深度学习之卷积神经网络(CNN)的应用-验证码的生成与识别

                          验证码的生成与识别

                     本文系作者原创,转载请注明出处:https://www.cnblogs.com/further-further-further/p/10755361.html 

目录

1.验证码的制作

2.卷积神经网络结构

3.训练参数保存与使用

4.注意事项

5.代码实现(python3.5)

6.运行结果以及分析

 

1.验证码的制作

深度学习一个必要的前提就是需要大量的训练样本数据,毫不夸张的说,训练样本数据的多少直接决定模型的预测准确度。而本节的训练样本数据(验证码:字母和数字组成)通过调用Image模块(图像处理库)中相关函数生成。

安装:pip install pillow

验证码生成步骤:随机在字母和数字中选择4个字符 -> 创建背景图片 -> 添加噪声 -> 字符扭曲

具体样本如下所示:

深度学习之卷积神经网络(CNN)的应用-验证码的生成与识别      深度学习之卷积神经网络(CNN)的应用-验证码的生成与识别     深度学习之卷积神经网络(CNN)的应用-验证码的生成与识别

对于上图的验证码,如果用传统方式破解,其步骤一般是:

图片分割:采用分割算法分割出每一个字符;

字符识别:由分割出的每个字符图片,根据OCR光学字符识别出每个字符图片对应的字符;

难点在于:对于图片字符有黏连(2个,3个,或者4个全部黏连),图片是无法完全分割出来的,也就是说,即使分割出来了,字符识别基本上都是错误的,特别对于人眼都无法分辨的验证码,用传统的这种破解方法,成功率基本上是极其低的。

黏连验证码

深度学习之卷积神经网络(CNN)的应用-验证码的生成与识别     深度学习之卷积神经网络(CNN)的应用-验证码的生成与识别

 

人眼几乎无法分辨验证码

深度学习之卷积神经网络(CNN)的应用-验证码的生成与识别      深度学习之卷积神经网络(CNN)的应用-验证码的生成与识别

第一张是 0ymo or 0ynb ?第二张是 7e9l or 1e9l ?

对于以上传统方法破解验证码的短板,我们采用深度学习之卷积神经网络来进行破解。

2.卷积神经网络结构

前向传播组成:3个卷积层(3*3*1*32,3*3*32*64,3*3*64*64),3个池化层,4个dropout防过拟合层,2个全连接层((8*20*64,1024),(1024, MAX_CAPTCHA*CHAR_SET_LEN])),4个Relu激活函数。

反向传播组成:计算损失(sigmoid交叉熵),计算梯度,目标预测,计算准确率,参数更新。

tensorboard生成结构图(图片可能不是很清楚,在图片位置点击鼠标右键->在新标签页面打开图片,就可以放缩图片了。)

深度学习之卷积神经网络(CNN)的应用-验证码的生成与识别

 

这里特别要注意数据流的变化:

(?,60,160,1) + conv1->(?,60,160,32)+ relu ->(?,60,160,32) + pool1 ->(?,30,80,32) + dropout -> (?,30,80,32)

+ conv2->(?,30,80,64)  + relu ->(?,30,80,64) + pool2 ->(?,15,40,64) + dropout -> (?,15,40,64)

+ conv3->(?,15,40,64)  + relu ->(?,15,40,64) + pool3 ->(?,8,20,64) + dropout -> (?,8,20,64)

+ fc1 ->(?,1024) + relu ->(?,1024) + dropout ->(?,1024)

+ fc2 ->(?,MAX_CAPTCHA*CHAR_SET_LEN)

只要把握住一点,卷积过程跟全连接运算是不一样的。

卷积过程:矩阵对应位置相乘再相加,要求相乘的两个矩阵宽、高必须相同(比如大小都是m * n),得到结果就是一个数值。

全连接(矩阵乘法):它要求第一个矩阵的列和第二个矩阵的行必须相同,比如矩阵A大小m * n,矩阵B大小n * k,红色部分必须相同,得到结果大小就是m * k。

 

3.训练参数保存与使用

参数保存:

tensorflow对于参数保存功能已帮我们做好了,我们只要直接使用就可以了。使用也很简单,就两步,获取保存对象,调用保存方法。

获取保存对象:

 saver = tf.train.Saver()  

