基于神经网络的数字验证码识别研究

验证码是网络上普遍采用的一种用于真人交互证明的有效方法.对验证码识别的研究有助于解决硬人工智能问题,促进人工智能领域的进步.现有的研究多是针对一种验证码,通过多种方法进行识别.这类方法对先验知识的依赖很大,识别方法对其他验证码不一定有效,或者需要大量调整来适应新的验证码.为了研究验证码识别算法的适应性问题,通过选取多个具有代表性的网站的验证码图像,基于分割法和Hopfield神经网络进行分析和试验,取得了较好的试验结果.试验结果表明:利用字符图像灰度信息和Hopfield网络可以有效的对可分割的验证码进行分类识别,算法有一定的适应性,并且仅需字符图像的灰度信息既可适应新的验证码,对先验知识的依赖少.     

基于深度学习的验证码识别

验证码被广泛应用于网络环境中对人和计算机行为进行区分,能有效防止自动化脚本的恶意入侵。针对验证码识别问题提出基于深度神经网络的验证码特征提取和识别方法。将灰度化的验证码图像直接作为输入,通过构建7层卷积神经网络对字符由低级到高级的特征表达,并选取Relu函数为非线性激励函数,对验证码图片进行字符特征提取与验证码的识别。采用人工智能深度学习框架Tensorflow对卷积神经网络模型进行训练,通过验证码数据集进行测试。测试结果表明,该模型能有效识别不同复杂程度的验证码,并具有较好的鲁棒性与泛化能力。     

基于MODI的验证码识别系统设计与实现

从验证码识别的角度设计并采用VC实现了一种检验验证码安全性的方法。该方法首先对验证码图片进行灰度化、二值化、字符分割、重新排版等预处理,然后调用微软MODI组件完成对验证码图片的识别。通过对多个不同网站批量的验证码图片进行识别,表明该系统对于字符规整易于分割的验证码图片具有较好的识别效果。     

“有效行”特征对手写体字符的识别

从无限制的手写体数字的结构出发,提出"有效行"特征的概念及其提取算法。该特征具有维数小、平移不变、字符小角度旋转不变等特点。建立了相应的字符特征库,利用BP网络对样本字符进行研究,通过大量的手写体数字识别测试表明:该方法在识别速度上优于利用单一的矩特征、小波特征等传统识别方法;在误识率方面也优于一般的单一识别方法。     

基于卷积神经网络的验证码识别

针对传统验证码识别受字符分割限制的问题,将卷积神经网络应用到验证码的特征分析和识别中。使用验证码图像整体作为输入,对传统的LeNet-5的网络结构进行改进,构建一种端到端的卷积神经网络对图像由低级到高级逐层提取图像特征,选取ReLU作为激活函数,实现对验证码的识别。实验过程中设置对照组,研究不同因素对识别准确率的影响。测试结果显示,该模型能够进行端到端的识别,避免了字符分割方法流程过多导致的不足,在测试集上达到99%的识别率。结果表明训练次数的增加以及学习率的优化有助于提高卷积神经网络的准确率。     

字符验证码识别技术的研究

研究基于字符的验证码,即采用一连串的数字或字符随机产生一定长度的字符组合,再加上不同程度的干扰信息,最终生成一幅图片。只有用户正确的判别出里面的内容,才有资格使用该网站提供的某项特定功能。通过对当前验证码自动识别技术的深入研究,充分发现当前的验证码识别系统的不足之处,提出了完善的改进思路和方法,提高了验证码识别的难度和识别的效率,从而更好的维护网络安全。重点研究了用于字符识别的BP神经网络、卷积神经网络,具有一定的理论和实际价值。     

验证码的识别与改进

针对因特网安全防范中验证码的普遍使用,讨论了验证码的功能原理、常用的识别方法,选取了部分网站干扰不同的验证码进行了分割、识别实验.结果表明：互联网上有相当多的验证码不能有效地保证系统的安全.提出一种验证码的改进方法,该方法程序简单,产生的新验证码可以提高识别难度和降低破解的准确率,具有一定的推广价值.最后给出了验证码设计的建议.     

一种基于不变矩和最小范数分类的图像识别方法的研究

图像识别与理解技术是一种应用广泛的人工智能和计算机视觉技术.基于视频图像的自动报警监控系统是一个非常有意义的研究领域,同传统的自动报警装置相比,其既可以防止误报,又可以防止漏报,还可以做到只记录有害异物入侵时的信息而不记录其它冗余信息,克服了传统报警装置的缺陷.特别是在无人值守或人不宜值守的场合,图像自动报警系统更显示出了极大的优越性.实现图像报警的关键是准确地进行异物识别.提出了一种基于不变矩(矩不变量)和最小范数分类识别异物入侵的一种方法.矩不变量不随图像平移、旋转和大小比例变化而改变,利用矩不变量的方法可以有效识别各类形状的物体和图形,解决了文献上仅利用异物面积大小来判断异物是否有害的方法所不能解决的图像面积和异物到摄像头距离有关的缺陷.矩的方法可以非常有效地判断具有固定形状的各类物体和图形,这些物体的共同特征是形状固定.提出了基于矩不变量的利用泛函分析中的有关理论对形状不固定的事物进行识别的方法.实例证明,该识别方法非常有效.     

重轨生产线钢坯字符识别方法

针对重轨生产线钢坯支支跟踪的需求,研究了一种基于计算机视觉的钢坯字符识别方法.该识别方法对在线采集到的钢坯字符图像采用基于最大类间方差的多级分割滤波与聚类处理突出字符目标区域,从而精准定位出钢坯字符;采用基于智能多代理者的切分算法来完成钢坯字符的精确切分;采用模板匹配与结构特征识别相结合的多级识别方法来正确识别出钢坯字符.实验结果表明所提出的算法能正确快速地识别出钢坯号字符.     

基于模糊聚类与RBF网络集成分类器的验证码识别

针对粘连字符验证码识别率低的问题,提出了一种基于模糊聚类和径向基神经网络的动态集成分类器.该分类器采用分割和识别反馈动态结合的思想,首先通过模糊聚类算法对字符进行特征提取,将其作为RBF神经网络的输入,然后网络依据识别置信度和字符特征隶属度进行特征节点的动态选择,最后通过实验进行了算法有效性和识别率的验证.与其他算法的对比实验进一步表明,该方法体现了整体优先,细节补偿的思想,能够充分利用训练样本集的信息,改进了低质量字符识别率不高的问题.