RNN入门识别验证码

Posted Python爬虫与算法

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了RNN入门识别验证码相关的知识,希望对你有一定的参考价值。

介绍

  作为RNN的第二个demo,笔者将会介绍RNN模型在识别验证码方面的应用。
  我们的验证码及样本数据集来自于文章: ,在这篇文章中,我们已经准备好了所需的样本数据集,不需要再辛辛苦苦地弄一遍,直接调用data.csv就可以进行建模了。

RNN模型

  用TensorFlow搭建简单RNN模型,因为是多分类问题,所以在最后的输出部分再加一softmax层,损失函数采用对数损失函数,optimizer选择RMSPropOptimizer。以下是RNN模型的完整Python代码(TensorFlow_RNN.py):

# -*- coding: utf-8 -*-
import tensorflow as tf
import logging

# 设置日志
logging.basicConfig(level = logging.INFO, format='%(asctime)s - %(levelname)s: %(message)s')
logger = logging.getLogger(__name__)

# RNN类
class RNN:

    # 初始化
    # 参数说明: element_size:      元素大小
    #           time_steps:        序列大小
    #           num_classes:       目标变量的类别总数
    #           batch_size:        图片总数
    #           hidden_layer_size: 隐藏层的神经元个数
    #           epoch:             训练次数
    #           learning_rate:     用RMSProp优化时的学习率
    #           save_model_path:   模型保存地址
    def __init__(self, element_size, time_steps, num_classes, batch_size, hidden_layer_size = 150,
                 epoch = 1000, learning_rate=0.001, save_model_path = r'./logs/RNN_train.ckpt')
:


        self.epoch = epoch
        self.learning_rate = learning_rate
        self.save_model_path = save_model_path

        # 设置RNN结构
        self.element_size = element_size
        self.time_steps = time_steps
        self.num_classes = num_classes
        self.batch_size = batch_size
        self.hidden_layer_size = hidden_layer_size

        # 输入向量和输出向量
        self._inputs = tf.placeholder(tf.float32, shape=[None, self.time_steps, self.element_size], name='inputs')
        self.y = tf.placeholder(tf.float32, shape=[None, self.num_classes], name='inputs')

        # 利用TensorFlow的内置函数BasicRNNCell, dynamic_rnn来构建RNN的基本模块
        rnn_cell = tf.contrib.rnn.BasicRNNCell(self.hidden_layer_size)
        outputs, _ = tf.nn.dynamic_rnn(rnn_cell, self._inputs, dtype=tf.float32)
        Wl = tf.Variable(tf.truncated_normal([self.hidden_layer_size, self.num_classes], mean=0, stddev=.01))
        bl = tf.Variable(tf.truncated_normal([self.num_classes], mean=0, stddev=.01))

        def get_linear_layer(vector):
            return tf.matmul(vector, Wl) + bl

        # 取输出的向量outputs中的最后一个向量最为最终输出
        last_rnn_output = outputs[:, -1, :]
        self.final_output = get_linear_layer(last_rnn_output)

        # 定义损失函数并用RMSProp优化
        softmax = tf.nn.softmax_cross_entropy_with_logits(logits=self.final_output, labels=self.y)
        self.cross_entropy = tf.reduce_mean(softmax)
        self.train_model = tf.train.RMSPropOptimizer(self.learning_rate, 0.9).minimize(self.cross_entropy)

        self.saver = tf.train.Saver()
        logger.info('Initialize RNN model...')

    # 模型训练
    def train(self, x_data, y_data):

        logger.info('Training RNN model...')
        with tf.Session() as sess:
            # 对所有变量进行初始化
            sess.run(tf.global_variables_initializer())

            # 进行迭代学习
            feed_dict = {self._inputs: x_data, self.y: y_data}
            for i in range(self.epoch + 1):
                sess.run(self.train_model, feed_dict=feed_dict)
                if i % int(self.epoch / 50) == 0:
                    # to see the step improvement
                    print('已训练%d次, loss: %s.' % (i, sess.run(self.cross_entropy, feed_dict=feed_dict)))

            # 保存RNN模型
            logger.info('Saving RNN model...')
            self.saver.save(sess, self.save_model_path)

    # 对新数据进行预测
    def predict(self, data):
        with tf.Session() as sess:
            logger.info('Restoring RNN model...')
            self.saver.restore(sess, self.save_model_path)
            predict = sess.run(self.final_output, feed_dict={self._inputs: data})
        return predict

