真实场景下的Tesseract神经网络训练识别图片验证码

何谓“真实场景”，意即图片验证码来源于实际的数据采集过程中遇到的网站，对图片验证码的识别训练工作也是出自于真实的环境。而非像很多文章用一个验证码库生成好几万个验证码图片样本，然后用一个CNN或LSTM模型，把数据扔进去跑。

看着是过瘾，测试效果也很好，然后呢？照着做碰一鼻子灰！

一、验证码采集

既然要识别验证码，那么一定数量的验证码图片样本必不可少。

我们的验证码图片就存在于网站（具体是什么网站就不透露了）之中，图片验证码的显示形式有以下几种：

• 一个URL每次访问都生成不同的验证码图片并显示；
• 每次访问都是一个随机的URL生成验证码图片并显示；
• 验证码图片以base64编码的形式返回并显示；

对于这几种验证码图片，采集的手段也有很多种。

州的先生（https://zmister.com）采用的是直接通过Selenium+Firefox对验证码图片进行截图保存的形式。一共采集了831个验证码图片，如下图所示（已经通过图片标注软件标注好了）：

二、验证码标注

验证码下载好了之后，我们需要对其进行标注。

在这里，州的先生（https://zmister.com）使用的是之前自己用PyQt5写的一个验证码图片标注软件：

详情请戳如下两个链接（一个为博客、一个为公众号）：

https://zmister.com/archives/1370.html。

节约时间，珍惜生命，手写一个验证码图片标注程序

三、验证码降噪

可以看到，这些验证码有不同的背景颜色、不同位置的干扰线、字体也是不一样的，为了便于训练和识别，我们先对这些验证码图片进行降噪处理。

对于图片的降噪处理，州的先生在之前也发表过一篇文章来介绍，

请戳这里：https://zmister.com/archives/1342.html

Python实战图片验证码降噪处理

在这里，我们主要进行了二值化降噪和邻域降噪，顺便对验证码图片的大小进行了裁剪，最后得到降噪后的验证码图片如下图所示：

四、将图片转为TIF格式

上面我们采集和处理的验证码图片文件都是PNG格式的，为了后续处理，我们将其转为TIF格式。

转换的方法也很简单，使用Python的PIL库，读取图像然后另存为tif格式就可以了，代码如下图所示：

最后我们得到所有格式为tif的验证码图片文件，如下图所示：

五、合并TIF格式验证码为一个TIF文件

在把所有验证码图片从PNG格式转为TIF格式之后，我们继续把这个TIF格式的验证码图片合并为一个TIF格式文件。

合并的方法，州的先生采用的是jTessBoxEditor这个软件。

点击菜单栏的“Tools”按钮，选择“Merge TIFF”，在打开的文件选择框中选择所需合并的验证码图片。

最后，我们几百个TIF格式的验证码图片合并为了一个TIF文件，如下图所示：

为了进行后续的操作，合并后的文件名需要按照一定的规则来命令：

[lang].[fontname].exp[num].tif

其中：

• lang表示语言名称；
• fontname表示字体名称；
• num表示序号

在这里，我们将TIF的文件名保存为了：cqc.font.exp0.tif

六、生成TIF图片的box盒子文件

生成box盒子文件是为了标识出图片中文字的具体位置。

如果要训练进行训练，我们必须得准备tif/box这一文件对。在此，我们通过Tesseract的makebox命令来生成box盒子文件，其命令为：

tesseract cqc.font.exp0.tif cqc.font.exp0 batch.nochop makebox

在命令行中运行此命令，我们将会得到一个和TIF文件同名的box文件：cqc.font.exp0.box

打开box文件，可以发现其都是各个字符框的坐标：

由于box盒子文件生成的方式有很多种，Tesseract4.0也接受多种格式的box盒子文件，但是并不支持makebox命令生成的box盒子文件。根据Tesseract官方在GitHub上列出的说明和示例文件（https://github.com/tesseract-ocr/tesseract/issues/2357）来看，问题主要出在其他命令生成的盒子文件会在换行的文本同EOL标识，以表示下一行的文本，而makebox命令则不会生成换行标识符。但是在这里，我们的验证码图片就是一行文本，不需要换行，所以在此场景下，makebox生成的box盒子文件也是可用的。

七、补充和修正box盒子文件

Tesseract4.0与之前版本对于box盒子文件要求的区别在于，在Tesseract4.0中，不再要求box盒子文件中对文本的框选精确到单个字符，只需要将框的位置覆盖到一行文本即可。

但是为了便于训练，我们还是选择对单个字符进行框选。同时，makebox命令生成的box盒子文件不一定是完全无误的，有一些图片可能就没有识别出盒子框来。

而jTessBoxEditor这个软件只能对已存在的box信息进行处理，没有办法在缺失box信息的图片上新增box。这时候需要我们人为对生成的box盒子文件进行一些处理。

先对缺失的盒子填充默认值，在之前的步骤中，我们使用文本编辑器打开过box文件，其内容为图片内字符的框选坐标，一共有6列，分别为：字符名称、X轴坐标、Y轴坐标、字符宽度、字符高度、所处的图片位置。比如：

