关键词：

文章目录

• 从零开始搭建深度学习验证码识别模型
• • CNN模型与图像识别
  • 验证码数据集介绍
  • 生成数据集
  • • 生成EasyCaptcha
    • 生成Kcaptcha
  • 搭建模型
  • • EasyNet模型
    • KCapNet模型
  • 模型训练与参数选择
  • • 优化方法与超参数
    • 数据集划分
  • 模型分析
  • • EasyNet算力计算
    • KCap算力计算
    • EasyNet
    • KCapNet

从零开始搭建深度学习验证码识别模型

CNN模型与图像识别

CNN模型是图像问题的基本深度学习算法，使用CNN算法不用人工从图片中提取特征，更加end2end，符合表示学习的特征，避免繁琐、低效的特征工程。CNN算法目前在CV领域已经成为基本方法之一。

CNN模型的核心在于，利用卷积核在特征图上进行运算，从中提取到充足的特征。在CNN的研究发现，在浅层网络，CNN模型可以提取到部分简单的特征，如轮廓等，而深层CNN则将基础特征进行整合，提取到更加复杂的特征，从而能够对图片中的内容进行特征提取。

CNN的核心在于卷积运算规则，其大致为：

$CNN(map)=\sum _{i=0}^{f_h}\sum _{j=0}^{f_w}filte{r}_{h,w}\cdot slice(map{)}_{h,w}$

其中，$slice(\cdot )$为特征图切片运算，如当$filter$为$3$时，则$map$将会根据步长，从中进行切片，并与卷积核进行element-wise乘积运算后并求和。

在CV诸多任务中，卷积层往往被用来做特征提取，而到具体的任务时，需要拼接更多的网络，如拼接全连接网络进行分类任务。

验证码识别，本质上也为一个图像识别任务。在对象识别模型中，通常需要从图像中尽可能识别多的对象，并以框的形式对其位置进行标记。验证码识别也可采用该方式实现，该方法为multi-stage方法，即：通常使用对象识别模型，识别图片中的文字，并用框标记出文字所在位置，再利用CNN和FCN的结构对所识别的文字进行分类。并且，若为文档OCR识别，输出层还可能借助LSTM等RNN结构网络。

考虑到验证码通常位数有限，即4位、5位较为常见，因此该模型采用end2end multi-task方法也可满足需求，且模型复杂度并不高。multi-task任务可简单的理解为，有多个输出层负责不同任务的输出，其弊端在于扩展性低，如只能识别固定数量的对象。

验证码数据集介绍

所有训练数据均以验证码图片内容为名称命名，如2ANF.jpg，因此可以保证训练数据没有重复项，根据文件名即可获取样本label。

数据集下载：Dataset-Google Drive for Easy Captcha

数据规格：48,320张验证码图片，全由Easy Captcha框架生成，大小为$120\times 80$。

验证码示例：

EasyCaptch项目主页

EasyCaptcha验证码特点在于可以构造Gif动态验证码，而其他验证码则显得相对简单，主要在于该验证码间隔较开，易于区分，因此识别较为简单。根据对上例中的验证码分析可知，验证码由不定位置的1-2个圆圈与曲线构成噪音，对文本加以干扰，文字颜色可变。从布局来看，文字的布局位置相对固定，且间隔也相对固定，这无疑也简化了识别过程。

数据集下载：Dataset-Google Drive for Kaptcha

数据规格：52,794张验证码图片，全由Kaptcha生成，大小为$200\times 50$。

验证码示例：

Kaptcha项目主页

相对而言，Kaptcha验证码相对而言文本排布默认更加紧凑，但是文字间距再kaptcha中是一个可以调节的超参数。Kaptcha较难识别的主要原因在于其文本存在可能的扭曲形变，并且形变状态不定，因此模型需要能够克服该形变，方可较为准确的识别，因此Kaptcha识别较captcha困难，并且准确度指标会有所下降。

