[发明专利]一种混合型验证码的识别方法及系统

说明书

本发明公开了一种混合型验证码的识别方法及系统，其中方法包括训练样本准备步骤、SIFT特征提取步骤、k‑mean聚类步骤、类识别模型训练步骤以及识别步骤。先将未知类型的图形验证码通过SIFT算法提取出SIFT特征描述向量，接着根据SVM模型分辨出属于哪种属性图形，然后按照属性类别代入卷积识别模型中，最终得到具体的值。本发明利用SIFT特征提取技术、SVM技术、kmean和卷积神经网络技术结合，利用SIFT技术提取验证码图片的特征，结合SVM技术构建模型进行图像分类，最后利用卷积识别模型识别出图形验证码具体的值。本发明利用各种技术的优点，解决了混合图形验证码识别混乱的问题，大大的提高了图形验证码识别的准确度，找到了一个解决问题的最优方案。

技术领域

本发明对图形验证码进行区分和识别，识别三种不同类型的图形验证码的混合情况，包括纯数字图形验证码、计算题图形验证码、字母和数字型验证码，属于人工智能领域。

背景技术

普通图形验证码有三种方式，分别是纯数字图形验证码、计算题图形验证码、字母和数字型验证码；传统图形验证码识别方式主要利用卷积神经网络对单一图形验证码进行识别，但使用了混合图形验证码的场景，传统的识别方法则会出现识别混乱的情况，降低了识别的正确率。

发明内容

本发明需要解决的问题在于克服传统图片识别方式出现的识别混乱情况，提供一种能高效识别的方法及系统，能快速高效的区分出图形验证码的类别，并加以识别图形验证码的值。

本发明的目的是通过以下技术方案来实现的：

一种混合型验证码的识别方法，包括如下步骤：

训练样本准备步骤：准备包括数字图形属性、计算题图形属性以及字母数字图形属性三类图形的训练样本集；

SIFT特征提取步骤：经过尺度空间极值检测，搜索所有尺度上的图像位置，接着在每个候选位置上通过一个拟合精细的模型来确定位置和尺度，找到关键点，然后再给每个关键点位置分配一个或多个方向，最后生成SIFT特征描述向量；

k-mean聚类步骤：把SIFT特征描述向量集为K个类别进行聚类：先选取K个类的初始中心，接着在迭代中分别求各SIFT特征描述向量到K个中心的距离，将各个SIFT特征描述向量归到距离最短的中心所在类；

类识别模型训练步骤：将SIFT特征向量传入类识别模型，得到一个模型文件，里面实现了三种属性图片的类识别模型，该类识别模型可以分辨出图形验证码的属性；

识别步骤：根据类识别模型分辨出未知类型的图形属于哪种属性图形，然后按照属性类别代入卷积识别模型(卷积神经网络识别模型)中，获得未知类型的图形验证结果。

作为优选方式，数字图形属性、计算题图形属性以及字母数字图形属性的各类图形样本不得低于1万张。

作为优选方式，在k-mean聚类步骤中，迭代时分别求各SIFT特征描述向量到K个中心的欧式距离。

作为优选方式，求各SIFT特征描述向量到K个中心的欧式距离之后，利用均值方法更新K个类的中心值，更新K个类的中心值后，再计算各SIFT特征描述向量到更新后的K个类的中心值的距离，如此反复，直到满足终止条件时退出迭代，得到三种类型的均值向量。

作为优选方式，终止条件为没有对象被重新分配给不同的聚类或者类的中心值的移动距离为0时，退出迭代。

作为优选方式，随机选取K个对象作为初始的聚类中心，K＝5。

作为优选方式，类识别模型训练步骤中，选用SVM模型对图形验证码的属性进行训练：将SIFT特征描述向量传入SVM实现类，得到一个模型文件，里面实现了三种属性图片的SVM模型，该SVM模型可以分辨出图形验证码的属性。