python识别验证码去干扰_TensorFlow识别字母扭曲干扰型验证码-开放源码与98%模型...

本项目源码及训练完成的模型均开源当前识别率98%。

转载请附：博文网址： urlteam ，github 网址：tensorflow_cnn

新开一个专门存储TensorFlow项目的仓库逐步更新欢迎star ：tensorflow

主流验证码偏向于用扭曲，倾斜，干扰例如下图：

因为字符距离近，没法采用先切割为单个字符然后进行局部识别的方式，so。

使用TensorFlow+cnn。进行卷积识别，该方法无需切割验证码，最终结果为训练4天(单台i5机器)达到98准确率

项目综述：

使用深度学习+训练数据+大量计算力，我们可以在几天内训练一个可以破解验证码的模型，不需要分割验证码，而是把验证码做为一个整体进行识别。

自己做一个验证码生成器，然后训练CNN模型破解自己做的验证码生成器。感觉的字符验证码机制可以废了，单纯的增加验证码难度只会让人更难识别，使用CNN+RNN，机器的识别准确率不比人差。Google已经意识到了这一点，他们现在使用机器学习技术检测异常流量。

CNN需要大量的样本进行训练。如果使用数字+大小写字母CNN网络有4*62个输出，只使用数字CNN网络有4*10个输出。因此需要一个脚本自动生成训练集。

成功率（可能波动，均亲身实践）：

1. 达到50%成功率需要2000个批次，总计20w张图片。
2. 达到70%成功率需要4000个批次，总计40w张图片。
3. 达到94%成功率需要40000个批次，总计400w张图片。
4. 达到98%成功率需要100000个批次，总计1000w张图片。

loss曲线为：

成功率曲线为：

实践流程：

1. TensorFlow环境搭建：官网下查看安装教程
2. 测试批量验证码生成训练集： github
3. TensorFlow—cnn 批量生成验证码并用cnn训练： github
4. 将训练模型存放于同一目录下，测试结果：github
5. 98%准确率模型下载：链接: https://pan.baidu.com/s/1cs0LCM 密码: sngx

运行截图：

测试训练图片生成：

模型训练中：

测试模型：

资源简介：

1. 本项目由urlteam维护，欢迎star
2. 相关的验证码破解系列可以在这里找到：

github​github.com

逐步更新TensorFlow系列项目：github

1. 博客主页：

The world we move forward together​www.urlteam.cn

相关论文：

1. Multi-digit Number Recognition from Street View Imagery using Deep CNN
2. CAPTCHA Recognition with Active Deep Learning
3. Number plate recognition with Tensorflow
4. 最初cnn学习自此