注：在直接使用模型时需要严格注意验证码规格，这主要在于图片过小会导致CNN过程异常。若对图片进行分辨率调整，长宽比不一，将导致严重形变，导致识别精度下降。

生成数据集

基于上述两个验证码框架，可以使用其提供的开源库进行验证码生成。

生成EasyCaptcha

如下代码所示，主要是从配置中获取验证码的配置，并使用给定的框架进行验证码生成，并最终输出到文件中。

public boolean generate() 
    String outputFolder = config.get(ConfigConstants.OUT_DIR);
    int width = Integer.parseInt(config.get(ConfigConstants.WIDTH, "120"));
    int height = Integer.parseInt(config.get(ConfigConstants.HEIGHT, "80"));
    int len = Integer.parseInt(config.get(ConfigConstants.LENGTH));
    SpecCaptcha captcha = new SpecCaptcha(width, height, len);
    captcha.setCharType(Captcha.TYPE_DEFAULT);
    try 
      captcha.setFont(Captcha.FONT_3);
     catch (IOException | FontFormatException e1) 
      e1.printStackTrace();
      return false;
    
    String codes = captcha.text();
    if (LOG.isInfoEnabled()) 
      LOG.info("Generating " + codes + "...");
    
    return ImageOutputUtil.writeToFile(captcha, outputFolder, codes);
  

为提升图片生成的效率，我们使用多线程的方式，同时生成：

public class CaptchaTaskRunner implements Runnable 

  private static final Logger LOG = Logger.getLogger(CaptchaTaskRunner.class);

  private CaptchaGenerator generator;

  @Override
  public void run() 
    boolean success = generator.generate();
    if (success) 
      if (LOG.isInfoEnabled()) 
        LOG.info("Complete!");
      
     else 
      if (LOG.isInfoEnabled()) 
        LOG.info("Failed!");
      
    
  

  /**
   * @return CaptchaGenerator return the generator
   */
  public CaptchaGenerator getGenerator() 
    return generator;
  

  /**
   * @param generator the generator to set
   */
  public void setGenerator(CaptchaGenerator generator) 
    this.generator = generator;
  

代码中CaptchaGenerator即为generate()方法的接口类，在线程池中提交若干任务，最终都由CaptchaTaskRunner实例进行生成。

生成Kcaptcha

相较于EasyCaptcha，Kcaptcha的配置项更多，因此其识别更加困难，为增强最终模型的可信度与拟合能力，可随机地产生若干配置，来生成验证码：

public KaptchaGeneratorWorker(me.zouzhipeng.config.Config config) 
    Properties prop = new Properties();
    prop.put(Constants.KAPTCHA_BORDER, true);
    prop.put(Constants.KAPTCHA_BORDER_COLOR,
        String.join(",", rand.nextInt(256) + "", rand.nextInt(256) + "", rand.nextInt(256) + ""));
    prop.put(Constants.KAPTCHA_IMAGE_WIDTH, config.get(ConfigConstants.WIDTH, "200"));
    prop.put(Constants.KAPTCHA_IMAGE_HEIGHT, config.get(ConfigConstants.HEIGHT, "50"));
    String textColor = config.get(ConfigConstants.TEXT_COLOR);
    if (null == textColor) 
      textColor = String.join(",", rand.nextInt(256) + "", rand.nextInt(256) + "", rand.nextInt(256) + "");
    
    prop.put(Constants.KAPTCHA_TEXTPRODUCER_FONT_COLOR,
        textColor);
    prop.put(Constants.KAPTCHA_TEXTPRODUCER_CHAR_LENGTH, config.get(ConfigConstants.LENGTH, "4"));
    prop.put(Constants.KAPTCHA_TEXTPRODUCER_FONT_NAMES, "彩云,宋体,楷体,微软雅黑,Arial,SimHei,SimKai,SimSum");
    if (Boolean.parseBoolean(config.get(ConfigConstants.NOISE_SAME_TEXT_COLOR, "true"))) 
      prop.put(Constants.KAPTCHA_NOISE_COLOR, textColor);
     else 
      prop.put(Constants.KAPTCHA_NOISE_COLOR,
        String.join(",", rand.nextInt(256) + "", rand.nextInt(256) + "", rand.nextInt(256) + ""));
    
    prop.put(Constants.KAPTCHA_TEXTPRODUCER_CHAR_STRING, "ABCDEFGHIJKLMNOPQRSTUVWXYZabcdefghijklmnopqrstuvwxyz012345679");
    this.output = config.get(ConfigConstants.OUT_DIR);
    Config kaptchaConfig = new Config(prop);
    producer = kaptchaConfig.getProducerImpl();
  