模型训练

  对样本数据集data.csv进行RNN建模,将数据集分为训练集和测试集,各占70%和30%.因为图片的大小为16*20,所以在将图片看成序列时,序列的长度为20,每一时刻的向量含有16个元素,共有31个目标类,取隐藏层大小为300,总共训练1000次。 完整的Python代码如下:

# -*- coding: utf-8 -*-
"""
数字字母识别
利用RNN对验证码的数据集进行多分类
"""

from TensorFlow_RNN import RNN
import pandas as pd
import numpy as np
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score
from sklearn.preprocessing import LabelBinarizer

CSV_FILE_PATH = 'F://验证码识别/data.csv'          # CSV 文件路径
df = pd.read_csv(CSV_FILE_PATH)                   # 读取CSV文件

# 数据集的特征
features = ['v'+str(i+1for i in range(16*20)]
labels = df['label'].unique()
# 对样本的真实标签进行标签二值化
lb = LabelBinarizer()
lb.fit(labels)
y_ture = pd.DataFrame(lb.transform(df['label']), columns=['y'+str(i) for i in range(31)])
y_bin_columns = list(y_ture.columns)

for col in y_bin_columns:
    df[col] = y_ture[col]

# 将数据集分为训练集和测试集,训练集70%, 测试集30%
x_train, x_test, y_train, y_test = train_test_split(df[features], df[y_bin_columns], \
                                                    train_size = 0.7, test_size=0.3, random_state=123)

# 构建RNN网络
# 模型保存地址
MODEL_SAVE_PATH = 'F:///验证码识别/logs/RNN_train.ckpt'
# RNN初始化
element_size = 16
time_steps = 20
num_classes = 31
hidden_layer_size = 300
batch_size = 960

new_x_train = np.array(x_train).reshape((-1, time_steps, element_size))
new_x_test = np.array(x_test).reshape((-1, time_steps, element_size))

rnn = RNN(element_size=element_size,
          time_steps=time_steps,
          num_classes=num_classes,
          batch_size=batch_size,
          hidden_layer_size= hidden_layer_size,
          epoch=1000,
          save_model_path=MODEL_SAVE_PATH,
          )

# 训练RNN
rnn.train(new_x_train, y_train)
# 预测数据
y_pred = rnn.predict(new_x_test)

# 预测分类
label = '123456789ABCDEFGHJKLNPQRSTUVXYZ'
prediction = []
for pred in y_pred:
    label = labels[list(pred).index(max(pred))]
    prediction.append(label)

# 计算预测的准确率
x_test['prediction'] = prediction
x_test['label'] = df['label'][y_test.index]
print(x_test.head())
accuracy = accuracy_score(x_test['prediction'], x_test['label'])
print('CNN的预测准确率为%.2f%%.'%(accuracy*100))

以下是模型训练的结果:

2018-09-26 11:18:12,339 - INFO: Initialize RNN model...
2018-09-26 11:18:12,340 - INFO: Training RNN model...
已训练0次, loss: 3.43417.
已训练20次, loss: 3.42695.
已训练40次, loss: 3.40638.
已训练60次, loss: 3.33286.
已训练80次, loss: 2.78305.
已训练100次, loss: 2.33391.
已训练120次, loss: 1.15871.
已训练140次, loss: 0.659932.
已训练160次, loss: 0.566225.
已训练180次, loss: 0.397372.
已训练200次, loss: 0.317218.
已训练220次, loss: 0.346782.
已训练240次, loss: 0.639625.
已训练260次, loss: 0.0575929.
已训练280次, loss: 0.100429.
已训练300次, loss: 0.0347529.
已训练320次, loss: 0.0189503.
已训练340次, loss: 0.0265893.
已训练360次, loss: 0.0151181.
已训练380次, loss: 1.18662.
已训练400次, loss: 0.0164317.
已训练420次, loss: 0.00819814.
已训练440次, loss: 0.0041992.
已训练460次, loss: 0.0206414.
已训练480次, loss: 0.00826409.
已训练500次, loss: 0.00398952.
已训练520次, loss: 0.00214751.
已训练540次, loss: 0.0365587.
已训练560次, loss: 0.00738376.
已训练580次, loss: 0.00302118.
已训练600次, loss: 0.00161713.
已训练620次, loss: 0.000885372.
已训练640次, loss: 1.24874.
已训练660次, loss: 0.00601175.
已训练680次, loss: 0.0023275.
已训练700次, loss: 0.00121995.
已训练720次, loss: 0.000705643.
已训练740次, loss: 0.000407971.
已训练760次, loss: 0.000219642.
已训练780次, loss: 0.0889083.
已训练800次, loss: 0.00395974.
已训练820次, loss: 0.00131215.
已训练840次, loss: 0.000631665.
已训练860次, loss: 0.000342329.
已训练880次, loss: 0.000191806.
已训练900次, loss: 0.000108547.
已训练920次, loss: 6.29806e-05.
已训练940次, loss: 3.99281e-05.
已训练960次, loss: 0.0124334.
已训练980次, loss: 0.00142853.
2018-09-26 11:26:08,302 - INFO: Saving RNN model...
已训练1000次, loss: 0.000571731.
2018-09-26 11:26:08,761 - INFO: Restoring RNN model...
INFO:tensorflow:Restoring parameters from F:///验证码识别/logs/RNN_train.ckpt
2018-09-26 11:26:08,761 - INFO: Restoring parameters from F:///验证码识别/logs/RNN_train.ckpt
      v1  v2  v3  v4  v5  v6  v7  v8  v9  v10  ...    v313  v314  v315  v316  \
657    1   1   1   1   1   1   1   1   1    1  ...       1     1     1     1   
18     1   1   1   1   1   1   1   1   1    1  ...       1     1     1     1   
700    1   1   1   1   1   1   1   1   1    1  ...       1     1     1     1   
221    1   1   1   1   1   1   1   1   1    1  ...       1     1     1     1   
1219   1   1   1   1   1   1   1   1   1    1  ...       1     1     1     1   

