Python深度学习基于Tensorflow(15)OCR验证码 文本检测与识别实例

文章目录

    • 文本检测
    • 文本识别
      • CTC层
      • 生成验证码并制作数据集
      • 建立模型
      • 模型推理
    • 参考

文本检测

文本检测和目标检测类似,其不同之处在于文本目标具有序列特征,有连续性,可以通过结合 Faster R-CNNLSTM 的方式进行文本检测,如 CTPN 网络,其网络结构来自论文: Detecting Text in Natural Image with Connectionist Text Proposal Network (arxiv.org);

![[Pasted image 20240603151528.png]]

CNN学习的是感受野内的空间信息,LSTM学习的是序列特征。对于文本序列检测,显然既需要CNN抽象空间特征,也需要序列特征(毕竟文字是连续的)。

详细可以查看场景文字检测—CTPN原理与实现 - 知乎 (zhihu.com),CTPN网络的缺点很明显,只能识别行排列文本,如果文本充满艺术排列效果就不是很好;

这里有其他更好的方法进行文本检测:

  1. FCENet:[2104.10442] Fourier Contour Embedding for Arbitrary-Shaped Text Detection (arxiv.org)
  2. DBNet:[1911.08947] Real-time Scene Text Detection with Differentiable Binarization (arxiv.org)
  3. DBNet++:[2202.10304] Real-Time Scene Text Detection with Differentiable Binarization and Adaptive Scale Fusion (arxiv.org)

详细介绍可以看这个网站:天天教程 (foobarweb.net)

文本识别

在检测到文本位置后,我们提取出文本图片,将文本图片转化为同一大小格式,接着我们需要执行将文本图片转化为字符串任务;

文章中使用的是 CNN+RNN+CTC(CRNN+CTC) 架构,具体如下图所示

![[Pasted image 20240603210003.png]]

CTC层

CTC (Connectionist Temporal Classification),其被设计用来解决输入序列和输出序列难以一一对应的问题。

我们在特征图展开为特征序列这一步骤中,将原始特征图切割成不同的小块,理想情况是不同小块分别顺序对应目标字符串中某一字符,由于图片的无规则性以及感受野的存在,这种情况是不现实的,目标字符串中的字符很有可能被不同的块分别对应,这会导致字符串重复的情况出现,因此我们需要对齐预测序列和真实序列,Sequence Modeling with CTC (distill.pub)详细介绍了这一效果;

CTC 本质上是一个 softmax 矩阵,其 row nums 由预测的字符类别数量决定,其 col nums 又特征图切割成不同的小块的数量决定,这里 col nums 又称为时间步 T , 假设我们预测的字符串长度为 true_string_length ,由于每一时间步只能预测一个字符再加上空字符和重复字符的出现,我们必须要保证时间步 T 要大于 true_string_length

对重复字符进行删除,如下图1所示,这会导致两个问题:

  1. 通常,强制每个输入步骤与某些输出对齐是没有意义的。例如,在语音识别中,输入可能会出现一段沉默而没有相应的输出。
  2. 我们无法产生连续多个字符的输出。考虑对齐方式 [h, h, e, l, l, l, o]。折叠重复将产生“helo”而不是“hello”。

![[Pasted image 20240603214024.png]]

这里引入一个空字符: ϵ \epsilon ϵ,利用该字符去间隔重复字符,然后进行删除就可以解决上面两个问题,具体效果如上图2所示;

如何具体实施这一操作呢,这里我们可以对 y 进行处理,对 y 做一个简单的变换: π 0 = [ ϵ , y 1 , ϵ , y 2 , ϵ , … , y n , ϵ ] \pi_0=[\epsilon, y_1,\epsilon,y_2,\epsilon,\dots,y_n,\epsilon] π0=[ϵ,y1,ϵ,y2,ϵ,,yn,ϵ]
得到其概率为 p ( π 0 ∣ X ) p(\pi_0|X) p(π0X),由于 y 的变换有很多,如果 y 1 y_1 y1 不等于 y 2 y_2 y2 ,那么有许多的新变换,如 π 1 = [ ϵ , y 1 , y 2 , ϵ , ϵ , … , y n , ϵ ] \pi_1=[\epsilon, y_1,y_2,\epsilon,\epsilon,\dots,y_n,\epsilon] π1=[ϵ,y1,y2,ϵ,ϵ,,yn,ϵ] 等等