0 18 9 36 33 0
a 38 7 52 26 0
c 53 7 68 29 0
s 71 7 83 29 0
0 15 8 30 33 1
d 35 6 53 32 1
a 54 8 69 28 1
1 71 6 85 33 1
0 17 8 37 34 3
g 38 3 54 28 3
0 57 10 72 32 3
t 74 9 88 31 3

上面的内容就表示：第1个图片的4个字符(0acs)、第3个图片的4个字符(0da1)第4个图片的4个字符(0g0t)的位置信息，其中缺了第3个图片的信息。

基于这些特征，我们可以使用Python读取它们、对其进行操作，为缺失的图片box添加默认的box信息，最后生成一个新的box文件：

然后打开之前的JTessBoxEdit软件，点击“Box Editor”选项卡，加载TIF文件对box进行修改（box文件和tif文件需要在同一个文件夹下）：

对box修改好之后。我们就可以进行下一步了。

八、生成lstmf文件

这一步，我们通过TIF图像文件和box盒子文件生成进行LSTM训练所需的lstmf文件，使用到的命令如下所示：

tesseract cqc.font.exp0.tif cqc.font.exp0 -l eng --psm 6 lstm.train

运行之后，我们的文件夹下会生成一个名为cqc.font.exp0.lstmf的文件。

九、提取语言的LSTM文件

我们接着从tesseract_best（链接：https://github.com/tesseract-ocr/tessdata_best）下载相应语言的traineddata文件。

在前面几步，我们选用的语言是英文，所以在这里选择eng.traineddata文件。

下载好之后，我们需要从中提取中它的LSTM文件，使用的命令如下所示：

combine_tessdata -e eng.traineddata eng.lstm

运行上述命令，我们的文件夹下会生成一个名为eng.lstm的文件。

十、训练

在完成了上述步骤之后，我们基本上可以开始LSTM的训练了。但是还缺了一步，我们新建一个名为eng.training_files.txt的文本文件，在里面填入第八步生成的lstmf文件的绝对路径。

然后，使用下面的命令就可以开始训练了：

lstmtraining \
--model_output="D:\cqc_train\output\output" \
--continue_from="D:\cqc_train\eng.lstm" \
--train_listfile="D:\cqc_train\eng.training_files.txt" \
--traineddata="D:\cqc_train\eng.traineddata" \
--debug_interval -1 \
--max_iterations 4000

各个参数具体的含义，可以参考Tesseract官方对于4.0如何进行训练的说明（链接：https://tesseract-ocr.github.io/tessdoc/TrainingTesseract-4.00）

运行训练不到10分钟就完成了（具体的训练时间要视训练集的大小和训练次数决定）。待Tesseract训练完成之后，在output文件夹下会有很多checkpoint记录文件。

我们接着使用命令把这些文件和之前的eng.traineddata合成为新的traineddata文件，使用命令如下：

lstmtraining \
--stop_training \
--continue_from="D:\cqc_train\output\output_checkpoint" \
--traineddata="D:\cqc_train\eng.traineddata" \
--model_output="D:\cqc_train\output\cqc.traineddata"

在文件夹下会生成一个名为cqc.traineddata的文件，我们将其复制到Tesseract-OCR的tessdata文件夹下，就可以使用其作为一个语言进行文字识别了。

最终，我们的文件夹下有如下图所示的文件：

里面包含了我们各个步骤下创建、生成和提取出来的文件。

十一、测试

在训练完成得到新的语言文件之后，我们对其进行测试一番。为了更明显地查看训练的效果，我们同时使用：

• Tesseract的传统识别模式
• Tesseract的LSTM识别模式
• 采用训练得到的语言文件的LSTM识别模式

前两种都是使用英语进行识别测试，后一种使用训练出来的cqc语言进行训练。

我们分三次从1000张测试图片中随机选择100张图片进行识别测试，然后计算3个类型的平均测试准确率：

def work(self):
    for i in range(3):
        self.check_single()
    print('总数：',self.n)
    print('传统识别模式：',self.n1/self.n)
    print('LSTM识别模式：',self.n2/self.n)
    print('LSTM训练模式：',self.n3/self.n)

最终我们得到3个类型测试效果的结果如下所示：

可以发现，通过LSTM训练之后的验证码识别成功率在75%以上，这还仅仅只是831张图片训练出来的效果。而传统的识别模式只有18%，就算是系统自带的LSTM识别模式，也只有28%的识别成功率。

如果将训练集的数量再增加一些，可以预计识别成功率还会更加高。

到此，本篇文章就结束了，欢迎留言讨论！

参考链接：

Tesseract官方关于使用makebox配置生成的box文件不支持Tesseract4的LSTM训练的说明链接： https://github.com/tesseract-ocr/tesseract/issues/2357

在官方介绍中，Tesseract4的训练数据所需的格式和tesseract3一样，仍然是tif+box文件，但是并不需要box文件里面的框只需要覆盖到每行文本即可，不再必须覆盖每一个字符； https://github.com/tesseract-ocr/tesseract/wiki/TrainingTesseract-4.00

jTessBoxEdit软件不能在不存在盒子的图片中插件盒子，所以需要使用Python脚本对一些不存在盒子的图片默认新增几个盒子，问题链接： https://github.com/nguyenq/jTessBoxEditor/issues/15

以上就是本篇文章的全部内容。