[发明专利]一种验证码识别方法及装置

权利要求书

1.一种验证码识别方法，应用于验证码识别装置，其特征在于，包括：

将具有标记的样本图像输入卷积神经网络模型，对所述卷积神经网络模型进行训练；其中，所述卷积神经网络模型中包含用于对卷积后的特征信息的特征值进行规范化处理的规范化层，且训练后的卷积神经网络模型中卷积的权重数量小于等于标准卷积神经网络模型中卷积的权重数量，提取的图像的特征信息的特征值处于预设范围内；

将待识别的验证码图像输入训练后的所述卷积神经网络模型，获得所述待识别的验证码图像的识别结果，所述识别结果用于指示所述验证码图像中包括的至少一个验证码字符。

2.如权利要求1所述的方法，其特征在于，将具有标记的样本图像输入卷积神经网络模型，对所述卷积神经网络模型进行训练，包括：

按照训练规定样本数量将具有标记的样本图像分批输入卷积神经网络模型进行训练；

确定训练次数达到预设次数，计算每批次样本图像的平均损失率和正确率，所述正确率用于表征预测值与标注值相匹配的概率，所述损失率用于表征样本识别失败的数量；

确定所述正确率高于设定值，记录所述卷积神经网络模型当前的训练参数。

3.如权利要求2所述的方法，其特征在于，在确定所述正确率高于设定值，记录所述卷积神经网络模型当前的训练参数之后，将待识别的验证码图像输入训练后的所述卷积神经网络模型之前，所述方法还包括：

将测试样本集输入训练后的所述卷积神经网络模型，确定每个测试样本的测试结果；

将每个测试结果与相应的测试样本的标注进行匹配，确定所述匹配度大于等于预设匹配度。

4.如权利要求1所述的方法，其特征在于，所述将待识别的验证码图像输入训练后的所述卷积神经网络模型，获得所述待识别的验证码图像的识别结果，包括：

将所述待识别的验证码图像输入训练后的所述卷积神经网络模型，提取所述待识别的验证码图像的至少两个特征信息；

对所述至少两个特征信息的特征值进行规范化处理，使得所述规范化处理后的至少两个特征信息的特征值处于预设范围内；

根据处理后的至少两个特征信息确定所述待识别的验证码图像的识别结果。

5.如权利要求4所述的方法，其特征在于，根据处理后的至少两个特征信息确定所述待识别的验证码图像的识别结果，包括：

根据需要提取的验证码图像中的字符数量对处理后的至少两个特征信息进行多任务分类，获取所述验证码图像的识别结果。

6.一种验证码识别装置，其特征在于，包括：

字符集数据模块，用于设置输入的验证码图像的字符数量，并对将输入的验证码图片进行预处理，所述预处理包括尺寸调整和灰度转换，且预处理后的验证码图片具有预设的像素尺寸；

训练模块，用于按照训练规定样本数量将具有标注的样本图像分批输入卷积神经网络模型，对所述卷积神经网络模型进行训练；其中，训练后的所述卷积神经网络模型能够识别具有特定特征的验证码，所述卷积神经网络模型包含用于对卷积后的特征信息的特征值进行规范化处理的规范化层；

识别模块，用于将待识别的验证码图像输入训练后的所述卷积神经网络模型，获得所述待识别的验证码图像的识别结果，所述识别结果用于指示所述验证码图像中包括的至少一个验证码字符。

7.如权利要求6所述的装置，其特征在于，所述字符集数据模块还用于：

根据样本图像中的字符数量设置所述卷积神经网络模型需要识别的字符数量，并对将待识别的验证码图片进行预处理，所述预处理包括尺寸调整和灰度转换，且预处理后的验证码图片具有预设的像素尺寸。

8.如权利要求7所述的装置，其特征在于，所述验证码识别装置还包括：

测试模块，与所述训练模块相连，用于在确定所述训练模块针对所述卷积神经网络模型的训练次数达到预设次数时，通过具有标识的样本图像对所述卷积神经网络模型进行测试，且在确定测试结果的正确率高于设定值时，记录所述卷积神经网络模型当前的训练参数和模型；其中，所述正确率用于表征样本图像的预测值与标注的值相匹配的概率。