美文网首页
TensorFlow之验证码的生成和检测

TensorFlow之验证码的生成和检测

作者: 你要好好学习呀 | 来源:发表于2019-05-30 19:42 被阅读0次

    主要使用Tensorflow深度学习框架和卷积神经网络(CNN)算法实现对验证码识别的功能。

    步骤

    1.captcha库生成验证码。
    2.构造网络的输入数据和标签。
    2.基于TensorFlow框架和卷积神经网络训练自己的验证码识别模型

    生成验证码

    使用 Python 的 captcha 库来生成即可,这个库默认是没有安装的,所以需要先安装这个库,使用 pip3 安装即可
    代码如下:

    import numpy as np
    import tensorflow as tf
    from captcha.image import ImageCaptcha#验证码生成框架
    import numpy as np
    import matplotlib.pyplot as plt
    from PIL import Image#图片处理标准库
    import random
    
    number = ['0','1','2','3','4','5','6','7','8','9']
    alphabet = ['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']
    ALPHABET = ['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']
    
    def random_captcha_text(char_set=number+alphabet+ALPHABET ,captcha_size=4):
        captcha_text=[]#list
        for i in range(captcha_size ):
            c=random.choice(char_set)
            captcha_text .append(c)
        return captcha_text
    def gen_captcha_text_and_image():
        image=ImageCaptcha()
        captcha_text=random_captcha_text()
        captcha_text="".join(captcha_text )#把list中的所有元素放入一个字符串
    
        captcha=image.generate(captcha_text )
    
        captcha_image=Image.open(captcha)
        captcha_image=np.array(captcha_image)#将图片保存为矩阵
        return captcha_text,captcha_image
    
    if __name__ == '__main__':
        text, image = gen_captcha_text_and_image()
        f = plt.figure()
        ax = f.add_subplot(111)
        ax.text(0.1, 0.9, text, ha='center', va='center', transform=ax.transAxes)
        plt.imshow(image)
        plt.show()
    

    结果如下:


    构造网络的输入数据和标签

    这里将这个问题看做是分类问题,验证码中一共有四个数字(或者字母),则共有(10+26+26)4=624 种可能的情况。这里为了方便进行验证,仅仅构造了数字的验证码,则每个数字有10种可能性,共有10*4中可能的情况。
    涉及到的主要代码为:

    def convert2gray(img):#将图像转化为灰度图
        if len(img.shape) > 2:
            gray = np.mean(img, -1)
            # 上面的转法较快,正规转法如下
            # r, g, b = img[:,:,0], img[:,:,1], img[:,:,2]
            # gray = 0.2989 * r + 0.5870 * g + 0.1140 * b
            return gray
        else:
            return img
    
    #下面的 text2vec() 方法就是将真实文本转化为 One-Hot 编码,vec2text() 方法就是将 One-Hot 编码转回真实文本
    def text2vec(text):
        text_len = len(text)
        if text_len > MAX_CAPTCHA:
            raise ValueError('验证码最长4个字符')
    
        vector = np.zeros(MAX_CAPTCHA * CHAR_SET_LEN)
        for i, c in enumerate(text):
            idx = i * CHAR_SET_LEN + int(c)
            vector[idx] = 1
        return vector
    
    # 向量转回文本
    def vec2text(vec):
        text = []
        char_pos = vec.nonzero()[0]#nonzero(a)返回数组a中值不为零的元素的下标
        for i, c in enumerate(char_pos):
            number = i % 10
            text.append(str(number))
    
        return "".join(text)
    
    构造CNN模型

    这里仅仅构造了三层卷积,每层卷积后跟池化层,一个全连接层+一个结果输出层。

    # 定义CNN
    def crack_captcha_cnn(w_alpha=0.01, b_alpha=0.1):
        x = tf.reshape(X, shape=[-1, IMAGE_HEIGHT, IMAGE_WIDTH, 1])#为了满足TensorFlow的要求
        # w_c1_alpha = np.sqrt(2.0/(IMAGE_HEIGHT*IMAGE_WIDTH)) #
        # w_c2_alpha = np.sqrt(2.0/(3*3*32))
        # w_c3_alpha = np.sqrt(2.0/(3*3*64))
        # w_d1_alpha = np.sqrt(2.0/(8*32*64))
        # out_alpha = np.sqrt(2.0/1024)
        # 3 conv layer
        #3个卷积+池化
        w_c1 = tf.Variable(w_alpha * tf.random_normal([3, 3, 1, 32]))
        b_c1 = tf.Variable(b_alpha * tf.random_normal([32]))
        conv1 = tf.nn.relu(tf.nn.bias_add(tf.nn.conv2d(x, w_c1, strides=[1, 1, 1, 1], padding='SAME'), b_c1))
        conv1 = tf.nn.max_pool(conv1, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], padding='SAME')
        conv1 = tf.nn.dropout(conv1, keep_prob)
    
        w_c2 = tf.Variable(w_alpha * tf.random_normal([3, 3, 32, 64]))
        b_c2 = tf.Variable(b_alpha * tf.random_normal([64]))
        conv2 = tf.nn.relu(tf.nn.bias_add(tf.nn.conv2d(conv1, w_c2, strides=[1, 1, 1, 1], padding='SAME'), b_c2))
        conv2 = tf.nn.max_pool(conv2, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], padding='SAME')
        conv2 = tf.nn.dropout(conv2, keep_prob)
    
        w_c3 = tf.Variable(w_alpha * tf.random_normal([3, 3, 64, 64]))
        b_c3 = tf.Variable(b_alpha * tf.random_normal([64]))
        conv3 = tf.nn.relu(tf.nn.bias_add(tf.nn.conv2d(conv2, w_c3, strides=[1, 1, 1, 1], padding='SAME'), b_c3))
        conv3 = tf.nn.max_pool(conv3, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], padding='SAME')
        conv3 = tf.nn.dropout(conv3, keep_prob)
    