调用保存方法:

saver.save(sess, "./model/crack_capcha.model99", global_step=step)


global_step=step :在保存文件时,会统计运行了多少次。

参数使用:

获取保存对象->获取最后一次生成文件的路径->导入参数到session会话中

获取保存对象与参数保存是一样的。

获取最后一次生成文件的路径:在参数保存时会生成一个checkpoint文件(我的是在model文件下),里面会记录最后一次生成文件的文件名。model文件

深度学习之卷积神经网络(CNN)的应用-验证码的生成与识别

checkpoint内容

深度学习之卷积神经网络(CNN)的应用-验证码的生成与识别

导入参数到session会话中:首先要开启session会话,然后调用保存对象的restore方法即可。

 saver.restore(sess, checkpoint.model_checkpoint_path)

4.注意事项

 1. 在session调用run方法时,一定不能遗漏某个操作结果对应的参数赋值,这表述比较绕口,我们来看下面的例子。

 

 _, loss_ = sess.run([optimizer, loss], feed_dict={X: batch_x, Y: batch_y, keep_prob: 0.75})  

X:输入数据,Y:标签数据,keep_prob:防过拟合概率因子(超参),这些参数在获取损失函数loss,计算梯度optimizer时被用到,

在tensorflow的CNN中只是作为占位符处理的,所以在session调用run方法时,一定要对这些参数赋值,并用feed_dict作为字典参数传入,注意大小写也要相同。

 

2. 在训练前需要将文本转为向量,在预测判断是否准确时需要将向量转为文本字符串。

这里的样例总长度63:数字10个(0-9),小写字母26(a-z),大写字母26(A-Z),'_':如果不够4个字符,用来补齐。

向量长度范围:字符4*(10 + 26 + 26 + 1) = 252

文本转向量:通过某种规则(char2pos),计算字符数值,然后根据该字符在4个字符中的位置,计算向量索引

 

idx = i * CHAR_SET_LEN + char2pos(c)

向量转文本:跟文本转向量操作相反(vec2text)

 

5.代码实现(python3.5)

在letterAndNumber.py文件中,train = 0 表示训练,1表示预测。

 

在训练时,采用的batch_size = 64,每训练100次计算一次准确率,如果准确率大于0.8,就将参数保存到model文件中,准确率大于0.9,在保存参数的同时结束训练。

在预测时,随机采用100幅图片,观察其准确率;另外,对于之前展示的黏连验证码,人眼不能较好分辨的验证码,单独进行识别。

letterAndNumber.py

 