      v317  v318  v319  v320  prediction  label  
657      1     1     1     1           G      G  
18       1     1     1     1           1      1  
700      1     1     1     1           H      H  
221      1     1     1     1           5      5  
1219     1     1     1     1           V      V  

[5 rows x 322 columns]
CNN的预测准确率为93.69%.

总共的训练时间为8分钟,在测试集上的准确为93.69%.与CNN相比,测试集上的准确率略高,训练时间却明显减少,因为CNN训练1000次的时间为75分钟。总的来说,该RNN模型在这个数据集的表现优于之前的CNN模型。

模型预测

  接着,我们利用刚才训练好的RNN模型,对新验证码进行识别,看看模型的识别效果。
  笔者采集了50张新验证码,如下:

新验证码

  完整的预测新验证码的Python脚本如下:

# -*- coding: utf-8 -*-

"""
利用训练好的RNN模型对验证码进行识别
(共训练960条数据,训练1000次测试集上的准确率为95.15%.)
"""

import os
import cv2
import pandas as pd
import numpy as np
from TensorFlow_RNN import RNN

def split_picture(imagepath):

    # 以灰度模式读取图片
    gray = cv2.imread(imagepath, 0)

    # 将图片的边缘变为白色
    height, width = gray.shape
    for i in range(width):
        gray[0, i] = 255
        gray[height-1, i] = 255
    for j in range(height):
        gray[j, 0] = 255
        gray[j, width-1] = 255

    # 中值滤波
    blur = cv2.medianBlur(gray, 3#模板大小3*3

    # 二值化
    ret,thresh1 = cv2.threshold(blur, 200255, cv2.THRESH_BINARY)

    # 提取单个字符
    chars_list = []
    image, contours, hierarchy = cv2.findContours(thresh1, 22)
    for cnt in contours:
        # 最小的外接矩形
        x, y, w, h = cv2.boundingRect(cnt)
        if x != 0 and y != 0 and w*h >= 100:
            chars_list.append((x,y,w,h))

    sorted_chars_list = sorted(chars_list, key=lambda x:x[0])
    for i,item in enumerate(sorted_chars_list):
        x, y, w, h = item
        cv2.imwrite('F://chars/%d.jpg'%(i+1), thresh1[y:y+h, x:x+w])

def remove_edge_picture(imagepath):

    image = cv2.imread(imagepath, 0)
    height, width = image.shape
    corner_list = [image[0,0] < 127,
                   image[height-10] < 127,
                   image[0, width-1]<127,
                   image[ height-1, width-1] < 127
                   ]
    if sum(corner_list) >= 3:
        os.remove(imagepath)

def resplit_with_parts(imagepath, parts):
    image = cv2.imread(imagepath, 0)
    os.remove(imagepath)
    height, width = image.shape

    file_name = imagepath.split('/')[-1].split(r'.')[0]
    # 将图片重新分裂成parts部分
    step = width//parts     # 步长
    start = 0             # 起始位置
    for i in range(parts):
        cv2.imwrite('F://chars/%s.jpg'%(file_name+'-'+str(i)), \
                    image[:, start:start+step])
        start += step

def resplit(imagepath):

    image = cv2.imread(imagepath, 0)
    height, width = image.shape

    if width >= 64:
        resplit_with_parts(imagepath, 4)
    elif width >= 48:
        resplit_with_parts(imagepath, 3)
    elif width >= 26:
        resplit_with_parts(imagepath, 2)

