Keras（Tensorflow后端）实现的一个多层CNN网络，用于获取Natapp随机生成的网址。
系统：Ubuntu 18.04
框架：Keras
后端：Tensorflow
GPU：GeForce GTX 1060 6GB
NATAPP是基于ngrok的国内高速内网穿透服务。NATAPP提供免费隧道，用来做微信公众号的后台很好。NATAPP运行效果如下图所示。蓝色下划线标注部分为外网地址，红色下划线标注部分为随机生成的6个字符。随机分配的字符（红色下划线部分），每隔大约48小时就改变一次。所以用的时候总得盯着它改变，变了以后得及时在微信公众号后台更新地址。
图1. NATAPP窗口
因此，想到了将窗口截图，然后利用卷积神经网络进行字符识别。当监控到地址改变后再利用python模拟登录微信公众号的后台更新地址。这样除了识别字符出现错误，基本就不用操心了。本项目只包括CNN识别地址的部分，模拟登陆微信后台部分不包括。
gen_link.py: 用于生成训练和测试数据，根据我终端窗口的字体和字号生成图片。图片内容为6位随机字母和数字。字体为MONACO，字号19。可以根据你的系统情况加以更改。
train.py: 构建CNN网络模型，利用生成的训练数据对模型进行训练，保存训练好的模型。
test_model.py:用来测试训练好模型的准确度。
my_model_architectrue.json:模型结构文件。
my_model_weights.h5:模型权重文件。
MONACO.TTF：monaco字体文件。
模型组成为：一个输入层输入60x160的灰度图片，一个32核心的卷基层（卷积核为5x5，步长2x2），一个池化层（池化核2x2，步长2x2），一个64核心的卷基层（卷积核为5x5），一个池化层（池化核2x2），再接一个64核心的卷基层（卷积核为5x5），一个池化层（池化核2x2），之后为一个2160个神经元组成的全连接层，最后输出层为216个神经元。模型结构如下图所示，图中省略了池化和dropout。
图2. 多层CNN结构图
训练数据集为的60000个图片，测试数据为10000个图片，损失函数选择交叉熵损失函数。随机梯度下降batch大小为1000。每10个epochs判断一下识别精度，当训练数据精度达到99.5%以上并且在测试数据上的精度达到99.9%以上后停止训练。在我的系统上训练大约持续了1小时左右。
截取窗口图片，然后利用训练好的模型识别地址。截取窗口图片的代码windows和linux系统下不太一样，这里不赘述。主要思路是截图，将图片喂给模型，模型输出地址。代码如下：
# -*- coding: utf-8 -*-
from keras import backend as K
from keras.models import model_from_json
import numpy as np
K.set_image_dim_ordering('tf')
IMAGE_HEIGHT = 60
IMAGE_WIDTH = 160
def convert2gray(img):
if len(img.shape) > 2:
gray = np.mean(img, -1)
return gray
else:
return img
def vec2text(vec):
char_pos = vec.nonzero()[0]
if char_pos.shape[0]!=6:
#print(vec)
#print(char_pos)
return '######'
text=[]
for i in range(MAX_link):
char_index = char_pos[i]-36*i
if char_index >36:
return '******'
else:
char = charlist[char_index]
text.append(char)
return "".join(text)
def binoutput(vec):
bvec = np.zeros(MAX_link*CHAR_SET_LEN)
for m in range(MAX_link):
temp = vec[m*36:(m+1)*36]
maxindex = np.where(temp==temp.max())[0][0]
#print(maxindex)
bvec[maxindex+m*36] = 1
return bvec
def crack_link(link_image):
# load model
json_file = open('my_model_architecture.json', 'r')
loaded_model_json = json_file.read()
json_file.close()
model = model_from_json(loaded_model_json)
model.load_weights('my_model_weights.h5')
x = np.zeros([1, IMAGE_HEIGHT, IMAGE_WIDTH])
x[0,:] = link_image
x = x.reshape(x.shape[0], IMAGE_HEIGHT, IMAGE_WIDTH, 1).astype('float32')
x = x / 255
result = model.predict(x)
result = binoutput(result[0])
char_result = vec2text(result)
return char_result
def getpic(title)
#这里是实现窗口截图的代码，参数title应为窗口名称
#注意截图只截取图1红色下划线标注部分
im=getpic('window_name')
address = 'http://'+crack_link(im)+'.natappfree.cc'