發(fā)布時間：2020-03-22 01:26

【摘要】：驗證碼又稱為全自動區(qū)分計算機和人類的圖靈測試。目前,驗證碼在各類網站中,就是被用于區(qū)分惡意機器和合法人類用戶的一層安全防御機制。網站中目前部署最多的驗證碼包括文本驗證碼、圖像驗證碼,由于基于圖像的驗證碼需要更大的帶寬和更多的平臺限制,所以文本驗證碼是目前驗證碼中部署應用最廣泛的驗證碼。目前對于文本驗證碼的識別,大都還使用基于字符分割的識別算法,這種算法每識別一種驗證碼,就需要精心設計一個特定的分割算法,過程十分的繁瑣,且不具備不同驗證碼之間的普適性。隨著深度學習技術的逐漸成熟,問題就會產生:首先,是否存在一種算法,無需預處理和字符分割,就可以端到端的整體識別驗證碼,其次就是,該算法是否具有良好的通用性和高效性。本文對上述的兩個問題進行了深入的研究和探討,本文的主要研究工作分為以下兩部分內容:(1)提出一個端到端單步識別驗證碼的通用算法。從最早期的簡單無噪聲的文本驗證碼相繼被研究者們破解后,驗證碼形式就逐步的向復雜的、難以辨認的方向發(fā)展。驗證碼圖像中包含了復雜的圖片背景干擾、字符粘連、扭曲,字符與字符之間難以找到一個有效的分割方法,這些都會給整體識別驗證碼帶來一定的困難,所以為了能夠最終達到較高的通用性和高效性,本文結合深度卷積神經網絡,提出一個整體識別驗證碼的算法,該算法只需將驗證碼原圖作為輸入,經過訓練可以直接得到輸出,免去了預處理的流程,這也是該算法最大的優(yōu)勢之一。(2)驗證該算法的通用性和有效性。首先,在線上驗證碼上驗證該算法。挑選谷歌、百度、Yandex、微軟驗證碼,用該算法進行識別。同時還從全球網站點擊量排名前50的網站中挑選出的8個網站,包括11種不同形式的驗證碼。對于線上驗證碼,破解率為79.0%到98.3%。其次,在模擬生成的驗證碼上評估本文提出的方法。本文設計了一個驗證碼的生成系統(tǒng),并用該系統(tǒng)生成了多種復雜度高的驗證碼,其中包括組合所有抵御機制、中文大字符集、圖像風格遷移、選擇機制、雙層機制的驗證碼等。識別準確率在3.31%到99.97%,識別速度在0.14秒內。實驗結果表明該算法具有高效性和實時性。本文還提出了一個通用的模型,可以使用一個模型同時識別多種不同的驗證碼。最后,本文對未來文本驗證碼的設計上提供了新的方向和建議。
【圖文】：

圖2.2 CNN 和 RNN 的基本結構對比圖經網絡（RecurrentNeuralNetwork,RNN）是由 JeffreyElman 構與卷積神經網絡（CNN）最大的區(qū)別在于，一個基礎的 CNN將前一層的輸出直接傳入下一層。而 RNN 主要解決與時間序.2(b)所示，RNN 的基礎結構比 CNN 多了一個循環(huán)，將該循環(huán)個在時間上也進行信息傳遞的神經網絡，，隨著時間的推移，入給 t 時刻，以此類推。介紹 RNN 的相關參數(shù)和公式。圖 2.2(b)中的 U、V、W 分別指的權值、隱含層到輸出層 o 的權值、隱含層自循環(huán)的權值。隱式(2-1)： = ( + + ) f為激勵函數(shù)，b 為偏置。輸出層的計算方式如式(2-2)表示：

圖2.3 LSTM 的基本結構可以從改變激勵函數(shù)或改變 RNN，該函數(shù)取值是 0 或 1，這樣避免hort Term Memory Network，LST記憶的問題。M 的基本結構包含了輸入門、忘記(2-4)表示，主要負責控制該時刻的 是激勵函數(shù)。 表示現(xiàn)在的記憶刻 xt決定的，通過 tanh 激活后， = ( [ , ] + ) = tanh ( [ , ] + )(2-6)表示，主要負責控制上一時刻
【學位授予單位】：西安電子科技大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：TP391.41;TP309;TP393.092

