使用tensorflow和cnn（卷积神经网络）识别验证码并构建API

项目源地址：https://github.com/nickliqian/cnn_captcha
欢迎大家star和fork~

cnn_captcha

use CNN recognize captcha by tensorflow.
本项目针对字符型图片验证码，使用tensorflow实现卷积神经网络，进行验证码识别。
项目封装了比较通用的校验、训练、验证、识别、API模块，极大的减少了识别字符型验证码花费的时间和精力。

项目已经帮助很多同学高效完成了验证码识别任务。
如果你在使用过程中出现了bug和做了良好的改进，欢迎提出issue和PR，作者会尽快回复，希望能和你共同完善项目。

如果你需要识别点选、拖拽类验证码，或者有目标检测需求，也可以参考这个项目nickliqian/darknet_captcha。

时间表

2018.11.12 - 初版Readme.md
2018.11.21 - 加入关于验证码识别的一些说明
2018.11.24 - 优化校验数据集图片的规则
2018.11.26 - 新增train_model_v2.py文件，训练过程中同时输出训练集和验证集的准确率
2018.12.06 - 新增多模型部署支持，修复若干bug
2018.12.08 - 优化模型识别速度，支持api压力测试和统计耗时
2018.02.19 - 新增一种准确率计算方式

目录

1 项目介绍

• 1.1 关于验证码识别
• 1.2 目录结构
• 1.3 依赖
• 1.4 模型结构

2 如何使用

• 2.1 数据集
• 2.2 配置文件
• 2.3 验证和拆分数据集
• 2.4 训练模型
• 2.5 批量验证
• 2.6 启动WebServer
• 2.7 调用接口
• 2.8 部署
• 2.9 部署多个模型
• 2.10 压力测试

3 说明

4 已知BUG

1 项目介绍

1.1 关于验证码识别

验证码识别大多是爬虫会遇到的问题，也可以作为图像识别的入门案例。目前通常使用如下几种方法：

方法名称	相关要点
tesseract	仅适合识别没有干扰和扭曲的图片，训练起来很麻烦
其他开源识别库	不够通用，识别率未知
付费OCR API	需求量大的情形成本很高
图像处理+机器学习分类算法	涉及多种技术，学习成本高，且不通用
卷积神经网络	一定的学习成本，算法适用于多类验证码

这里说一下使用传统的图像处理和机器学习算法，涉及多种技术：

1. 图像处理

• 前处理（灰度化、二值化）
• 图像分割
• 裁剪（去边框）
• 图像滤波、降噪
• 去背景
• 颜色分离
• 旋转

2. 机器学习

• KNN
• SVM

使用这类方法对使用者的要求较高，且由于图片的变化类型较多，处理的方法不够通用，经常花费很多时间去调整处理步骤和相关算法。
而使用卷积神经网络，只需要通过简单的前处理，就可以实现大部分静态字符型验证码的端到端识别，效果很好，通用性很高。

这里列出目前常用的验证码生成库：

参考：