这里将所有的变换的概率值作为损失,得到损失如下: L = ∑ i − log ⁡ p ( y i ∣ X i ) = ∑ i ∑ j − log ⁡ p ( π i j ∣ X i ) \mathcal{L} = \sum_i -\log p(y_i|X_i)=\sum_i \sum_j-\log p(\pi_{ij}|X_i) L=ilogp(yiXi)=ijlogp(πijXi)
由于变换很多,单一计算非常困难,这里我们可以使用动态规划进行简化,详细请看:Sequence Modeling with CTC (distill.pub)

![[Pasted image 20240603220041.png]]

tensorflowCTC 损失计算的接口,接口如下:

tf.nn.ctc_loss(labels,inputs,sequence_length,preprocess_collapse_repeated=False,ctc_merge_repeated=True,ignore_longer_outputs_than_inputs=False,time_major=True
)

生成验证码并制作数据集

captcha 是 python 用来生成随机验证码的一个库,可以使用 pip install captcha 安装

定义两个函数 random_captcha_textgen_captcha_text_and_image 分别执行随机生成验证码文本和验证码图片生成任务;

import os
import random
from rich.progress import track
from captcha.image import ImageCaptchadef random_captcha_text(char_set=None, captcha_size=5):"""随机生成 number 和 alphabet 组合的字符串"""if char_set is None:number = [ '1', '2', '3', '4', '5', '6', '7', '8', '9']alphabet = [ 'a', 'd',  'h', 'j', 'k', 'q', 's', 't', 'y']char_set = number + alphabetcaptcha_text = []for i in range(captcha_size):c = random.choice(char_set)captcha_text.append(c)return ''.join(captcha_text)def gen_captcha_text_and_image(width=200, height=50, char_set=None, save_path='./captcha_imgs/'):"""随机生成验证码并保存在./captcha_imgs/文件目录下"""os.makedirs(save_path, exist_ok=True)ic = ImageCaptcha(width=width, height=height)captcha_text = random_captcha_text(char_set)img= ic.create_captcha_image(captcha_text,color='red', background='white')# create_noise_curve方法将上面生成的验证码 img 画上干扰线img = ic.create_noise_curve(img, color='black')img.save(save_path+captcha_text+".png")return captcha_text, img

利用 gen_captcha_text_and_image 生成3000个验证码图片作为数据集图片,下一步开始制作数据集

nums = 3000
for step in track(range(nums)):gen_captcha_text_and_image()# Working... ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 100% 0:00:14

数据集制作

import os
import random
from pathlib import Path
import tensorflow as tf
import matplotlib.pyplot as plt
from sklearn.model_selection import train_test_splitdef process_data(img_path, label):"""dataset --> process_dataset"""img = tf.io.read_file(img_path)img = tf.io.decode_png(img, channels=1)img = tf.image.convert_image_dtype(img, tf.float32)label = tf.strings.unicode_split(label, input_encoding="UTF-8")label = char_num(label)# 固定 TensorSpecimg = tf.reshape(img, [50, 200, 1])label = tf.reshape(label, [5])return img, label# 存储验证码文件夹 ./captcha_imgs/
data_dir = Path('./captcha_imgs/')
image_paths = list(map(str, list(data_dir.glob("*.png"))))
labels = [image_path.split(os.path.sep)[1].split('.png')[0] for image_path in image_paths]# image_paths[0], labels[0]  --> ('captcha_imgs\\1113s.png', '1113s')characters = sorted(list(set(char for label in labels for char in label)))
# ['1', '2', '3', '4', '5', '6', '7', '8', '9', 'a', 'd', 'h', 'j', 'k', 'q', 's', 't', 'y']# 定义两个转换,一个是将char转化为num,一个是将num转化为char
char_num = tf.keras.layers.StringLookup(vocabulary=characters, invert=False)
num_char = tf.keras.layers.StringLookup(vocabulary=characters, invert=True )# 切割数据集
X_train, X_test, y_train, y_test = train_test_split(image_paths, labels, test_size=0.33, random_state=42)# 定义超参数
batch_size = 16# 制作数据集
train_data = tf.data.Dataset.from_tensor_slices((X_train, y_train))
test_data = tf.data.Dataset.from_tensor_slices((X_test, y_test))
train_data = train_data.map(process_data).batch(batch_size).prefetch(buffer_size=tf.data.AUTOTUNE).cache()
test_data = test_data.map(process_data).batch(batch_size)