        # Fully connected layer
        w_d = tf.Variable(w_alpha * tf.random_normal([8 * 20 * 64, 1024]))
        b_d = tf.Variable(b_alpha * tf.random_normal([1024]))
        dense = tf.reshape(conv3, [-1, w_d.get_shape().as_list()[0]])
        dense = tf.nn.relu(tf.add(tf.matmul(dense, w_d), b_d))
        dense = tf.nn.dropout(dense, keep_prob)
    
        w_out = tf.Variable(w_alpha * tf.random_normal([1024, MAX_CAPTCHA * CHAR_SET_LEN]))
        b_out = tf.Variable(b_alpha * tf.random_normal([MAX_CAPTCHA * CHAR_SET_LEN]))
        out = tf.add(tf.matmul(dense, w_out), b_out)
        return out
    
    补充padding='SAME'和padding='VALID'的区别。

    tensorflow 中的padding方式有“SAME”和“VALID”
    这两个方式计算特征图的输出大小方式不一样。

    1. valid: 周围不填0进行卷积运算,无法计算的部分(矩阵的右边和下面)直接舍去。
      如果padding的方法为“VALID” ,那么输出特征图的长和宽为:
      new_width=new_height=⌈ W-F+1 / S⌉
    2. same: 周围填0进行卷积运算,0在矩阵的左右和上下均匀添加,非均匀时多的加在右边和下面。
      如果padding的方法为“SAME” ,那么输出特征图的长和宽为:
      new_width=new_height=⌈ W / S⌉
      W为输入的size,F为filter为size,S为步长,⌈ ⌉为向上取整符号
    定义一次训练的batch,定义损失函数,训练优化模型
    
    # 生成一个训练batch
    def get_next_batch(batch_size=128):
        batch_x = np.zeros([batch_size, IMAGE_HEIGHT * IMAGE_WIDTH])
        batch_y = np.zeros([batch_size, MAX_CAPTCHA * CHAR_SET_LEN])
    
        # 有时生成图像大小不是(60, 160, 3)
        def wrap_gen_captcha_text_and_image():
            while True:
                text, image = gen_captcha_text_and_image()
                if image.shape == (60, 160, 3):
                    return text, image
        for i in range(batch_size):
            text, image = wrap_gen_captcha_text_and_image()
            image = convert2gray(image)
    
            batch_x[i, :] = image.flatten() / 255  # (image.flatten()-128)/128  mean为0。即值为从0到1之间
            batch_y[i, :] = text2vec(text)
    
        return batch_x, batch_y
    
    #定义损失函数,进行模型迭代优化
    def train_crack_captcha_cnn():
        output = crack_captcha_cnn()
        loss = tf.reduce_mean(tf.nn.sigmoid_cross_entropy_with_logits(logits=output, labels=Y))
        optimizer = tf.train.AdamOptimizer(learning_rate=0.001).minimize(loss)
        predict = tf.reshape(output, [-1, MAX_CAPTCHA, CHAR_SET_LEN])
        max_idx_p = tf.argmax(predict, 2)
        max_idx_l = tf.argmax(tf.reshape(Y, [-1, MAX_CAPTCHA, CHAR_SET_LEN]), 2)
        correct_pred = tf.equal(max_idx_p, max_idx_l)
        accuracy = tf.reduce_mean(tf.cast(correct_pred, tf.float32))
    
        saver = tf.train.Saver()
        with tf.Session() as sess:
            sess.run(tf.global_variables_initializer())
            step = 0
            while True:
                batch_x, batch_y = get_next_batch(64)#数据需要一个batch一个batch进行传入
                _, loss_ = sess.run([optimizer, loss], feed_dict={X: batch_x, Y: batch_y, keep_prob: 0.75})
                #print(step, loss_)
                # 每10 step计算一次准确率
                if step % 10 == 0:
                    batch_x_test, batch_y_test = get_next_batch(100)
                    acc = sess.run(accuracy, feed_dict={X: batch_x_test, Y: batch_y_test, keep_prob: 1.})
                    print("Step: ",step,"准确率:" ,acc)
                    # 如果准确率大于50%,保存模型,完成训练
                    if acc > 0.60:
                        saver.save(sess, "./model/crack_capcha.model", global_step=step)
                        break
                step += 1
    

    相关文章

      网友评论

          本文标题:TensorFlow之验证码的生成和检测

          本文链接:https://www.haomeiwen.com/subject/ouqvtctx.html