新闻动态

• 一、背景介绍

这是一个运行了2年的个人小项目，最近目标网站改为扫码登录，于是公布出来作为技术分享。项目缘起是女神参与的签到活动，坚持了很久，后来嫌麻烦，中途放弃又觉得可惜，问我能不能实现程序自动登录+签到。我打开某网站看了下，python+selenium就可以实现，但人家要的是全自动，这就需要把验证码自动识别的难点攻克掉了。懒永远是技术进步的源动力啊，不过我对机器视觉本身也比较感兴趣，那些年小区和单位的门口都是车牌识别了，也想借此机会探究一下这门技术是怎么回事。

 

 

 

先上两张镇楼图，一张是准确率统计，一张是实战截图。其中动图只进行了验证码识别，没有登录操作，仅用于效果展示。本文不会对技术细节及理论原理做太多介绍，只是展示一下听起来高大上的人工智能+机器学习+计算机视觉，个人也有很多场景可以把玩的。如果对这个效果感兴趣，可以接着往下看看：

• 二、分析验证码：

某网站的验证码还是挺复杂的，有四套模版，有的加了干扰线，有的是用点阵构建字母，有的进行的各种扭曲，还渲染上了七彩色。

先去网上看看有没有现成的轮子，方法很多，简单的方法能实现，就不用麻烦的。

1、先试试谷歌的tesseract、pytesser3，都是一回事，代码极其简洁，两三行就出结果，勉强可以接受吧，规规矩矩的字，识别率还挺高，但稍加变形，结果就驴唇不对马嘴。

2、本着一切从简的原则，还是打算依赖pytesser3，给它喂适合的数据，把验证码转灰度图、二值化、滤波降噪、模糊各种手段组合着用，还测试了4位验证码切割成4张小图片，以单字符识别的形式提高它的准确率。不过不论你用什么手段往它身上招呼，识别效果都差得远着呢。

3、只有祭出终极大招了，机器深度学习+卷积神经网络，在入这个坑之前，做了好久好久的心理建设，cnn这么大的坑我爬得出来嘛？经过了一个多星期的学习，跑出了镇楼图的效果，也稳定运行2年时间，可以简单分享一下大致调试过程了。

• 三、开发调试流程

cnn模型训练需要有训练集和测试集，这两个数据集，计算机需要知道答案，那么知道答案的数据怎么来？

1、先写个脚本，采集了200份目标网站的验证码，人工打上标签，把答案作为验证码图片的文件名前4个字符。

2、人肉打标效率太低。花钱打标？不至于吧，自己写个小程序签到玩，还要投资？那就自己生成一批吧。观察目标网站的验证码，扭曲、模糊、加线的手法挺像谷歌开源验证码开发包的，下一个回来，模拟一下。包是java的，在eclipse里略做改动，一顿午饭的时间就生成了50万张带答案的验证码。类似这样，文件名前4个字符就是答案。

 

3、训练集有了，下面搭建训练和部署环境，基于简便和通用性考虑，这次验证码图片不再切割，整体丢给机器去训练。

• 四、验证效果

到了收获的时候。程序调好，临近下班，把训练集和测试集丢给程序，6W数据CPU要跑一晚上，GPU只用20分钟。我这50W数据，GPU半个晚上也就训练完了。下面是第二天早上，实验环境下的数据，实验环境是指：训练集，测试集，考试集都是用同一套系统生成的。准确率达到97.3%。

 

那么在实际环境中，效果如何呢？实际环境是指训练集，测试集是通过自己写的代码生成的。而考试集是从目标网站采集回来并人工标识的。

 

真实环境才85%，有点低了对不对？把错误的地方都找出来查找一下原因：

 

 

类似这样的错误，是我识别错了，机器给我指出了答案的不正确，让我自愧不如啊。不过这感觉挺美妙的。

 

还有这种的，这么明显，怎么可能人肉识别错呢，后来一看键盘，7和U离得太近，一定手滑了。排除这些人工标识出错，真实环境的准确率达到90%。基本能符合自动登录的要求了。

• 五、如何提高准确率

后来我进一步思考，还有没有什么办法可以让准确率更高一些呢？实验环境和真实环境差在哪里，有7%的差距呢？目标网站一定是有哪些微调我没有观察到。比如这张：

 

