[发明专利]基于神经网络的验证码识别方法、系统及计算机设备

权利要求书

1.一种基于神经网络的验证码识别方法，其特征在于，所述方法包括：

获取目标网页中的验证码图片；

通过二维卷积模块对所述验证码图片进行卷积操作，以得到n个二维卷积特征图；

将所述n个二维卷积特征图转换为n个一维卷积特征图；

通过一维卷积模块对n个一维卷积特征图进行卷积操作，以得到被所述一维卷积模块处理后的n个一维卷积特征图；

将所述n个一维卷积特征图依次输入到第一全连接层、第一分类器中，以输出第一预测向量；

将被所述一维卷积模块处理后的n个一维卷积特征图依次输入到第二全连接层、第二分类器中，以输出第二预测向量；及

基于所述第一预测向量和所述第二预测向量，计算得到最终预测结果。

2.根据权利要求1所述的基于神经网络的验证码识别方法，其特征在于，所述二维卷积模块包括依次连接的：输入层、Lambda层和多个二维卷积层组合，各个二维卷积层组合依序连接，且每个二维卷积层组合包括：两个卷积支路以及与该两个卷积支路连接的合并层，每个卷积支路包括依次连接的：二维卷积层、第一Batch Normalization层、LeakyReLU层、Depthwise二维卷积层、第二Batch Normalization层、LeakyReLU层、二维卷积层和第三Batch Normalization层。

3.根据权利要求2所述的基于神经网络的验证码识别方法，其特征在于，

通过二维卷积模块对所述验证码图片进行卷积操作，以得到n个二维卷积特征图的步骤，包括：

S1：通过输入层输入所述验证码图片，并通过Lambda层将所述验证码图片切分为两张特征图，切分后的每张特征图的尺寸为(高度H/2)x宽度x通道数；

S2：将两张特征图输入到与所述Lambda层连接的第i二维卷积层组合中，得到叠加后的多个第i卷积特征图，i初始值为1；

S3：将所述多个第i卷积特征图切分为两组卷积特征图，每组卷积特征图分别包括多个切分卷积特征图；

S4：将所述多个第i卷积特征图中的两组卷积特征图对应输入到所述第i二维卷积层组合的下一个二维卷积层组合中，通过该下一个二维卷积层组合输出多个第i+1卷积特征图；

S5：将该多个第i+1卷积特征图重复执行S3和S4直至得到H为1的n个二维卷积特征图。

4.根据权利要求3所述的基于神经网络的验证码识别方法，其特征在于，所述一维卷积模块包括依次连接的：一维卷积层、多个一维卷积层组合、后置合并层；相邻的两个一维卷积层组合之间配置有中间合并层，中间合并层用于将与之输入端连接的一维卷积层组合的输出和输入进行合并操作，所述中间合并层的输出作为与之输出端连接的一维卷积层组合的输入；所述后置合并层用于将随后一个一维卷积层组合的输出以及各个中间合并层的输出进行合并操作；其中，每个一维卷积层组合包括依次连接的：一维空洞卷积层、激活层、Lambda层、spatial dropout层、组内一维卷积层。

5.一种基于神经网络的验证码识别系统，其特征在于，包括：

获取模块，用于获取目标网页中的验证码图片；

第一卷积模块，用于通过二维卷积模块对所述验证码图片进行卷积操作，以得到n个二维卷积特征图；

转化模块，用于将所述n个二维卷积特征图转换为n个一维卷积特征图；

第二卷积模块，用于通过一维卷积模块对n个一维卷积特征图进行卷积操作，以得到被所述一维卷积模块处理后的n个一维卷积特征图；

第一输出模块，用于将所述为n个一维卷积特征图依次输入到第一全连接层、第一分类器中，以输出第一预测向量；

第二输出模块，用于将被所述一维卷积模块处理后的n个一维卷积特征图依次输入到第二全连接层、第二分类器中，以输出第二预测向量；及

预测模块，用于基于所述第一预测向量和所述第二预测向量，计算得到最终预测结果。