深度学习之卷积神经网络(CNN)的应用-验证码的生成与识别
  1 import numpy as np  
  2 import tensorflow as tf
  3 from captcha.image import ImageCaptcha
  4 import numpy as np  
  5 import matplotlib.pyplot as plt  
  6 from PIL import Image  
  7 import random   
  8 
  9 number = ['0','1','2','3','4','5','6','7','8','9']  
 10 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']
 11 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']
 12 
 13 def random_captcha_text(char_set=number+alphabet+ALPHABET, captcha_size=4):
 14 #def random_captcha_text(char_set=number, captcha_size=4):
 15     captcha_text = []  
 16     for i in range(captcha_size):  
 17         c = random.choice(char_set)  
 18         captcha_text.append(c)  
 19     return captcha_text  
 20    
 21 
 22 def gen_captcha_text_and_image(i = 0):
 23     # 创建图像实例对象
 24     image = ImageCaptcha()  
 25     # 随机选择4个字符
 26     captcha_text = random_captcha_text()
 27     # array 转化为 string
 28     captcha_text = ''.join(captcha_text)  
 29     # 生成验证码
 30     captcha = image.generate(captcha_text)
 31     if i%100 == 0 :
 32         image.write(captcha_text, "./generateImage/" + captcha_text + '.jpg')
 33    
 34     captcha_image = Image.open(captcha)  
 35     captcha_image = np.array(captcha_image)  
 36     return captcha_text, captcha_image  
 37 
 38 def convert2gray(img):  
 39     if len(img.shape) > 2:  
 40         gray = np.mean(img, -1)  
 41         # 上面的转法较快,正规转法如下  
 42         # r, g, b = img[:,:,0], img[:,:,1], img[:,:,2]  
 43         # gray = 0.2989 * r + 0.5870 * g + 0.1140 * b  
 44         return gray  
 45     else:  
 46         return img  
 47 
 48    
 49 # 文本转向量
 50 def text2vec(text):  
 51     text_len = len(text)  
 52     if text_len > MAX_CAPTCHA:  
 53         raise ValueError('验证码最长4个字符')  
 54    
 55     vector = np.zeros(MAX_CAPTCHA*CHAR_SET_LEN)  
 56 
 57     def char2pos(c):  
 58         if c =='_':  
 59             k = 62  
 60             return k  
 61         k = ord(c)-48  
 62         if k > 9:  
 63             k = ord(c) - 55  
 64             if k > 35:  
 65                 k = ord(c) - 61  
 66                 if k > 61:  
 67                     raise ValueError('No Map')   
 68         return k  
 69 
 70     for i, c in enumerate(text):  
 71         #idx = i * CHAR_SET_LEN + int(c)
 72         idx = i * CHAR_SET_LEN + char2pos(c)
 73         vector[idx] = 1  
 74     return vector  
 75 # 向量转回文本  
 76 def vec2text(vec):
 77     char_pos = vec[0]
 78     text=[]
 79     for i, c in enumerate(char_pos):  
 80         char_at_pos = i #c/63  
 81         char_idx = c % CHAR_SET_LEN  
 82         if char_idx < 10:  
 83             char_code = char_idx + ord('0')  
 84         elif char_idx <36:  
 85             char_code = char_idx - 10 + ord('A')  
 86         elif char_idx < 62:  
 87             char_code = char_idx-  36 + ord('a')  
 88         elif char_idx == 62:  
 89             char_code = ord('_')  
 90         else:  
 91             raise ValueError('error')  
 92         text.append(chr(char_code)) 
 93     """
 94     text=[]
 95     char_pos = vec.nonzero()[0]
 96     for i, c in enumerate(char_pos):  
 97         number = i % 10
 98         text.append(str(number)) 
 99     """
100     return "".join(text)  
101    
102 """
103 #向量(大小MAX_CAPTCHA*CHAR_SET_LEN)用0,1编码 每63个编码一个字符,这样顺利有,字符也有 
104 vec = text2vec("F5Sd") 
105 text = vec2text(vec) 
106 print(text)  # F5Sd 
107 vec = text2vec("SFd5") 
108 text = vec2text(vec) 
109 print(text)  # SFd5 
110 """  
111    
112 # 生成一个训练batch  
113 def get_next_batch(batch_size=128):
114     batch_x = np.zeros([batch_size, IMAGE_HEIGHT*IMAGE_WIDTH])  
115     batch_y = np.zeros([batch_size, MAX_CAPTCHA*CHAR_SET_LEN])  
116    
117     # 有时生成图像大小不是(60, 160, 3)  
118     def wrap_gen_captcha_text_and_image(i):
119         while True:  
120             text, image = gen_captcha_text_and_image(i)
121             if image.shape == (60, 160, 3):  
122                 return text, image  
123    
124     for i in range(batch_size):  
125         text, image = wrap_gen_captcha_text_and_image(i)
126         image = convert2gray(image)  
127    
128         batch_x[i,:] = image.flatten() / 255 # (image.flatten()-128)/128  mean为0  
129         batch_y[i,:] = text2vec(text)  
130    
131     return batch_x, batch_y  
132    
133 
134    
135 # 定义CNN  
136 def crack_captcha_cnn(w_alpha=0.01, b_alpha=0.1):  
137     x = tf.reshape(X, shape=[-1, IMAGE_HEIGHT, IMAGE_WIDTH, 1])  
138    
139     #w_c1_alpha = np.sqrt(2.0/(IMAGE_HEIGHT*IMAGE_WIDTH)) #  
