不變矩特征在數(shù)字驗(yàn)證碼識(shí)別中的應(yīng)用?

趙 杰

（商洛學(xué)院電子信息與電氣工程學(xué)院 商洛 726000）

1 引言

驗(yàn)證碼具有技術(shù)簡(jiǎn)單、易實(shí)施和傳輸數(shù)據(jù)小的優(yōu)點(diǎn)，故而被很多網(wǎng)站尤其是論壇性質(zhì)的網(wǎng)站大面積使用來防止自動(dòng)化程序（如論壇自動(dòng)灌水機(jī)）進(jìn)行大批量的惡意行為。驗(yàn)證碼技術(shù)也常用于輔助預(yù)防和阻止垃圾郵件群發(fā)等行為［1］。常用的驗(yàn)證碼識(shí)別方法主要有模板匹配、字符結(jié)構(gòu)、字符形狀等方面［2-4］。這類方法缺點(diǎn)是對(duì)傾斜和字符的大小比較敏感，經(jīng)過特殊處理后這些缺點(diǎn)可得到一定改進(jìn)。文獻(xiàn)［5］提出基于外部輪廓的方法，將圖像分割成相應(yīng)若干單個(gè)數(shù)字圖像，然后對(duì)分隔出來的單個(gè)數(shù)字圖像外部輪廓的上、下、左、右4個(gè)方向進(jìn)行特征計(jì)算，最后依據(jù)所計(jì)算得到的外部輪廓方向是否具有突變、左斜、右斜、圓弧等特征來對(duì)它們進(jìn)行識(shí)別。基于機(jī)器學(xué)習(xí)的方法近年來研究較多，如利用神經(jīng)網(wǎng)絡(luò)、基于支持向量機(jī)等來進(jìn)行識(shí)別驗(yàn)證碼［6～8］，此類方法較傳統(tǒng)方法在識(shí)別率上有所提高，但較為復(fù)雜，有時(shí)會(huì)出現(xiàn)“過學(xué)習(xí)”現(xiàn)象。此外，還有基于粗糙集的彩色驗(yàn)證碼圖像識(shí)別方法［9］，根據(jù)字符顏色、大小和位置關(guān)系，使用粗糙集方法將驗(yàn)證碼字符分割出來，再利用Adaboost進(jìn)行訓(xùn)練、識(shí)別。無需太多樣本，識(shí)別率較高，但對(duì)有一定幾何形變的字符識(shí)別率不高。不變矩是指物體（目標(biāo)）在進(jìn)行平移、縮放、旋轉(zhuǎn)等幾何變換后基本保持不變的矩統(tǒng)計(jì)量。目前，不變矩已成功應(yīng)用于目標(biāo)識(shí)別、數(shù)字水印等很多領(lǐng)域［10～11］，但在驗(yàn)證碼識(shí)別應(yīng)用很少。本文利用矩不變量來進(jìn)行數(shù)字驗(yàn)證碼識(shí)別，以常用的幾何不變矩（Hu矩）為例給出相關(guān)仿真結(jié)果，最后對(duì)算法進(jìn)行總結(jié)討論。

2 幾何不變矩的基本原理

區(qū)域 f(x，y)的(p+q)階矩定義為

其相應(yīng)的中心距定義為

其中，為重心坐標(biāo)，(xˉ，yˉ)是目標(biāo)區(qū)域灰度質(zhì)心。 f(x，y)的歸一化(p+q)階中心矩定義為

由此，可以得到下列七種不變矩，它們對(duì)平移、旋轉(zhuǎn)、以及尺度變換都具有幾何不變性［12］：

3 基本過程

在識(shí)別之前需對(duì)驗(yàn)證碼圖像進(jìn)行一系列預(yù)處理操作，整體流程如圖1所示。

一般數(shù)字驗(yàn)證碼圖像中的數(shù)字個(gè)數(shù)保持常量，較易分割，為進(jìn)行后續(xù)數(shù)字分割，首先對(duì)圖像進(jìn)行初步去噪。然后對(duì)圖像進(jìn)行二值化，對(duì)數(shù)字進(jìn)行定位、分割，在實(shí)際處理中，為了保證分割效果，可在分割之前再次對(duì)噪點(diǎn)進(jìn)行濾除。數(shù)字定位好后，可提取驗(yàn)證碼圖像中各數(shù)字的不變矩特征進(jìn)行識(shí)別。

