端到端的腾讯验证码识别（46%正确率）

最新结果请参考：http://kexue.fm/archives/4503/

前段时间有幸得到了一个网友提供的一批带标签的腾讯验证码样本（验证码样板：http://captcha.qq.com/getimage），于是抽了点时间，测试了一下验证码识别的模型。

样本 #

这批验证码比较简单，4位的英文字母，有大小写，但输入的时候不区分大小写，图案有一定的混淆，传统的基于分割的方案估计比较难办。端到端的方案是，直接将验证码输入，做几个卷积层，然后连接几个分类器（26分类），然后就直接输出四个字母标签了。其实还真没有什么好说的，有样本就能做了，而且这个框架是通用的，可以用到区分大小写的情形（52分类），也可以用到英文数字混合的情形（再加10个类别而已）。

不过，有一个我认为是比较难搞的地方，就是标签不区分大小写。这批样本中，标签全部是小写的，但是图片上的验证码有大写有小写。这样，如果只是26分类的话，那么强行要将A、a归为同一类，而A、a从外形上来看区别还是有点大的，强行归类，似乎有点“强模型所难”...我估计这也是我模型准确率上不去的原因之一。但我也没什么好思路。

代码 #

也不多说了，直接上代码
https://github.com/bojone/n2n-ocr-for-qqcaptcha

模型非常简洁，也很常规（只是单文件，能有多复杂？）

就是用4个卷积层提取了图片特征，然后将这个图片特征分别接4个softmax，每个都分为26类，注意这里不能图方便用TimeDistributed，TimeDistributed是权值共享的，而我们这里要对同一个特征分别输出不同的标签，权值相同结果不就也相同了么？另外要注意，我的Keras是用theano做后端，不是tensorflow，两者对图像的处理有所不同，因此用tensorlfow的朋友要自己调整过来。

_____________________________________________________________
Layer (type) Output Shape Param # Connected to
=============================================================
input_15 (InputLayer) (None, 3, 129, 53) 0
_____________________________________________________________
convolution2d_40 (Convolution2D) (None, 32, 127, 51) 896 input_15[0][0]
_____________________________________________________________
maxpooling2d_48 (MaxPooling2D) (None, 32, 63, 25) 0 convolution2d_40[0][0]
_____________________________________________________________
convolution2d_41 (Convolution2D) (None, 32, 61, 23) 9248 maxpooling2d_48[0][0]
_____________________________________________________________
maxpooling2d_49 (MaxPooling2D) (None, 32, 30, 11) 0 convolution2d_41[0][0]
_____________________________________________________________
activation_37 (Activation) (None, 32, 30, 11) 0 maxpooling2d_49[0][0]
_____________________________________________________________
convolution2d_42 (Convolution2D) (None, 32, 28, 9) 9248 activation_37[0][0]
_____________________________________________________________
maxpooling2d_50 (MaxPooling2D) (None, 32, 14, 4) 0 convolution2d_42[0][0]
_____________________________________________________________
activation_38 (Activation) (None, 32, 14, 4) 0 maxpooling2d_50[0][0]
_____________________________________________________________
convolution2d_43 (Convolution2D) (None, 32, 12, 2) 9248 activation_38[0][0]
_____________________________________________________________
maxpooling2d_51 (MaxPooling2D) (None, 32, 6, 1) 0 convolution2d_43[0][0]
_____________________________________________________________
flatten_15 (Flatten) (None, 192) 0 maxpooling2d_51[0][0]
_____________________________________________________________
activation_39 (Activation) (None, 192) 0 flatten_15[0][0]
_____________________________________________________________
dense_63 (Dense) (None, 26) 5018 activation_39[0][0]
_____________________________________________________________
dense_64 (Dense) (None, 26) 5018 activation_39[0][0]
_____________________________________________________________
dense_65 (Dense) (None, 26) 5018 activation_39[0][0]
_____________________________________________________________
dense_66 (Dense) (None, 26) 5018 activation_39[0][0]
=============================================================
Total params: 48712
_____________________________________________________________

经过几十轮训练后，得到模型，第1、2、3、4字识别的准确率分别是0.89、0.72、0.73、0.87，这样，四个全对的准确率应该是
$$0.89\times0.72\times0.73\times0.87\approx 0.41$$
即应该会有41%的全对率，经过实际测试，效果还更好一些，全对率为46%，这样差不多两张就有一张识别正确，应该在不少情形都很实用了。当然，这个准确率只针对这批样本的，实际准确率可能还要更低一些，但是估计10%应该有吧？^_^

训练样本就不方便公开了，模型权重也不好直接公开，有需要的，请私下联系我。

后话 #

按送我样本的朋友的说法，他现在接入了一个别人提供的接口，全对率有95%以上，我瞬间肃然起敬啊，真想好好向那个人学习，不过那个程序已经商业化了，估计也不可能给我观摩了，估计别人就是长期盯着腾讯验证码识别这个需求做的，不像我，泛而不精。

欢迎读者提供更好的建模思路哈，请大家多多指教。目前的模型才5万个参数不到，可能欠拟合了，有空在好好调整一下。

转载到请包括本文地址：https://kexue.fm/archives/4138

更详细的转载事宜请参考：《科学空间FAQ》