Keras知网验证码识别（上）-python实现
Boblee人工智能硕士毕业，擅长及爱好python，基于python研究人工智能、群体智能、区块链等技术，并使用python开发前后端、爬虫等。
1. 背景
现如今不管登陆啥都要验证码，所谓魔高一尺，道高一丈。既然有验证码，那就破解验证码，本文使用keras构建网络来破解验证码。为此本文选取知网验证码进行破解。
2. 数据获取
人工智能有个特性就是需要大量标注好的样本，本文基于前人使用tesseract的基础上获取数据。识别完后人工修正，在训练数据。
1. 获取图片
找到知网获取图片网址，下载一批图片。
import urllib.requestimport pytesseractfrom PIL import Imageimport numpy as npimport redef get_data(name):try:response = urllib.request.urlopen('https://login.cnki.net/login/checkcode.aspx?t=0.8343371339687744') # 得到访问的网址filename = name + '.jpg'with open(filename, "wb") as f:content = response.read() # 获得图片f.write(content) # 保存图片response.close()except Exception as e: # HTTP响应异常处理print(e)
获取图像如下图所示。
2. 图片预处理
本文基于Tesseract的python版本pytesseract进行数据粗标注，本文的验证码这些点线太干扰了，需要去掉，否则识别不了。
windows下载好后加入环境变量，cmd执行。
python安装 pip install pytesseract pillow。图像处理使用pillow库，实现简单的图像灰度化，选定特定数二值化。
def image_handle(name, save_name):image = Image.open(name)image = np.array(image.convert('L'))image = np.where(image[..., :] < 127, 0, 255)image = Image.fromarray(image)image = image.convert('RGB')image.save(save_name)
预处理后图片。
3. 识别图像
def get_text(name):pytesseract.pytesseract.tesseract_cmd = 'D://software//tesseract//Tesseract-OCR//tesseract.exe'# tessdata_dir_config = '--tessdata-dir "D://software//tesseract//Tesseract-OCR//tessdata//"'text = pytesseract.image_to_string(name)text = ''.join(re.findall('\d+', text))return text
识别的结果不理想也就60%，哎也不错了，人眼过滤一遍，最终标注数据如下图所示。
4.总结
本文基于tesseract进行粗数据标注，为后续基于keras构建网络进行验证码识别提供样本，下一期介绍于keras构建网络进行验证码识别过程。