左边六张图是模拟生成的验证码，右边一张图是人肉从目标网站上打来的码。肉眼看上去很像，字体上似乎有微小的差别，导致了实验环境与真实环境7%的准确率误差，要解决这个问题，有两个办法：

1、人肉打出足够多的码，以此为测试集，重新训练。效果应该不错，可是缺点也显而易见，哪有那么多功夫去人肉打码。或者有时间，就是懒，你要用技术去解决啊。这么一说，好像也有办法，Apple 的AI首秀就是治这种懒的，见办法2。

2、关键字：simgan。认真研究了相关的2篇论文，觉得有搞头啊，决定试一下。

• 六、提高准确率的进阶实验

又经过十几天的实验（训练一次太久了），对simgan原理有了更深的了解，SimGAN-Captcha的实验也完全复现，然后对其进行扩展，应用到自己的环境中进行样本增强，实验过程按这样的思路：

首先复现SimGAN-Captcha过程。然后改灰度图为RGB，通过无标识的真实数据和有标识的模拟数据，训练SimGAN-Captcha，通过训练好的模型，Refine上面提到的50万+1万模拟的训练数据，通过Refined的数据，重新训练验证码识别模型，统计准确率做对比。可是效果并不好，甚至肉眼放大也无法在像素层面上找到差异，可以说模拟的很逼真，也可以说Refine没效果。甚至让人怀疑，SimGAN-Captcha是否工作了。于是用另一套验证码生成器生成完全不相同的验证码，让SimGAN-Captcha在像素层面对新验证码进行强化，用以证明Refine确实是干活了。

经过了50多小时的训练，SimGAN-Captcha有了明显的增强效果，举个例子：

 

为了方便表述，从左到右我们依次叫它们1号、2号、3号、4号。1号是用完全不同的算法X生成的验证码，灰头土脸的。3号、4号是上文提到的目标网站的真实的不同形式的验证码。以算法X生成的类1号验证码为Synthetic数据集，以类似3号、类似4号验证码为real数据集，refine出来的合成验证码为2号。仔细观察2号，已经有了很多3、4号的特征，比如：1、不再灰头土脸，变得鲜艳了，P,K,H色彩对比都比较明显；2、干扰线有了彩色断点，这个特征很好的模拟了类3号样本；3、字母P与E有了类4号的点阵效果，模拟点阵应该是SimGAN的拿手好戏，如果让它把干扰线变扭曲就难为它了。

看来SimGAN的确有效果，它能在像素层面上，把模拟样本尽量向着真实样本的方向改造，不过，即使改造的“像一些”了，好像对准确率的提高也没多大帮助。用谷歌的captcha生成的验证码做Synthetic数据集，目标网站验证码做real数据集，进行训练，然后用这样的模型生成cnn的训练集与测试集，再对目标网站的验证码进行测试，准确率提高不到0.5%。用上面提到的算法X生成的验证码做Synthetic数据集，目标网站验证码做real数据集进行训练，然后用这样的模型生成cnn的训练集与测试集训练cnn，与直接用X算法生成的训练集与测试训练出的cnn模型，在正确率的对比上，只提高0.1%。把上面的过程用语言描述出来，都已经很绕了，实际训练时，尽量安排在晚上或周末，累计在训练上花了4、5百小时，花了这么大的时间成本，取得这么小的进步，确有不值。而当我走了一大圈，回到起点，试着把cnn的训练加强，对它提高要求，不以准确率达到99%为中止条件，要准确率达到200%才停止训练（类似while 1 循环），只用了一顿午饭的时间，准确率就有了2.2%的提升。用同样的600份实验数据做对比，上篇文章中准确率是97.33%，这次提高到99.5%，如镇楼图。对于验证码识别来说，在正确的道路上努力训练才是王道，SimGAN并没有那么好的效果。

SimGAN应该是有自己擅长的领域的，验证码增强不行，图像增强会不会效果不错？前文提到的苹果AI首秀的那篇论文，对眼球控制的图像进行样本增强，似乎效果显著啊，我也完成了复现，效果非常好，有机会再分享吧。