可视化数据代码

def plot_16_images():plt.figure(figsize=(10, 4))imgs, labels = train_data.take(1).get_single_element()for ix in range(imgs.shape[0]):plt.subplot(4, 4, ix+1)plt.imshow(imgs[ix])plt.title(tf.strings.reduce_join(num_char(labels[ix])).numpy().decode('utf-8'))plt.axis('off')plt.tight_layout()plt.show()plot_16_images()

得到结果如下

![[Pasted image 20240603235836.png]]

建立模型

模型架构如图,现在使用代码实现该模型架构;

![[Pasted image 20240603210003.png]]

实现模型架构代码如下:

import tensorflow as tfclass CustomModel(tf.keras.models.Model):def __init__(self):super(CustomModel, self).__init__()self.conv_1 = tf.keras.layers.Conv2D(32, 3, activation='relu', padding='same')self.conv_2 = tf.keras.layers.Conv2D(64, 3, activation='relu', padding='same')self.max_pool_1 = tf.keras.layers.MaxPooling2D((2,2))self.max_pool_2 = tf.keras.layers.MaxPooling2D((2,2))self.blstm_1 = tf.keras.layers.Bidirectional(tf.keras.layers.LSTM(128, return_sequences=True, dropout=0.25))self.blstm_2 = tf.keras.layers.Bidirectional(tf.keras.layers.LSTM(64, return_sequences=True, dropout=0.25))self.dense_1 = tf.keras.layers.Dense(64, activation='relu')self.dense_2 = tf.keras.layers.Dense(len(characters) + 2, activation='softmax')self.dropout = tf.keras.layers.Dropout(0.2)def call(self, x):x = tf.transpose(x, perm=[0, 2, 1, 3])x = self.conv_1(x)x = self.max_pool_1(x)x = self.conv_2(x)x = self.max_pool_2(x)x = tf.reshape(x, [tf.shape(x)[0], tf.shape(x)[1], -1])x = self.dense_1(x)x = self.dropout(x)x = self.blstm_1(x)x = self.blstm_2(x)x = self.dense_2(x)return xdef custom_loss(y_true, y_pred):batch_len = tf.cast(tf.shape(y_true)[0], dtype="int64")input_length = tf.cast(tf.shape(y_pred)[1], dtype="int64")label_length = tf.cast(tf.shape(y_true)[1], dtype="int64")# 1 慢一些# input_length = input_length * tf.ones(shape=(batch_len), dtype="int64")# label_length = label_length * tf.ones(shape=(batch_len), dtype="int64")# loss = tf.nn.ctc_loss(y_true, y_pred, label_length, input_length, logits_time_major=False)# 2 快一些input_length = input_length * tf.ones(shape=(batch_len, 1), dtype="int64")label_length = label_length * tf.ones(shape=(batch_len, 1), dtype="int64")loss = tf.keras.backend.ctc_batch_cost(y_true, y_pred, input_length, label_length)return lossmodel = CustomModel()
# build the model
model(train_data.take(1).get_single_element()[0])# summary the model
model.summary()

compile 模型并开始训练:

model.compile(optimizer='adam',loss=custom_loss
)model.fit(train_data, validation_data=test_data, epochs=200)

得到训练过程如下:

