端到端文本验证码识别

发布时间：2020-03-22 01:26

【摘要】：验证码又称为全自动区分计算机和人类的图灵测试。目前,验证码在各类网站中,就是被用于区分恶意机器和合法人类用户的一层安全防御机制。网站中目前部署最多的验证码包括文本验证码、图像验证码,由于基于图像的验证码需要更大的带宽和更多的平台限制,所以文本验证码是目前验证码中部署应用最广泛的验证码。目前对于文本验证码的识别,大都还使用基于字符分割的识别算法,这种算法每识别一种验证码,就需要精心设计一个特定的分割算法,过程十分的繁琐,且不具备不同验证码之间的普适性。随着深度学习技术的逐渐成熟,问题就会产生:首先,是否存在一种算法,无需预处理和字符分割,就可以端到端的整体识别验证码,其次就是,该算法是否具有良好的通用性和高效性。本文对上述的两个问题进行了深入的研究和探讨,本文的主要研究工作分为以下两部分内容:(1)提出一个端到端单步识别验证码的通用算法。从最早期的简单无噪声的文本验证码相继被研究者们破解后,验证码形式就逐步的向复杂的、难以辨认的方向发展。验证码图像中包含了复杂的图片背景干扰、字符粘连、扭曲,字符与字符之间难以找到一个有效的分割方法,这些都会给整体识别验证码带来一定的困难,所以为了能够最终达到较高的通用性和高效性,本文结合深度卷积神经网络,提出一个整体识别验证码的算法,该算法只需将验证码原图作为输入,经过训练可以直接得到输出,免去了预处理的流程,这也是该算法最大的优势之一。(2)验证该算法的通用性和有效性。首先,在线上验证码上验证该算法。挑选谷歌、百度、Yandex、微软验证码,用该算法进行识别。同时还从全球网站点击量排名前50的网站中挑选出的8个网站,包括11种不同形式的验证码。对于线上验证码,破解率为79.0%到98.3%。其次,在模拟生成的验证码上评估本文提出的方法。本文设计了一个验证码的生成系统,并用该系统生成了多种复杂度高的验证码,其中包括组合所有抵御机制、中文大字符集、图像风格迁移、选择机制、双层机制的验证码等。识别准确率在3.31%到99.97%,识别速度在0.14秒内。实验结果表明该算法具有高效性和实时性。本文还提出了一个通用的模型,可以使用一个模型同时识别多种不同的验证码。最后,本文对未来文本验证码的设计上提供了新的方向和建议。
【图文】：

对比图,基本结构,对比图,权值

图2.2 CNN 和 RNN 的基本结构对比图经网络（RecurrentNeuralNetwork,RNN）是由 JeffreyElman 构与卷积神经网络（CNN）最大的区别在于，一个基础的 CNN将前一层的输出直接传入下一层。而 RNN 主要解决与时间序.2(b)所示，RNN 的基础结构比 CNN 多了一个循环，将该循环个在时间上也进行信息传递的神经网络，，随着时间的推移，入给 t 时刻，以此类推。介绍 RNN 的相关参数和公式。图 2.2(b)中的 U、V、W 分别指的权值、隐含层到输出层 o 的权值、隐含层自循环的权值。隐式(2-1)： = ( + + ) f为激励函数，b 为偏置。输出层的计算方式如式(2-2)表示：

基本结构,激励函数,输入门

图2.3 LSTM 的基本结构可以从改变激励函数或改变 RNN，该函数取值是 0 或 1，这样避免hort Term Memory Network，LST记忆的问题。M 的基本结构包含了输入门、忘记(2-4)表示，主要负责控制该时刻的是激励函数。表示现在的记忆刻 xt决定的，通过 tanh 激活后， = ( [ , ] + ) = tanh ( [ , ] + )(2-6)表示，主要负责控制上一时刻
【学位授予单位】：西安电子科技大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP391.41;TP309;TP393.092

【相似文献】