前言

在这节,我将用卷积神经网络(简称:CNN)破解新浪微博手机端的验证码(http://login.weibo.cn/login/),验证码如下。

test1 test2 test3 test4

本节的代码可以在https://github.com/nladuo/captcha-break/tree/master/weibo.cn找到。

关于神经网络的原理很难在一节讲清楚。在这里,只需要把神经网络当成一个黑匣子,输入是一个图片,输出一个label,也就是类别。

LeNet5

本节使用的神经网络是国外学者Yann LeCun的LeNet5,该神经网络以32x32的图片作为输入,对于字符的变形、旋转、干扰线等扭曲都可以很好的识别,可以实现以下效果。

asamples.gif anoise2.gif

更多的效果可以在http://yann.lecun.com/exdb/lenet/上查看,具体原理可以查看Yann LeCun的论文

字符下载

字符下载和上节差不多,这里需要注意的是新浪微博的验证码下载下来是gif格式的,opencv不支持读取gif的读取,需要用PIL把验证码转换成png格式。

另外,新浪微博的验证码明显比CSDN下载的验证码要复杂得多,所以需要大量的样本,至少要下载上千个验证码。

字符分割

新浪微博的验证码需要进行去除椒盐噪声、去除干扰线、二值化后,才能很好的进行垂直投影分割,我算法写的不是很好,就不在这里展开了,代码可以在spliter中找到。LeNet5的输入是32x32像素,所以为了不对神经网络进行大量修改,也需要将每个字母都方法32*32的模板中,分割后如下:

dataset.png

分割好之后,需要开始大量的人工操作了,经过了几个小时的努力,成功完成了5000多样本的分类,结果放在了trainer/training_set中。

training_set.png

这里每个文件夹都是一个分类,共有14个分类(除了ERROR),点进文件夹后可以看到每个文件夹内都有300多张图片。

training_set_f.png

训练

构建网络

我这里使用的神经网络库是tiny-cnn(现在已改名叫tiny-dnn)。

训练相关的代码都在trainer/main.cpp中,首先看一下神经网络的构造函数。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
void construct_net(network<sequential>& nn) {
// connection table [Y.Lecun, 1998 Table.1]
#define O true
#define X false
static const bool tbl[] = {
O, X, X, X, O, O, O, X, X, O, O, O, O, X, O, O,
O, O, X, X, X, O, O, O, X, X, O, O, O, O, X, O,
O, O, O, X, X, X, O, O, O, X, X, O, X, O, O, O,
X, O, O, O, X, X, O, O, O, O, X, X, O, X, O, O,
X, X, O, O, O, X, X, O, O, O, O, X, O, O, X, O,
X, X, X, O, O, O, X, X, O, O, O, O, X, O, O, O
};
#undef O
#undef X
// construct nets
nn << convolutional_layer<tan_h>(32, 32, 5, 1, 6) // C1, 1@32x32-in, 6@28x28-out
<< average_pooling_layer<tan_h>(28, 28, 6, 2) // S2, 6@28x28-in, 6@14x14-out
<< convolutional_layer<tan_h>(14, 14, 5, 6, 16,
connection_table(tbl, 6, 16)) // C3, 6@14x14-in, 16@10x10-in
<< average_pooling_layer<tan_h>(10, 10, 16, 2) // S4, 16@10x10-in, 16@5x5-out
<< convolutional_layer<tan_h>(5, 5, 5, 16, 120) // C5, 16@5x5-in, 120@1x1-out
<< fully_connected_layer<tan_h>(120, 14); // F6, 120-in, 14-out
}

这里可以看到有六层神经网络,C1、S2、C3、S4、C5、F6。其实不用仔细的了解神经网络的构造,只需要把它想象成一个黑匣子,黑匣子的输入就是C1层的输入(C1, 1@32x32-in),黑匣子的输出就是F6层(F6,14-out)。32x32对应着图片的大小,14对应着类的个数。比如说要训练MINST数据集(一个手写字符的数据集)的话,需要把fully_connected_layer(120, 14)改成fully_connected_layer(120, 10),因为MINST中有十类字符(0-9十种数字)。