4 仿真測(cè)試

實(shí)驗(yàn)仿真通過Matlab完成，為便于直觀觀察結(jié)果，構(gòu)建GUI界面。載入驗(yàn)證碼圖像后界面如圖2所示；對(duì)驗(yàn)證碼圖像進(jìn)行初步去噪、數(shù)字定位、歸一化操作，結(jié)果分別如圖3、圖4、圖5所示。

5 結(jié)語

本文利用圖像的幾何不變矩特征對(duì)數(shù)字驗(yàn)證碼進(jìn)行識(shí)別，以Matlab軟件作為測(cè)試平臺(tái)，并搭建GUI界面進(jìn)行測(cè)試。實(shí)驗(yàn)結(jié)果表明了不變矩在識(shí)別數(shù)字驗(yàn)證碼方面的可行性。而且該方法可以很容易地?cái)U(kuò)展到英文字母或字母數(shù)字混合驗(yàn)證碼的識(shí)別中。該實(shí)例也可以方便地在相關(guān)課程教學(xué)中使用。

［1］呂霽.淺談驗(yàn)證碼的識(shí)別［J］.河北能源職業(yè)技術(shù)學(xué)院學(xué)報(bào)，2015，15（1）：72-74.

［2］王虎，馮林，孫宇哲.數(shù)字驗(yàn)證碼識(shí)別算法的研究和設(shè)計(jì)［J］.大連理工大學(xué)學(xué)報(bào)，2007，43（32）：86-87.

［3］Kang C Y，Zhang W，Zhang T.Research and design of digital validation image recognition algorithm based on contour features［C］//International Conference on Ma?chine Learning and Cybernetics. IEEE， 2008：3022-3025.

［4］朱紹文，陳光喜.一種簡(jiǎn)單的基于字符形狀的驗(yàn)證碼識(shí)別技術(shù)［J］.桂林電子科技大學(xué)學(xué)報(bào)，2010，30（1）：59-62.

［5］潘大夫，汪渤.一種基于外部輪廓的數(shù)字驗(yàn)證碼識(shí)別方法［J］.微計(jì)算機(jī)信息，2007，23（25）：256-258.

［6］佟樹成.支持向量機(jī)在驗(yàn)證碼模式識(shí)別中的應(yīng)用研究［J］.電腦知識(shí)與技術(shù)，2017，13（9）：166-167.

［7］陳超，毛堅(jiān)桓，劉寅等.基于卷積神經(jīng)網(wǎng)絡(luò)的鐵路貨運(yùn)網(wǎng)站驗(yàn)證碼識(shí)別［J］.指揮信息系統(tǒng)與技術(shù)，2016，7（4）：91-96.

［8］劉歡，邵蔚元，郭躍飛等.卷積神經(jīng)網(wǎng)絡(luò)在驗(yàn)證碼識(shí)別上的應(yīng)用與研究［J］.計(jì)算機(jī)工程與應(yīng)用，2016，52（18）：1-7.

［9］陳令.基于粗糙集的一類彩色驗(yàn)證碼識(shí)別研究［J］.信息網(wǎng)絡(luò)安全，2012，（6）：26-28.

［10］Abdeslam Hmimid，Mhamed Sayyouri，Hassan Qjidaa et al.Image classification using a new set of separable two-dimensional discrete orthogonal invariant moments［J］.Journal of electronic imaging，2014，23（1）：378-392.

［11］Upneja R.Accurate and fast Jacobi-Fourier moments for invariant image recognition［J］.Optik-International Jour?nal for Light and Electron Optics，2016，127（19）：7925-7940.

［12］張偉，何金國.Hu不變矩的構(gòu)造與推廣［J］.計(jì)算機(jī)應(yīng)用，2010，30（9）：2449-2452.