# rename and convert to 16*20 size
def convert(dir, file):

    imagepath = dir+'/'+file
    # 读取图片
    image = cv2.imread(imagepath, 0)
    # 二值化
    ret, thresh = cv2.threshold(image, 127255, cv2.THRESH_BINARY)
    img = cv2.resize(thresh, (1620), interpolation=cv2.INTER_AREA)
    # 保存图片
    cv2.imwrite('%s/%s' % (dir, file), img)

# 读取图片的数据,并转化为0-1值
def Read_Data(dir, file):

    imagepath = dir+'/'+file
    # 读取图片
    image = cv2.imread(imagepath, 0)
    # 二值化
    ret, thresh = cv2.threshold(image, 127255, cv2.THRESH_BINARY)
    # 显示图片
    bin_values = [1 if pixel==255 else 0 for pixel in thresh.ravel()]

    return bin_values

def predict(rnn, VerifyCodePath, time_steps, element_size):
    dir = 'F://chars'
    files = os.listdir(dir)

    # 清空原有的文件
    if files:
        for file in files:
            os.remove(dir + '/' + file)

    split_picture(VerifyCodePath)

    files = os.listdir(dir)
    if not files:
        print('查看的文件夹为空!')
    else:

        # 去除噪声图片
        for file in files:
            remove_edge_picture(dir + '/' + file)

        # 对黏连图片进行重分割
        for file in os.listdir(dir):
            resplit(dir + '/' + file)

        # 将图片统一调整至16*20大小
        for file in os.listdir(dir):
            convert(dir, file)

        # 图片中的字符代表的向量
        files = sorted(os.listdir(dir), key=lambda x: x[0])
        table = [Read_Data(dir, file) for file in files]

        test_data = pd.DataFrame(table, columns=['v%d' % i for i in range(1321)])



        new_test_data = np.array(test_data).reshape((-1, time_steps, element_size))

        y_pred = rnn.predict(new_test_data)

        # 预测分类
        prediction = []
        labels = '123456789ABCDEFGHJKLNPQRSTUVXYZ'
        for pred in y_pred:
            label = labels[list(pred).index(max(pred))]
            prediction.append(label)

    TRUE_LABEL = VerifyCodePath.split('/')[-1].split(r'.')[0]

    return TRUE_LABEL, ''.join(prediction)

def main():

    # 创建RNN预测模型
    # 模型保存地址
    MODEL_SAVE_PATH = 'F:///验证码识别/logs/RNN_train.ckpt'
    # RNN初始化
    element_size = 16
    time_steps = 20
    num_classes = 31
    batch_size = 4
    hidden_layer_size = 300
    rnn = RNN(element_size=element_size,
              time_steps=time_steps,
              num_classes=num_classes,
              batch_size=batch_size,
              hidden_layer_size=hidden_layer_size,
              epoch=1000,
              save_model_path=MODEL_SAVE_PATH,
              )

    # 预测验证码
    pred_list = []
    dir = 'F://VerifyCode/'
    for file in os.listdir(dir):
        VerifyCodePath = dir+file
        label, prediction = predict(rnn, VerifyCodePath, time_steps, element_size)
        pred_list.append((label, prediction))
        # print('真实值为:%s, 预测结果为: %s.'%(label, prediction))

    # 统计预测正确的验证码的数量及准确率
    total_images = len(pred_list)
    correct_pred = sum([1 if x[0] == x[1else 0 for x in pred_list])
    accuracy = correct_pred*100/total_images
    print("\n一共有%d张图片,识别正确的图片为%d张,\n"
          "RNN的预测准确率为%.2f%%."
          %(total_images, correct_pred, accuracy))

main()

输出的结果如下:

一共有50张图片,识别正确的图片为45张,
RNN的预测准确率为90.00%.

识别的效果相当可以。

总结

  对于用RNN识别图像,有时候其表现不会比CNN模型差,在训练时间上有明显改善。
  笔者将会持续RNN方面的研究,欢迎大家关注~


以上是关于RNN入门识别验证码的主要内容,如果未能解决你的问题,请参考以下文章

AI实战:附源代码手把手教你文字识别模型(入门篇:验证码识别)

能跑源码,还提供数据集:这里有一个入门企业级验证码识别项目

简单验证码识别入门

爬虫遇到头疼的验证码?Python实战讲解弹窗处理和验证码识别

基于SVM的python简单实现验证码识别

验证码识别竞赛解决方案(97%)