Epoch 1/200
169/169 [==============================] - 21s 61ms/step - loss: 22.0665 - val_loss: 16.1782
Epoch 2/200
169/169 [==============================] - 7s 39ms/step - loss: 16.1598 - val_loss: 16.1217
.........................................................................................
169/169 [==============================] - 7s 39ms/step - loss: 15.4558 - val_loss: 15.6200
Epoch 27/200
169/169 [==============================] - 7s 39ms/step - loss: 15.4595 - val_loss: 15.6041
Epoch 28/200
169/169 [==============================] - 7s 40ms/step - loss: 15.4209 - val_loss: 15.4314
Epoch 29/200
169/169 [==============================] - 7s 40ms/step - loss: 15.1606 - val_loss: 14.4924
Epoch 30/200
169/169 [==============================] - 7s 40ms/step - loss: 14.1823 - val_loss: 12.9583
Epoch 31/200
.........................................................................................
Epoch 42/200
169/169 [==============================] - 7s 40ms/step - loss: 0.6783 - val_loss: 0.2937
Epoch 43/200
169/169 [==============================] - 7s 40ms/step - loss: 0.6130 - val_loss: 0.2544
Epoch 44/200
169/169 [==============================] - 7s 39ms/step - loss: 0.4716 - val_loss: 0.2368
.........................................................................................
Epoch 194/200
169/169 [==============================] - 7s 40ms/step - loss: 0.0463 - val_loss: 0.1134
Epoch 195/200
169/169 [==============================] - 7s 40ms/step - loss: 0.0439 - val_loss: 0.0840
Epoch 196/200
169/169 [==============================] - 7s 41ms/step - loss: 0.0767 - val_loss: 0.1057
Epoch 197/200
169/169 [==============================] - 7s 41ms/step - loss: 0.0326 - val_loss: 0.0906
Epoch 198/200
169/169 [==============================] - 7s 41ms/step - loss: 0.0224 - val_loss: 0.0844
Epoch 199/200
169/169 [==============================] - 7s 41ms/step - loss: 0.0701 - val_loss: 0.1003
Epoch 200/200
169/169 [==============================] - 7s 40ms/step - loss: 0.0477 - val_loss: 0.0911

模型推理

当模型训练完毕后,模型的输出并不是目标字符串,仍然是一个 softmax 矩阵,因此我们需要对该矩阵继续进行操作;

当我们训练好一个RNN模型时,给定一个输入序列X,我们需要找到最可能的输出,也就是求解
Y ∗ = a r g m a x k P ( Y / X ) Y^*=\underset{k}{argmax} P(Y/X) Y=kargmaxP(Y/X)
求解最可能的输出有两种方案,一种是Greedy Search,第二种是Beam Search

  1. Greedy Search:每个时间片均取该时间片概率最高的节点作为输出
  2. Beam Search:Beam Search是寻找全局最优值和Greedy Search在查找时间和模型精度的一个折中。一个简单的beam search在每个时间片计算所有可能假设的概率,并从中选出最高的几个作为一组。然后再从这组假设的基础上产生概率最高的几个作为一组假设,依次进行,直到达到最后一个时间片。
def decode_batch_predictions(X, mode='greedy'):""" mode 有两种模式 beam 和 greedy 一般来说 greedy 效果要好一些"""y_pred = model(X)if mode == 'beam':input_length = tf.cast(tf.shape(y_pred)[1], dtype="int64")zz = tf.nn.ctc_beam_search_decoder(tf.transpose(y_pred, perm=[1,0,2]),  [50]*16)[0][0]zz = tf.strings.reduce_join(num_char(tf.sparse.to_dense(zz)), axis=-1).numpy()zz = [s.decode('utf-8').replace('[UNK]', '')[:5] for s in list(zz)]elif mode == 'greedy':input_length = tf.cast(tf.shape(y_pred)[1], dtype="int64")zz = tf.nn.ctc_greedy_decoder(tf.transpose(y_pred, perm=[1,0,2]),  [50]*16)[0][0]zz = tf.strings.reduce_join(num_char(tf.sparse.to_dense(zz)), axis=-1).numpy()zz = [s.decode('utf-8').replace('[UNK]', '')[:5] for s in list(zz)]return zz

可视化如下

def plot_16_images_pred():plt.figure(figsize=(10, 4))imgs, labels = test_data.take(1).get_single_element()pred_labels = decode_batch_predictions(imgs, mode='greedy')labels = [zz.decode('utf-8') for zz in tf.strings.reduce_join(num_char(labels), axis=-1).numpy()]for ix in range(imgs.shape[0]):plt.subplot(4, 4, ix+1)plt.imshow(imgs[ix])plt.title(f'pred:{pred_labels[ix]}-real:{labels[ix]}')plt.axis('off')plt.tight_layout()plt.show()return pred_labelsplot_16_images_pred()

![[Pasted image 20240604012816.png]]

完毕!

