详解如何用 LSTM 自动识别验证码

这是去年博主心血来潮实现的一个小模型，现在把它总结一下。由于楼主比较懒，网上许多方法都需要切割图片，但是楼主思索了一下感觉让模型有多个输出就可以了呀，没必要一定要切割的吧？切不好还需要损失信息啊！本文比较简单，只基于传统的验证码。

Part 0 模型概览

从图片到序列实际上就是Image2text也就是seq2seq的一种。encoder是Image, decoder是验证码序列。由于keras不支持传统的在decoder部分每个cell输出需要作为下一个rnn的cell的输入(见下图)，所以我们这里把decoder部分的输入用encoder（image）的最后一层复制N份作为decoder部分的每个cell的输入。

典型的seq2seq

keras可以直接实现的image2text

当然利用 recurrentshop 和 seq2seq，我们也可以实现标准的seq2seq的网络结构(后文会写)。

Part I 收集数据

网上还是有一些数据集可以用的，包括dataCastle也举办过验证码识别的比赛，都有现成的标注好了的数据集。(然而难点是各种花式验证码啊，填字的，滑动的，还有那个基于语义的reCaptcha~)。

因为我想弄出各种长度的验证码，所以我还是在github上下载了一个生成验证码的python包。

下载后，按照例子生成验证码(包含26个小写英文字母)：

#!/usr/bin/env python
# -*- coding: utf-8
from captcha.image import ImageCaptcha
from random import sample

image = ImageCaptcha() #fonts=[ "font/Xenotron.ttf"]
characters =  list("abcdefghijklmnopqrstuvwxyz")

def generate_data(digits_num, output, total):
    num = 0
    while(num<total):
        cur_cap = sample(characters, digits_num)
        cur_cap =''.join(cur_cap)
        _ = image.generate(cur_cap)
        image.write(cur_cap, output+cur_cap+".png")
        num += 1

generate_data(4, "images/four_digit/", 10000)  #产生四个字符长度的验证码
generate_data(5, "images/five_digit/", 10000) #产生五个字符长度的验证码
generate_data(6, "images/six_digit/", 10000) #产生六个字符长度的验证码
generate_data(7, "images/seven_digit/",10000) # 产生七个字符长度的验证码

产生的验证码

(目测了一下生成验证码的包的代码，发现主要是在x，y轴上做一些变换，加入一些噪音)

Part II 预处理

由于生成的图片不是相同尺寸的，为了方便训练我们需要转换成相同尺寸的。另外由于验证码长度不同，我们需要在label上多加一个符号来表示这个序列的结束。

处理之后的结果就是图像size全部为Height=60, Width=250, Channel=3。label全部用字符id表示，并且末尾加上表示<EOF>的id。比如假设a-z的id为0-25，<EOF>的id为26，那么对于验证码"abdf"的label也就是[0,1,3,5,26,26,26,26]，"abcdefg"的label为[0,1,2,3,4,5,6,26]。

由于我们用的是categorical_crossentropy来判断每个输出的结果，所以对label我们还需要把其变成one-hot的形式，那么用Keras现成的工具to_categorical函数对上面的label做一下处理就可以了。比如abdf的label进一步转换成:

[[1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0],

[0,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0],

[0,0,0,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0],

[0,0,0,0,0,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0],

[0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,1],

[0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,1],

[0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,1],

[0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,1]]

Part III 构建模型

不借助外部包可以实现的模型

def create_simpleCnnRnn(image_shape, max_caption_len,vocab_size):
    image_model = Sequential()
    # image_shape : C,W,H
    # input: 100x100 images with 3 channels -> (3, 100, 100) tensors.
    # this applies 32 convolution filters of size 3x3 each.
    image_model.add(Convolution2D(32, 3, 3, border_mode='valid', input_shape=image_shape))
    image_model.add(BatchNormalization())
    image_model.add(Activation('relu'))
    image_model.add(Convolution2D(32, 3, 3))
    image_model.add(BatchNormalization())
    image_model.add(Activation('relu'))
    image_model.add(MaxPooling2D(pool_size=(2, 2)))
    image_model.add(Dropout(0.25))
    image_model.add(Convolution2D(64, 3, 3, border_mode='valid'))
    image_model.add(BatchNormalization())
    image_model.add(Activation('relu'))
    image_model.add(Convolution2D(64, 3, 3))
    image_model.add(BatchNormalization())
    image_model.add(Activation('relu'))
    image_model.add(MaxPooling2D(pool_size=(2, 2)))
    image_model.add(Dropout(0.25))
    image_model.add(Flatten())
    # Note: Keras does automatic shape inference.
    image_model.add(Dense(128))
    image_model.add(RepeatVector(max_caption_len)) # 复制8份
    image_model.add(Bidirectional(GRU(output_dim=128, return_sequences=True)))
    image_model.add(TimeDistributed(Dense(vocab_size)))
    image_model.add(Activation('softmax'))
    sgd = SGD(lr=0.002, decay=1e-6, momentum=0.9, nesterov=True)
    image_model.compile(loss='categorical_crossentropy', optimizer=sgd, metrics=['accuracy'])
    return image_model