【相似文獻】

相關期刊論文 前10條

1 朱麟;;字符分割技術的研究與應用[J];科技展望;2016年34期

2 梁永貴;林江莉;陳科;;車牌圖像中字符分割方法[J];微計算機信息;2009年34期

3 張玉林;張永華;;基于自組織映射神經網絡的粘連字符分割[J];山東科技大學學報(自然科學版);2006年02期

4 顧弘;趙光宙;齊冬蓮;孫峗;張建良;;車牌識別中先驗知識的嵌入及字符分割方法[J];中國圖象圖形學報;2010年05期

5 馬瑞;楊靜宇;;一種利用灰度信息和二值信息的手寫字符分割[J];計算機工程;2007年15期

6 趙海燕,白青海,裴志利;車牌字符分割前的顏色預處理[J];內蒙古民族大學學報(自然科學版);2004年02期

7 楊玉東;李莉;高云富;曲曉威;林琳;楊茜;白鵬輝;王瑜;;兩種文本類型驗證碼字符分割提取方法[J];北華大學學報(自然科學版);2019年01期

8 周鳳香;;一種新的表格字符分割算法的研究與實現(xiàn)[J];數(shù)字技術與應用;2016年03期

9 李文舉;姜周恩;朱正強;崔曉松;;利用反饋的車牌字符分割算法[J];計算機應用與軟件;2011年04期

10 王枚;王國宏;;基于伴生與互補顏色特征的車牌字符分割新方法[J];山東大學學報(工學版);2007年01期

相關會議論文 前3條

1 李冬梅;牛長流;;運動車輛的牌照識別[A];2009通信理論與技術新發(fā)展——第十四屆全國青年通信學術會議論文集[C];2009年

2 胡偉平;王日鳳;;基于閾值分割與區(qū)域生長的車牌識別方法[A];廣西計算機學會2015年學術年會論文集[C];2015年

3 楊焯硯;徐益君;張俊如;;車牌識別算法的研究和實現(xiàn)[A];2009年中國高校通信類院系學術研討會論文集[C];2009年

相關博士學位論文 前5條

1 馬瑞;非限制手寫字符分割中相關技術與算法的研究[D];南京理工大學;2007年

2 李學勇;金屬標牌壓印凹凸字符的特征提取和識別方法研究[D];山東大學;2008年

3 陳為;基于變化方向光源的壓印立體字符分割方法的研究[D];山東大學;2013年

4 陳振學;基于特征顯著性的目標識別方法及其應用研究[D];華中科技大學;2007年

5 李波;基于圖像分析的車輛識別與跟蹤若干關鍵技術研究[D];華中科技大學;2011年

相關碩士學位論文 前10條

1 佘爽;對抗生成訓練樣本用于復雜環(huán)境下車牌端到端識別[D];廣東工業(yè)大學;2019年

2 陽光;基于支持向量機和深度學習的車牌識別技術研究[D];成都理工大學;2019年

3 宋琦悅;扭曲粘連驗證碼識別算法研究[D];西安電子科技大學;2019年

4 程舟航;端到端文本驗證碼識別[D];西安電子科技大學;2019年

5 黃良俊;復雜環(huán)境下的車牌識別算法研究[D];合肥工業(yè)大學;2019年

6 翁祖輝;單指針與數(shù)字式儀表遠程讀數(shù)識別定位研究[D];電子科技大學;2019年

7 林惠;基于深度學習的芯片字符實時識別方法研究[D];華中科技大學;2019年

8 駱俊;復雜條件下車牌識別方法的研究與實現(xiàn)[D];西南石油大學;2018年

9 阿薩（Asad Khan）;基于彩色圖像檢測的車牌自動分割與識別[D];北京郵電大學;2019年

10 劉潔;實時車牌識別系統(tǒng)的設計與實現(xiàn)[D];山東大學;2019年

本文編號：2594239