参考

  1. 场景文字检测—CTPN原理与实现 - 知乎 (zhihu.com)
  2. Detecting Text in Natural Image with Connectionist Text Proposal Network (arxiv.org)
  3. CTC Loss 数学原理讲解:Connectionist Temporal Classification-CSDN博客
  4. Sequence Modeling with CTC (distill.pub)
  5. 一文读懂CRNN+CTC文字识别 - 知乎 (zhihu.com)
  6. CTC(Connectionist Temporal Classification)介绍 - PilgrimHui - 博客园 (cnblogs.com)

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/diannao/23918.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

学习请求接口

axios的方法 方法一 方法二 方式三 方式四 ajax请求 fetch请求 学习一下

告别冗长代码:Java Lambda 表达式如何简化你的编程

在现代软件开发中,高效和简洁的代码变得越来越重要。Java作为一门成熟而广泛使用的编程语言,一直在不断进化,以满足开发者的需求。Java 8的推出标志着一次重要的飞跃,其中最引人注目的特性之一便是Lambda表达式。 Lambda表达式为J…

RK3588推理RetinaFace出现问题

RK3588推理RetinaFace出现问题 在RK3588上测试RockChip提供的RetinaFace模型时,出现下面的问题 $ python RetinaFace_pic.py done --> Init runtime environment I RKNN: [02:27:16.501] RKNN Runtime Information: librknnrt version: 1.5.2 (c6b7b351a2023…

【区分vue2和vue3下的element UI Cascader 级联选择器组件,分别详细介绍属性,事件,方法如何使用,并举例】

在Vue 2的Element UI和Vue 3的Element Plus中,el-cascader(级联选择器)组件用于从嵌套的数据中进行选择。以下是对这两个版本下el-cascader组件的属性、事件和方法的详细介绍,并附带示例。 Vue 2的Element UI el-cascader 属性…

Windows11下Docker使用记录(五)

目录 准备1. WSL安装cuda container toolkit2. win11 Docker Desktop 设置3. WSL创建docker container并连接cuda4. container安装miniconda(可选) Docker容器可以从底层虚拟化,使我们能够在 不降级 CUDA驱动程序的情况下使用 任何版本的CU…

ES6中的class类 及 递归

es6 中的 class可以把它看成是 es5 中构造函数的语法糖,它简化了构造函数的写法,类的共有属性放到 constructor 里面 1. 通过 class 关键字创建类,类名需要定义首字母大写 2.类里面有个 constructor 函数,可以接受传递过来的参数…

音视频开发19 FFmpeg 视频解码- 将 h264 转化成 yuv

视频解码过程 视频解码过程如下图所示: ⼀般解出来的是420p FFmpeg流程 这里的流程是和音频的解码过程一样的,不同的只有在存储YUV数据的时候的形式 存储YUV 数据 如果知道YUV 数据的格式 前提:这里我们打开的h264文件,默认是YU…

储能逆变器测试负载箱是如何实现的

储能逆变器测试负载箱是专门用于模拟各种负载条件的设备,主要用于对储能逆变器进行性能测试和评估。它可以根据实际需求,模拟不同的负载类型、负载大小和负载变化率,从而为储能逆变器的设计和优化提供准确的数据支持。那么,储能逆…

vue3拖拉拽组件面板实现(二)使组件可放大缩小

安装 vue-drag-resize npm i vue-drag-resize 引用 import VueDragResize from "vue-drag-resize/src"; 将组件div改为VueDragResize&#xff0c;绑定 宽w 高h&#xff1b; <VueDragResizev-for"item in list":key"item.id"class"box&q…