如上述构造函数，针对Kaptcha进行了所需配置项的配置。

而生成部分，同EasyCaptcha相似，如下：

public boolean generate(String folder) 
    String text = producer.createText();
    BufferedImage imageBuffered = producer.createImage(text);
    if (LOG.isInfoEnabled()) 
      LOG.info("Generating " + text + "...");
    
    return ImageOutputUtil.writeToFile(imageBuffered, folder, text, "jpg");
  

同样地，采用多线程对图片进行生成，以得到大量验证码训练图片。

搭建模型

针对两个不同的数据集，本项目设计了两个不同的模型，但是总体上都是基于CNN和FCN结构的分类任务。在诸多OCR任务中，通常会使用multi-stage方法设计模型，即：通常使用对象识别模型，识别图片中的文字，并用框标记出文字所在位置，再利用CNN和FCN的结构对所识别的文字进行分类。并且，若为文档OCR识别，输出层还可能借助LSTM等RNN结构网络。

考虑到验证码通常位数有限，即4位、5位较为常见，因此该模型采用end2end multi-task方法也可满足需求，且模型复杂度并不高。

针对EasyCaptcha验证码，其产生的验证码较容易区分，字符分隔较开，且变形选项较少，因此使用很简单的模型即可达到较高的精度，在本项目的模型中，验证集准确度可达到$98-99$左右。

而对于Kaptcha验证码，其存在较多可选的配置项，并且会在验证码中间添加噪音扰动，因此识别较为困难，使用EasyCaptcha的模型，精度仅能达到70%左右，准确度较低，Kaptcha模型适当地加大了CNN网络的深度，并增加了一层全连接隐藏层，在验证集上达到93-94%的准确度。

在训练过程中，采用长度为4的验证码，其中验证码中可选字符为：a-zA-Z0-9，共62个可能字符。

下面为两个模型：EasyNet, KCapNet的详细介绍。

EasyNet模型

EasyNet模型由2层卷积层和4个输出层构成，该模型结构细节如下：

1. 第一层卷积，卷积核大小为$5\times 5$，步长为1，通道为16，参数量为$3\times 5\times 5\times 16$，得到大小$76\times 116$的特征图共16个；
2. 第二层为最大池化层，无参数，池化核大小为$5\times 5$，步长为5，得到特征图大小为$15\times 23$；
3. 第三层为批归一化层，避免过拟合并加速模型收敛。根据效果，同时还可尝试使用shortcut方法。归一化后，采用RReLu激活函数；
4. 第四层为卷积层，卷积核大小为$5\times 5$，步长为1，通道数为32，得到特征图大小为$11\times 19$，参数量为$16\times 5\times 5\times 32$；
5. 第五层为最大池化层，无参数，池化核大小为$5\times 5$，步长为5，得到特征图大小为$2\times 4$，无参数；
6. 第六层仍为批归一化层，并采用RReLu函数激活；
7. 第七层为Dropout层，经过第二个卷积后，将得到特征图展开，得到特征向量维度为256维，对256的特征向量进行Dropout处理，避免过拟合，采用的失效概率为$p=0.3$；
8. 第八层为输出层，用于得到验证码序列，由于模型为multi-task，因此输出层有4个（根据验证码中字符长度确定），使用softmax激活，参数量为$4\times 256\times 62$。

KCapNet模型

KCapNet共由3个卷积层，1个全连接层，4个输出层组成，以下为模型具体细节：

1. 第一层为卷积层，卷积核大小为$5\times 5$，步长为1，通道数为16，输入图片大小为$50\times 200$，因此可得到16个大小为$46\times 196$的特征图，参数量为$3\times 5\times 5\times 16$；
2. 第二层为最大池化层，无参数，池化核大小为$3\times 3$，步长为3，得到特征图大小为$15\times 64$；
3. 第三层为批归一化层，在归一化结束后，使用RReLu激活函数激活；
4. 第四层为第二个卷积层，卷积核大小为$3\times 3$，通道数为32，可得到大小为$13\times$