基于胶囊网络的验证码识别研究
发布时间：2021-07-06 19:49
网络在实际生活中广泛应用的时代背景下,近几年,骚扰电话、电信诈骗、套办他人信息做贷款等社会新闻,使人们逐渐意识到自己的个人信息已经毫无保留的暴露,使用网站时所用的个人信息的安全状况也愈发的引起了人们的关注。验证码的易生成、人容易识别而计算机不易识别的特性成为目前用来维护网站信息安全的重要技术手段,但仍然无法阻挡不法分子贩卖个人信息、获取网站指定内容从而谋取暴利,通过对网站登录时给出的验证码图片进行机器识别成为了突破网站获取信息的技术手段。为了解当前网站使用的验证码在现阶段的技术手段下的安全系数,衡量网站当前使用的验证码在面对机器攻击时的能力,更好的保障网络信息安全,验证码识别也成为了网站自查的重要技术,从而为进一步提升当前验证码的复杂度,提升验证码的抗攻击能力打下基础。目前验证码识别任务已经出现了多种算法,其中神经网络的端到端学习模式得到了广泛关注。在利用传统的神经网络进行验证码识别时,针对该任务的数据过少,同时单张图片包含的标签数目更多,根据网络自身的结构,一方面需要大量的训练数据学习特征表达,另一方面神经元节点包含的标量数据储存的信息过少,池化层也使得层与层之间的大量信息流失,导致...
【文章来源】：吉林大学吉林省 211工程院校 985工程院校 教育部直属院校
【文章页数】：42 页
【学位级别】：硕士
【部分图文】：
-1非人脸图片与正常的人脸图片
图 2-3-1 非人脸图片与正常的人脸图片抓取眼鼻口耳等关键特征信息，所以对于神经网来说，图 2-2-1 中的两张图都是人脸。而我们明确知道人脸的五官应该在人脸的大概分布位置，即部分和整体之间应该存在一定的空间结构，所以我们在考虑空间结构的信息下知道图 2-2-1 中左侧图并不包含人脸。人眼在识别物体的时候，在知道物体的类别的情况下还会考虑部分和整体的空间结构关系并能感知到物体的角度位置，因此如何使神经网络学习物体关键特征之间的空间关系，是当前神经网络面临的难题。虽然在问题没有解决的当下，神经网络的优秀表现仍让人们不断的尝试在各个领域进行研究与使用，然而如何使网络学习到合理的三维信息结构、如何改善网络的大数据覆盖学习现状，都是当前的主要问题。虽然神经网络的优秀表现让人一度忽视其内部存在的问题，但依然有人在解决
图 3-2-1 胶囊的路由算法运算流程近聚类中心的数据会增大其传递给聚类中心的信息占比，反之则会减影响下次聚类中心的位置。所以整个聚类的过程实际上是不断获取与一致 (与聚类中心的距离更小的) 的那些数据信息，并且一致程度越高量影响聚类中心的程度越大，从而达到分类的目的。图 3-2-1 展示了由算法的运算流程，其中 l 层假设共包含 kl个胶囊。 3-2-2 展示了原始胶囊网络的网络结构，图 3-2-3 给出网络的可视化框含三层，对输出计算损失。胶囊网络的层与层之间舍弃一般的池化层由算法进行层与层之间的信息传递。第一层保留卷积层，用以获取输。第二层称为主胶囊层，由包含 32 个通道的卷积 8D 胶囊组成。第一利用卷积操作进行预测，经过卷积得到 256x6x6 的数据，之后通过重
【参考文献】：
期刊论文
[1]基于广义霍夫变换的粘连字符验证码的识别[J]. 汪志华. 集美大学学报(自然科学版). 2018(01)
[2]基于深度卷积神经网络AlexNet的验证码识别研究[J]. 于鹏. 通讯世界. 2018(01)
[3]卷积神经网络在验证码识别上的应用与研究[J]. 刘欢,邵蔚元,郭跃飞. 计算机工程与应用. 2016(18)
[4]一种SVM验证码识别算法[J]. 殷光,陶亮. 计算机工程与应用. 2011(18)
[5]验证码的识别与改进[J]. 黄赛平,许明. 南京师范大学学报(工程技术版). 2009(02)
硕士论文
[1]扭曲粘连字符验证码识别技术研究[D]. 安改换.上海应用技术大学 2016
本文编号：3268866
【文章来源】：吉林大学吉林省 211工程院校 985工程院校 教育部直属院校
【文章页数】：42 页
【学位级别】：硕士
【部分图文】：
-1非人脸图片与正常的人脸图片
图 2-3-1 非人脸图片与正常的人脸图片抓取眼鼻口耳等关键特征信息，所以对于神经网来说，图 2-2-1 中的两张图都是人脸。而我们明确知道人脸的五官应该在人脸的大概分布位置，即部分和整体之间应该存在一定的空间结构，所以我们在考虑空间结构的信息下知道图 2-2-1 中左侧图并不包含人脸。人眼在识别物体的时候，在知道物体的类别的情况下还会考虑部分和整体的空间结构关系并能感知到物体的角度位置，因此如何使神经网络学习物体关键特征之间的空间关系，是当前神经网络面临的难题。虽然在问题没有解决的当下，神经网络的优秀表现仍让人们不断的尝试在各个领域进行研究与使用，然而如何使网络学习到合理的三维信息结构、如何改善网络的大数据覆盖学习现状，都是当前的主要问题。虽然神经网络的优秀表现让人一度忽视其内部存在的问题，但依然有人在解决
图 3-2-1 胶囊的路由算法运算流程近聚类中心的数据会增大其传递给聚类中心的信息占比，反之则会减影响下次聚类中心的位置。所以整个聚类的过程实际上是不断获取与一致 (与聚类中心的距离更小的) 的那些数据信息，并且一致程度越高量影响聚类中心的程度越大，从而达到分类的目的。图 3-2-1 展示了由算法的运算流程，其中 l 层假设共包含 kl个胶囊。 3-2-2 展示了原始胶囊网络的网络结构，图 3-2-3 给出网络的可视化框含三层，对输出计算损失。胶囊网络的层与层之间舍弃一般的池化层由算法进行层与层之间的信息传递。第一层保留卷积层，用以获取输。第二层称为主胶囊层，由包含 32 个通道的卷积 8D 胶囊组成。第一利用卷积操作进行预测，经过卷积得到 256x6x6 的数据，之后通过重
【参考文献】：
期刊论文
[1]基于广义霍夫变换的粘连字符验证码的识别[J]. 汪志华. 集美大学学报(自然科学版). 2018(01)
[2]基于深度卷积神经网络AlexNet的验证码识别研究[J]. 于鹏. 通讯世界. 2018(01)
[3]卷积神经网络在验证码识别上的应用与研究[J]. 刘欢,邵蔚元,郭跃飞. 计算机工程与应用. 2016(18)
[4]一种SVM验证码识别算法[J]. 殷光,陶亮. 计算机工程与应用. 2011(18)
[5]验证码的识别与改进[J]. 黄赛平,许明. 南京师范大学学报(工程技术版). 2009(02)
硕士论文
[1]扭曲粘连字符验证码识别技术研究[D]. 安改换.上海应用技术大学 2016
本文编号：3268866
本文链接：https://www.wllwen.com/kejilunwen/ruanjiangongchenglunwen/3268866.html