【递归、搜索与回溯】搜索

搜索 1.计算布尔二叉树的值2.求根节点到叶节点数字之和3. 二叉树剪枝4.验证二叉搜索树5.二叉搜索树中第K小的元素6.二叉树的所有路径 点赞&#x1f44d;&#x1f44d;收藏&#x1f31f;&#x1f31f;关注&#x1f496;&#x1f496; 你的支持是对我最大的鼓励&#xff0c;我们一…

NLP--关键词

在去停用词后的文本中进行词频统计和关键词统计以及词云图显示&#xff0c;来进行文本的关键词提取&#xff0c;让人一目了然。 1.词频统计 统计文本中多次出现的词语&#xff0c;来寻找文章中的关键词&#xff0c;因为多次出现很可能就是关键内容。调用统计数量的Counter库和…

defineProps定义类型

1.props标注类型 原因&#xff1a;确保给组件传递的props是类型安全的 <script setup lang"ts"> //1.使用别名类型或者接口定义Props类型 type Props {name:stringage?:number } //2 使用defineProps注解类型 const props defineProps<Props>() <…

mysql如何处理无效数据

在 MySQL 中处理无效数据值是一个常见任务,可以通过多种方式进行,如使用条件更新、删除、替换或数据校验等。 1. 使用条件更新无效数据值 如果要将表中的无效数据值更新为某个默认值,可以使用 UPDATE 语句配合 WHERE 子句。例如,将负数改为零: UPDATE table_name SET c…

全年申报!2024年陕西省双软企业认定条件标准、申报好处费用

1.双软企业是什么? 答:双软认证并不是一个资质,而是"软件产品登记"和"软件企业认定"两个不同资质的统称.叫做"双软企业" 2.双软企业的优惠政策是什么? 答:(1)软件产品登记的优惠政策:软件产品增值税,从13%减按3%征收,实行即征即退; (2)软件…

BGP邻居长时间停留在Active排错思路

当邻居状态长时间停留在Active&#xff0c;首先应检查网络连通性&#xff0c;包括路由可达性、中间设备的ACL/Firewall规则、TCP端口179是否开放等。 使用网络监控工具或BGP调试命令&#xff08;如在Cisco设备上使用debug bgp events或debug tcp transactions&#xff09;可以…

vben:路由跳转和关闭当前页面

使用Vben admin框架开发前端&#xff0c;在tab页用到路由跳转和关闭当前页面的功能&#xff0c;代码如下。 按钮 <a-button ghost style"margin-right: 20px" click"closeNowTab">取消</a-button>实现代码 import { useGo } from //hooks/w…

Dubbo SPI(Service Provider Interface)机制深度解析

Dubbo SPI&#xff08;Service Provider Interface&#xff09;机制是Apache Dubbo框架中一项核心的技术组件&#xff0c;它超越了传统Java SPI的范畴&#xff0c;为Dubbo带来了高度的可扩展性和灵活性。在分布式服务架构日益复杂多变的今天&#xff0c;Dubbo SPI机制通过巧妙的…

Ansible语法与模块

目录 如何查询帮助 核心模块 社区和特定平台模块 其他常用模块 语法总结 Ansible 命令行工具 1. ansible 2. ansible-playbook 3. ansible-vault 4. ansible-galaxy 5.ansible-doc 6.ansible-config 7.ansible-pull 8.ansible-console 如何查询帮助 ansible-doc…

什么叫防御式编程

防御式编程是一种编程策略&#xff0c;主要目的是提高代码的健壮性和可靠性。它假设任何错误都可能发生&#xff0c;并且在设计和编写代码时采取预防措施以防止这些错误导致程序崩溃或产生错误结果。 以下是一些防御式编程的常见实践&#xff1a; 输入验证&#xff1a;总是验证…

2024Stable Diffusion WebUI详细使用指南

Stable Diffusion WebUI&#xff08;AUTOMATIC1111&#xff0c;简称A1111&#xff09;是一个为高级用户设计的图形用户界面&#xff08;GUI&#xff09;&#xff0c;它提供了丰富的功能和灵活性&#xff0c;以满足复杂和高级的图像生成需求。由于其强大的功能和社区的活跃参与&…