(注:这里只能修改F6层的参数而不能修改C1层的参数,修改C1参数会影响到其他层的输入。)

加载数据集

接下来,通过boost库加载数据集,其中五分之四的样本作为训练,还有五分之一的作为测试训练的正确性。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
std::string label_strs[14] = {
"3", "C", "D", "E", "F", "H", "J", "K", "L", "M", "N", "W", "X", "Y"
};
void load_dataset(std::vector<label_t> &train_labels,
std::vector<vec_t> &train_images,
std::vector<label_t> &test_labels,
std::vector<vec_t> &test_images)
{
for (int i = 0; i < 14; ++i){
std::vector<std::string> images;
fs::directory_iterator end_iter;
fs::path path("./training_set/"+label_strs[i]);
for (fs::directory_iterator iter(path); iter != end_iter; ++iter){
if (fs::extension(*iter)==".png"){
images.push_back(iter->path().string());
}
}
//train_set.size() : test_set.size() = 4:1
int flag = 0;
std::vector<std::string>::iterator itr = images.begin();
for (;itr != images.end(); ++itr){
vec_t data;
convert_image(*itr, -1.0, 1.0, 32, 32, data);
if (flag <= 4){
train_labels.push_back(i);
train_images.push_back(data);
}else{
test_labels.push_back(i);
test_images.push_back(data);
flag = 0;
}
flag++;
}
}
}

参数设置

卷积神经网络使用的是随机梯度下降进行训练,涉及一些数学知识,这里就不展开了。

这里只要把它理解为:神经网络会自己不断的对数据集进行学习(不断的迭代,每次迭代都会对识别率有所改进)。学习的过程会有一个学习速率optimizer.alpha,这里选择的是默认的;还有每次学习多少个数据(minibatch_size),这里设置每次对100个数据进行学习;还有一个学习的时间(num_epochs),这里学习了50次之后,学习效果就没有了。也就是识别率达到了峰值。

1
2
3
4
int minibatch_size = 100; //每批量的数量
int num_epochs = 50; //迭代次数
// optimizer.alpha *= std::sqrt(minibatch_size); 使用默认的学习速率

保存结果

神经网络的训练之后,需要保存神经网络的权重,把权重输出到”weibo.cn-nn-weights”中。

1
2
3
// save networks
std::ofstream ofs("weibo.cn-nn-weights");
ofs << nn;

运行程序

运行trainer后,可以看到开始加载数据,并且进行一次一次的迭代,每一次迭代都会根据测试数据来进行验证,显示正确识别的字符数目。

training.png

从上面可以看到,一共有3934个训练样本和972个测试样本,正确识别的字符数目随着迭代次数不断的增加,从72->120->142->223….,识别率不断增加。

训练到最后(第四十几次迭代),可以看到数据已经差不多饱和了,维持在860、870左右,也就是单个字符有89%的识别率,单个验证码有0.89^4=0.64左右的识别率。(如果训练了很多次后,发现识别率还没有饱和,可以增大迭代次数num_epochs或者增大学习速率optimizer.alpha)

training_end.png

识别

最后,可以通过训练好的“weibo.cn-nn-weights”来进行识别,把trainer/weibo.cn-nn-weights放到recognizer文件夹下。

接下来看看神经网络是如何进行识别的,在recognizer/main.cpp中查看recognize函数。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
int recognize(const std::string& dictionary, cv::Mat &img) {
network<sequential> nn;
construct_net(nn);
// load nets
ifstream ifs(dictionary.c_str());
ifs >> nn;
// convert cvMat to vec_t
vec_t data;
convert_mat(img, -1.0, 1.0, 32, 32, data);
// recognize
auto res = nn.predict(data);
vector<pair<double, int> > scores;
for (int i = 0; i < 14; i++)
scores.emplace_back(rescale<tan_h>(res[i]), i);
// sort and get the result
sort(scores.begin(), scores.end(), greater<pair<double, int>>());
return scores[0].second;
}

在神经网络的最后一层中输出的是一个14维的向量,分别对应着每个类的概率,所以通过sort函数,找出概率最大的类就是识别结果了。

测试图片:

captchas.png

测试识别结果:

captchas_result.png