[发明专利]一种字符验证码识别的深度学习方法及装置

说明书

技术领域

本发明涉及一种字符识别方法，更具体的，涉及一种字符验证码识别的深度学习方法及装置。

背景技术

验证码（CAPTCHA）是一种反向图灵测试技术，常在网站中用于区分人类用户和计算机程序，防止破解密码，刷票，或者是论坛灌水等恶意行为，可以有效保障网站的安全和正常运行。验证码的设计，是利用了人类对于物体、字符的识别极其容易但是对计算机却非常困难的特点。验证码的识别，是人工智能领域一个重要的研究课题。研究验证码的破解方法，可以用来检测验证码安全性，也可以对网站验证码设计者有很大的借鉴作用。

验证码有很多形式，但是最常见的是字符型验证码，即一些随机产生的中英文字符，在旋转和扭曲后，加上一些随机线和噪声点背景的扰动，生成验证码图片。因为验证码的图片和正常的文字图片相比，已经发生了严重的扭曲，所以一般的光学字符识别软件很难正常识别出来其中的文字。

一般的验证码识别流程，如文献[Shujun Li, Roland Schmitz. Breaking e-banking CAPTCHAs. Proceedings of 26th Annual Computer Security Applications Conference ACSAC 2010] 中提到的方法，可以大致分为预处理，定位，切分和识别四个步骤。用二值化，背景去噪，去干扰线算法等一系列预处理工作，是为了得到更清晰的图片，便于后续的流程。定位操作是把字符从图片中找出来，切分则是把连续的序列字符，切分成单一的字符，识别则是针对每个单一的字符识别，可以转换成机器学习中的分类任务。如果是传统的分类器，如支持向量机，则还要多一个对图片的特征提取工作。

上述论文中的方法，造成识别率的瓶颈主要是单字切分这一步。由于人工智能技术的发展，简单的验证码很容易被破解，因此验证码的设计也越来越复杂，其中最常见的就是字符之间存在着严重的笔画粘连。如果用简单的垂直投影切分算法，则无法很好地切分出粘连的两个单字符，其他基于切分点的方法又复杂而效果难以尽如人意。此外，把验证码的识别分成独立的单字符来识别，在如中文成语这种带有语义的验证码识别中，就会丢失上下文信息。这些缺点都会很大程度上影响最终的识别效果。

发明内容

本发明的目的，就是为了构建一种把定位、切分和识别结合起来的端到端（End-to-End）的深度学习方法，即直接输入图片，系统会预测整个图片中的序列字符结果。通过有监督训练的方法，训练一个卷积神经网络（Convolutional Neural Network）来做特征提取，用多个联合的Softmax分类器做识别。 较之以前传统的方法，该方法模型搭建简单，准确率也大大提升，且因为是端到端的训练方法，不同的验证码识别思路基本相同，而不需要像原来那样针对性地重新寻找破解思路。

为实现上述目的，本发明提供了一种字符验证码识别的深度学习方法，该方法包括如下步骤：

步骤1，利用有标注标签的数据训练集来训练模型；

步骤2，用训练好的模型来预测新的验证码图片中的文字；

其中，步骤1还包括训练集的收集、模型训练的粒度和交叉验证过程。

更具体的，所述步骤1中所述训练集的收集具体包括：

若深度学习需要大量的有标注数据，则利用爬虫程序，在网站获取若干验证码样本，用打码平台的众包服务标注数据；

若需要的样本数不多，则手动标注数据。

更具体的，所述模型训练的粒度具体包括：粗粒度式地从头训练模型或者在训练好的模型基础上进行精细调参。

更具体的，所述交叉验证具体包括：

通过交叉验证的方法选出最优的一个超参组合，所述超参是指深度学习的超参，包括学习率，权重衰减指数，Dropout概率等。

更具体的，所述步骤1中利用有标注的数据来训练模型具体包括：

将所述有标注标签的数据训练集图片输入到卷积神经网络（CNN）中；

对所述图片进行特征提取；

将提取出的所述特征输入到输出变量模型中进行训练，得出最优的超参组合。

根据本发明的另一方面，还提供了一种字符验证码识别的深度学习装置， 该装置包括：

模型训练模块，利用有标注标签的数据训练集来训练模型；

预测模块，用训练好的模型来预测新的验证码图片中的文字；

其中，模型训练模块还包括训练集收集模块、模型训练的粒度模块和交叉验证模块。

更具体的，所述训练集收集模块具体用于：