140     #w_c2_alpha = np.sqrt(2.0/(3*3*32))   
141     #w_c3_alpha = np.sqrt(2.0/(3*3*64))   
142     #w_d1_alpha = np.sqrt(2.0/(8*32*64))  
143     #out_alpha = np.sqrt(2.0/1024)  
144    
145     # 3 conv layer  
146     w_c1 = tf.Variable(w_alpha*tf.random_normal([3, 3, 1, 32]))  
147     b_c1 = tf.Variable(b_alpha*tf.random_normal([32]))
148     # 卷积 + Relu激活函数
149     conv1 = tf.nn.relu(tf.nn.bias_add(tf.nn.conv2d(x, w_c1, strides=[1, 1, 1, 1], padding='SAME'), b_c1))  
150     # 池化
151     conv1 = tf.nn.max_pool(conv1, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], padding='SAME')
152     # dropout 防止过拟合
153     conv1 = tf.nn.dropout(conv1, rate = 1 - keep_prob)
154    
155     w_c2 = tf.Variable(w_alpha*tf.random_normal([3, 3, 32, 64]))  
156     b_c2 = tf.Variable(b_alpha*tf.random_normal([64]))
157     # 卷积 + Relu激活函数
158     conv2 = tf.nn.relu(tf.nn.bias_add(tf.nn.conv2d(conv1, w_c2, strides=[1, 1, 1, 1], padding='SAME'), b_c2))
159     # 池化
160     conv2 = tf.nn.max_pool(conv2, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], padding='SAME')
161     # dropout 防止过拟合
162     conv2 = tf.nn.dropout(conv2, rate = 1 - keep_prob)
163    
164     w_c3 = tf.Variable(w_alpha*tf.random_normal([3, 3, 64, 64]))  
165     b_c3 = tf.Variable(b_alpha*tf.random_normal([64]))
166     # 卷积 + Relu激活函数
167     conv3 = tf.nn.relu(tf.nn.bias_add(tf.nn.conv2d(conv2, w_c3, strides=[1, 1, 1, 1], padding='SAME'), b_c3))
168     # 池化
169     conv3 = tf.nn.max_pool(conv3, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], padding='SAME')
170     # dropout 防止过拟合
171     conv3 = tf.nn.dropout(conv3, rate = 1 - keep_prob)
172    
173     # Fully connected layer  
174     w_d = tf.Variable(w_alpha*tf.random_normal([8*20*64, 1024]))  
175     b_d = tf.Variable(b_alpha*tf.random_normal([1024]))  
176     dense = tf.reshape(conv3, [-1, w_d.get_shape().as_list()[0]])
177     # 全连接 + Relu
178     dense = tf.nn.relu(tf.add(tf.matmul(dense, w_d), b_d))  
179     dense = tf.nn.dropout(dense, rate = 1 - keep_prob)
180    
181     w_out = tf.Variable(w_alpha*tf.random_normal([1024, MAX_CAPTCHA*CHAR_SET_LEN]))  
182     b_out = tf.Variable(b_alpha*tf.random_normal([MAX_CAPTCHA*CHAR_SET_LEN]))
183     # 全连接
184     out = tf.add(tf.matmul(dense, w_out), b_out)   
185     return out  
186    
187 # 训练  
188 def train_crack_captcha_cnn():  
189     output = crack_captcha_cnn()
190     # 计算损失
191     loss = tf.reduce_mean(tf.nn.sigmoid_cross_entropy_with_logits(logits= output, labels= Y))
192     # 计算梯度
193     optimizer = tf.train.AdamOptimizer(learning_rate=0.001).minimize(loss)
194     # 目标预测
195     predict = tf.reshape(output, [-1, MAX_CAPTCHA, CHAR_SET_LEN])
196     # 目标预测最大值
197     max_idx_p = tf.argmax(predict, 2)
198     # 真实标签最大值
199     max_idx_l = tf.argmax(tf.reshape(Y, [-1, MAX_CAPTCHA, CHAR_SET_LEN]), 2)  
200     correct_pred = tf.equal(max_idx_p, max_idx_l)
201     # 准确率
202     accuracy = tf.reduce_mean(tf.cast(correct_pred, tf.float32))  
203    
204     saver = tf.train.Saver()  
205     with tf.Session() as sess:
206         # 打印tensorboard流程图
207         tf.summary.FileWriter("./tensorboard/", sess.graph)
208         sess.run(tf.global_variables_initializer())  
209    
210         step = 0  
211         while True:  
212             batch_x, batch_y = get_next_batch(64)
213             _, loss_ = sess.run([optimizer, loss], feed_dict={X: batch_x, Y: batch_y, keep_prob: 0.75})  
214             print(step, loss_)  
215               
216             # 每100 step计算一次准确率  
217             if step % 100 == 0:
218                 batch_x_test, batch_y_test = get_next_batch(100)  
219                 acc = sess.run(accuracy, feed_dict={X: batch_x_test, Y: batch_y_test, keep_prob: 1.})  
220                 print(step, acc)  
221                 # 如果准确率大于80%,保存模型,完成训练
222                 if acc > 0.90:
223                     saver.save(sess, "./model/crack_capcha.model99", global_step=step)
224                     break
225                 if acc > 0.80:
226                     saver.save(sess, "./model/crack_capcha.model88", global_step=step)
227 
228             step += 1  
229 def crack_captcha(captcha_image, output):
230 
231     saver = tf.train.Saver()
232 
233     with tf.Session() as sess:
234         sess.run(tf.initialize_all_variables())
235         # 获取训练后的参数
236         checkpoint = tf.train.get_checkpoint_state("model")
237         if checkpoint and checkpoint.model_checkpoint_path:
238            saver.restore(sess, checkpoint.model_checkpoint_path)