借助recurrentshop和seq2seq可以实现的结构

def create_imgText(image_shape, max_caption_len,vocab_size):
    image_model = Sequential()
    # image_shape : C,W,H
    # input: 100x100 images with 3 channels -> (3, 100, 100) tensors.
    # this applies 32 convolution filters of size 3x3 each.
    image_model.add(Convolution2D(32, 3, 3, border_mode='valid', input_shape=image_shape))
    image_model.add(BatchNormalization())
    image_model.add(Activation('relu'))
    image_model.add(Convolution2D(32, 3, 3))
    image_model.add(BatchNormalization())
    image_model.add(Activation('relu'))
    image_model.add(MaxPooling2D(pool_size=(2, 2)))
    image_model.add(Dropout(0.25))
    image_model.add(Convolution2D(64, 3, 3, border_mode='valid'))
    image_model.add(BatchNormalization())
    image_model.add(Activation('relu'))
    image_model.add(Convolution2D(64, 3, 3))
    image_model.add(BatchNormalization())
    image_model.add(Activation('relu'))
    image_model.add(MaxPooling2D(pool_size=(2, 2)))
    image_model.add(Dropout(0.25))
    image_model.add(Flatten())
    # Note: Keras does automatic shape inference.
    image_model.add(Dense(128))
    image_model.add(RepeatVector(1)) # 为了兼容seq2seq，要多包一个[]
    #model = AttentionSeq2Seq(input_dim=128, input_length=1, hidden_dim=128, output_length=max_caption_len, output_dim=128, depth=2) 
    model = Seq2Seq(input_dim=128, input_length=1, hidden_dim=128, output_length=max_caption_len,
                             output_dim=128, peek=True)
    image_model.add(model)
    image_model.add(TimeDistributed(Dense(vocab_size)))
    image_model.add(Activation('softmax'))
    image_model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])

    return image_model

Part IV 模型训练

之前写过固定长度的验证码的序列准确率可以达到99%，项目可以参考这里。

另外，我们在用Keras训练的时候会有一个acc，这个acc是指的一个字符的准确率，并不是这一串序列的准确率。也就是说在可以预期的情况下，如果你的一个字符的准确率达到了99%，那么如果你的序列长度是5的时候，理论上你的序列准确率是0.99^5 = 0.95, 如果像我们一样序列长度是7，则为0.99^8=0.923。

所以当你要看到实际的验证集上的准确率的时候，应该自己写一个callback的类来评测，只有当序列中所有的字符都和label一样才可以算正确。

class ValidateAcc(Callback):
    def __init__(self, image_model, val_data, val_label, model_output):
        self.image_model = image_model
        self.val = val_data
        self.val_label = val_label
        self.model_output = model_output

    def on_epoch_end(self, epoch, logs={}):  # 每个epoch结束后会调用该方法
        print '\n———————————--------'
        self.image_model.load_weights(self.model_output+'weights.%02d.hdf5' % epoch)
        r = self.image_model.predict(val, verbose=0)
        y_predict = np.asarray([np.argmax(i, axis=1) for i in r])
        val_true = np.asarray([np.argmax(i, axis = 1) for i in self.val_label])
        length = len(y_predict) * 1.0
        correct = 0
        for (true,predict) in zip(val_true,y_predict):
            print true,predict
            if list(true) == list(predict):
                correct += 1
        print "Validation set acc is: ", correct/length
        print '\n———————————--------'


val_acc_check_pointer = ValidateAcc(image_model,val,val_label,model_output)

记录每个epoch的模型结果

check_pointer = ModelCheckpoint(filepath=model_output + "weights.{epoch:02d}.hdf5")

训练

image_model.fit(train, train_label,
                shuffle=True, batch_size=16, nb_epoch=20, validation_split=0.2, callbacks=[check_pointer, val_acc_check_pointer])

Part V 训练结果

在39866张生成的验证码上，27906张作为训练，11960张作为验证集。

第一种模型:

序列训练了大约80轮，在验证集上最高的准确率为0.9264， 但是很容易变化比如多跑一轮就可能变成0.7，主要原因还是因为预测的时候考虑的是整个序列而不是单个字符，只要有一个字符没有预测准确整个序列就是错误的。

第二种模型:

第二个模型也就是上面的create_imgText，验证集上的最高准确率差不多是0.9655（当然我没有很仔细的去调参，感觉调的好的话两个模型应该是差不多的，验证集达到0.96之后相对稳定）。

Part VI 其它

看起来还是觉得keras实现简单的模型会比较容易，稍微变形一点的模型就很纠结了，比较好的是基础的模型用上其他包都可以实现。keras 2.0.x开始的版本跟1.0.x还是有些差异的，而且recurrentshop现在也是支持2.0版本的。如果在建模型的时候想更flexible一点的话，还是用tensorflow会比较好，可以调整的东西也比较多，那下一篇可以写一下img2txt的tensorflow版本。

Part VII 代码

完整源代码：https://github.com/Slyne/CaptchaVariLength

Part VIII 后续

现在的这两个模型还是需要指定最大的长度，后面有时间会在训练集最多只有8个字符的情况下，利用rnn的最后一层进一步对于有9个以及以上字符的验证码效果，看看是不是可以再进一步的扩展到任意长度。（又立了一个flag~）