正確率
plt.subplot(2, 2, 3)
plot_train_history(history, 'c3_acc', 'val_c3_acc')
# 第四個数字的正确率
plt.subplot(2, 2, 4)
plot_train_history(history, 'c4_acc', 'val_c4_acc')
# 保存图片
plt.savefig('./train.png')
在这个代码中，我们总共训练了50个epoch，每个epoch共120次批次，每个批次是8张验证码，每张验证码的大小为50*22。
运行该训练模型，后几个epoch的输出结果如下：
总的损失值图像如下：
四个数字每个数字的损失值图像如下：
训练完后，程序会将训练效果最好的epoch保存为best_model.h5文件，便于后续的模型预测。由输出的结果及图像来看，该CNN模型的训练效果应该是相当好的，下面，我们来看看对新验证码的预测效果。
模型预测
新的验证码共有20张，如下：
模型预测的Python代码如下：
# 使用训练好的CNN模型对新图片进行预测
# -*- coding: utf-8 -*-
from keras.models import load_model
import cv2
import numpy as np
# 导入训练好的模型
model = load_model('best_model.h5')
batch_size = 20
width, height, n_len, n_class = 50, 22, 4, 10
# 导入验证码数据并进行预测
X = np.zeros((batch_size, height, width, 3), dtype=np.uint8)
for i in range(batch_size):
X_test = cv2.imread('./new_image/code%d.png' %(i+1), 1)
X[i] = X_test
y_pred = model.predict(X)
y_pred = np.argmax(y_pred, axis=2)
# 输出每张验证码的预测结果
for i in range(batch_size):
print('第%d张验证码的识别结果为：' %(i+1), end='')
print(''.join(map(str, y_pred[:, i].tolist())))
运行该模型，得到的输出结果如下：
第1张验证码的识别结果为：3568
第2张验证码的识别结果为：5402
第3张验证码的识别结果为：6051
第4张验证码的识别结果为：6769
第5张验证码的识别结果为：2675
第6张验证码的识别结果为：2450
第7张验证码的识别结果为：2364
第8张验证码的识别结果为：6879
第9张验证码的识别结果为：3702
第10张验证码的识别结果为：3459
第11张验证码的识别结果为：5895
第12张验证码的识别结果为：8042
第13张验证码的识别结果为：6897
第14张验证码的识别结果为：6558
第15张验证码的识别结果为：9428
第16张验证码的识别结果为：5662
第17张验证码的识别结果为：5431
第18张验证码的识别结果为：4981
第19张验证码的识别结果为：0567
第20张验证码的识别结果为：5239
对这20张新的验证码，预测完全正确！不得不说，CNN模型的识别效果非常好！
总结
本文采用了一种新的思路，搭建CNN模型来实现验证码的识别，取得了不错的识别效果，而且识别的验证码是从网页中下载下来的，具有实际背景，增强了该项目的应用性。
本项目已放至Github，地址为：https://github.com/percent4/CAPTCHA-Recognizition 。
注意：本人现已开通微信公众号： Python爬虫与算法（微信号为：easy_web_scrape）， 欢迎大家关注哦~~