239            print("Successfully loaded:", checkpoint.model_checkpoint_path)
240         else:
241            print("Could not find old network weights")
242 
243         predict = tf.argmax(tf.reshape(output, [-1, MAX_CAPTCHA, CHAR_SET_LEN]), 2)  
244         text_list = sess.run(predict, feed_dict={X: [captcha_image], keep_prob: 1})
245         #text = text_list[0].tolist()
246         text = vec2text(text_list)
247         return text 
248 if __name__ == '__main__':
249     train = 0  # 0: 训练  1: 预测
250     if train == 0:
251         number = ['0','1','2','3','4','5','6','7','8','9']  
252         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']
253         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']
254         
255         text, image = gen_captcha_text_and_image()  
256         print("验证码图像channel:", image.shape)  # (60, 160, 3)  
257         # 图像大小  
258         IMAGE_HEIGHT = 60  
259         IMAGE_WIDTH = 160  
260         MAX_CAPTCHA = len(text)  
261         print("验证码文本最长字符数", MAX_CAPTCHA)
262         # 文本转向量  
263         char_set = number + alphabet + ALPHABET + ['_']  # 如果验证码长度小于4, '_'用来补齐
264         #char_set = number
265         CHAR_SET_LEN = len(char_set)
266         # placeholder占位符,作用域:整个页面,不需要声明时初始化
267         X = tf.placeholder(tf.float32, [None, IMAGE_HEIGHT*IMAGE_WIDTH])
268         Y = tf.placeholder(tf.float32, [None, MAX_CAPTCHA*CHAR_SET_LEN])  
269         keep_prob = tf.placeholder(tf.float32) # dropout 
270         
271         train_crack_captcha_cnn()
272     # 预测时需要将训练的变量初始化,且只能初始化一次。
273     if train == 1:
274         # 自然计数
275         step = 0
276         # 正确预测计数
277         rightCnt = 0
278         # 设置测试次数
279         count = 100
280         number = ['0','1','2','3','4','5','6','7','8','9']
281         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']
282         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']
283 
284         IMAGE_HEIGHT = 60
285         IMAGE_WIDTH = 160
286 
287         char_set = number + alphabet + ALPHABET + ['_']
288         CHAR_SET_LEN = len(char_set)
289         MAX_CAPTCHA = 4  # len(text)
290         # placeholder占位符,作用域:整个页面,不需要声明时初始化
291         X = tf.placeholder(tf.float32, [None, IMAGE_HEIGHT*IMAGE_WIDTH])
292         Y = tf.placeholder(tf.float32, [None, MAX_CAPTCHA*CHAR_SET_LEN])
293         keep_prob = tf.placeholder(tf.float32) # dropout
294         output = crack_captcha_cnn()
295 
296         saver = tf.train.Saver()
297         with tf.Session() as sess:
298             sess.run(tf.global_variables_initializer())
299             # 获取训练后参数路径
300             checkpoint = tf.train.get_checkpoint_state("model")
301             if checkpoint and checkpoint.model_checkpoint_path:
302                 saver.restore(sess, checkpoint.model_checkpoint_path)
303                 print("Successfully loaded:", checkpoint.model_checkpoint_path)
304             else:
305                 print("Could not find old network weights.")
306 
307             while True:
308                 # image = Image.open("D:/Project/python/myProject/CNN/tensorflow/captchaIdentify/11/0sHB.jpg")
309                 # image = np.array(image)
310                 # text = '0sHB'
311                 text, image = gen_captcha_text_and_image()
312                 # f = plt.figure()
313                 # ax = f.add_subplot(111)
314                 # ax.text(0.1, 0.9,text, ha='center', va='center', transform=ax.transAxes)
315                 # plt.imshow(image)
316                 #
317                 # plt.show()
318 
319                 image = convert2gray(image)
320                 image = image.flatten() / 255
321                 predict = tf.math.argmax(tf.reshape(output, [-1, MAX_CAPTCHA, CHAR_SET_LEN]), 2)
322                 text_list = sess.run(predict, feed_dict= { X: [image], keep_prob : 1})
323                 predict_text = vec2text(text_list)
324                 predict_text = crack_captcha(image, output)
325                 # predict_text_list = [str(x) for x in predict_text]
326                 # predict_text_new = ''.join(predict_text_list)
327                 print("step:{} 真实值: {}  预测: {}  预测结果: {}".format(str(step), text, predict_text, "正确" if text.lower()==predict_text.lower() else "错误"))
328                 if text.lower()==predict_text.lower():
329                     rightCnt += 1
330                 if step == count - 1:
331                     print("测试总数: {} 测试准确率: {}".format(str(count), str(rightCnt/count)))
332                     break
333                 step += 1
334     
335     
336     
337     
View Code

captchaIdentify.py

 

深度学习之卷积神经网络(CNN)的应用-验证码的生成与识别
 1 import tensorflow as tf
 2 from captcha.image import ImageCaptcha
 3 import numpy as np  
 4 import matplotlib.pyplot as plt  
 5 from PIL import Image  
 6 import random  
 7    
 8 
 9 number = ['0','1','2','3','4','5','6','7','8','9']  
10 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']  
11 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']  
12 
13 def random_captcha_text(char_set=number+alphabet+ALPHABET, captcha_size=4):  
14     captcha_text = []  
15     for i in range(captcha_size):  
16         c = random.choice(char_set)  
17         captcha_text.append(c)  
18     return captcha_text  
19    
20 
21 def gen_captcha_text_and_image():  
22     image = ImageCaptcha()  
23    
24     captcha_text = random_captcha_text()  
25     captcha_text = ''.join(captcha_text)  
26    
27     captcha = image.generate(captcha_text)  
28     #image.write(captcha_text, captcha_text + '.jpg')   
29    
30     captcha_image = Image.open(captcha)  
31     captcha_image = np.array(captcha_image)  
32     return captcha_text, captcha_image  
33 if __name__ == '__main__':  
34     text, image = gen_captcha_text_and_image()  
35    
36     f = plt.figure()  
37     ax = f.add_subplot(111)  
38     ax.text(0.1, 0.9,text, ha='center', va='center', transform=ax.transAxes)  
39     plt.imshow(image)  
40    
41     plt.show()  
View Code

6.运行结果以及分析

随机采用100幅图片,运行结果如下:

深度学习之卷积神经网络(CNN)的应用-验证码的生成与识别

 

黏连验证码

深度学习之卷积神经网络(CNN)的应用-验证码的生成与识别   深度学习之卷积神经网络(CNN)的应用-验证码的生成与识别

 

运行结果

深度学习之卷积神经网络(CNN)的应用-验证码的生成与识别

 深度学习之卷积神经网络(CNN)的应用-验证码的生成与识别

人眼较难识别验证码

 深度学习之卷积神经网络(CNN)的应用-验证码的生成与识别     深度学习之卷积神经网络(CNN)的应用-验证码的生成与识别

 

运行结果

深度学习之卷积神经网络(CNN)的应用-验证码的生成与识别

 深度学习之卷积神经网络(CNN)的应用-验证码的生成与识别

结果分析:随机选取100张验证码测试,准确率有73%,这个准确率在同类型的验证码中已经比较可观了。当然,可以在训练时将测试准确率继续提高,比如0.95或更高,这样,在预测时的准确率应该还会有提升的,大家有兴趣的话可以试试。

 

不要让懒惰占据你的大脑,不要让妥协拖垮了你的人生。青春就是一张票,能不能赶上时代的快车,你的步伐就掌握在你的脚下。

 

上一篇:【Java高级工程师蜕变之路】030 Session一致性问题及解决方案


下一篇:HackTheBox-looking glass