基于圖像處理的驗(yàn)證碼識(shí)別技術(shù)

中共四川省委黨校 唐利紅

驗(yàn)證碼技術(shù)的中心思想是：結(jié)合先前制定的規(guī)則，通過計(jì)算機(jī)系統(tǒng)生成一個(gè)問題，這個(gè)問題只有人類才能解決計(jì)算機(jī)卻不能解決。如果問題很容易被解決，那么系統(tǒng)的操作者則為人類用戶，進(jìn)而進(jìn)行下一步操作；如果沒有解決問題，那么后續(xù)就不允許操作。利用驗(yàn)證碼技術(shù)，就可以使機(jī)器人不會(huì)遭受到攻擊，使網(wǎng)絡(luò)安全得到保障，同時(shí)它還能有效地對(duì)人類用戶操作和計(jì)算機(jī)程序操作進(jìn)行區(qū)分，從而有效地抵擋外來程序的攻擊和威脅。在特定的情況下，可以使用這種技術(shù)去使網(wǎng)站和用戶之間進(jìn)行良好的溝通，特別是用戶在進(jìn)行支付和登錄的時(shí)候，可以通過驗(yàn)證碼對(duì)用戶的個(gè)人信息安全得到保障。另外，利用驗(yàn)證碼也可以有效地防止網(wǎng)頁不被爬蟲等程序侵襲，使密碼系統(tǒng)不被侵害，網(wǎng)站服務(wù)器的安全也能得到保障?；诖耍酒恼聦?duì)基于圖像處理的驗(yàn)證碼識(shí)別技術(shù)進(jìn)行研究，以供參考。

當(dāng)前，驗(yàn)證碼的識(shí)別技術(shù)已經(jīng)成為熱門研究的方向之一。因?yàn)閷?duì)于從事一些需要進(jìn)入網(wǎng)站搜索、采集敏感信息等活動(dòng)的人而言，能夠成功識(shí)別驗(yàn)證碼是必要的前提。英文單詞CAPTCHA 是全自動(dòng)區(qū)分計(jì)算機(jī)和人類的圖靈測試，采用該技術(shù)主要是為了區(qū)別人與機(jī)器之間進(jìn)行交互的差別，從而阻止機(jī)器人進(jìn)行惡意操作。盡管國內(nèi)的驗(yàn)證碼識(shí)別論文相對(duì)較少，但是，應(yīng)用形狀上下文理論可對(duì)驗(yàn)證碼圖像進(jìn)行有效的識(shí)別。通過進(jìn)行預(yù)處理算法和選擇適當(dāng)?shù)姆诸惼?，人們也可以?shí)現(xiàn)較好的驗(yàn)證碼識(shí)別效果。一些研究已經(jīng)成功地設(shè)計(jì)出了基于模板匹配算法的形變數(shù)字驗(yàn)證碼識(shí)別系統(tǒng)，其識(shí)別率達(dá)到100%?；谝陨咸攸c(diǎn)，本研究調(diào)查和統(tǒng)計(jì)了國內(nèi)網(wǎng)絡(luò)論壇和博客，分別設(shè)計(jì)了針對(duì)簡單和復(fù)雜驗(yàn)證碼的識(shí)別方案，并在各大網(wǎng)絡(luò)論壇和博客實(shí)驗(yàn)中成功設(shè)計(jì)出驗(yàn)證碼識(shí)別系統(tǒng)，并具有較高的識(shí)別率。此外，基于國內(nèi)外學(xué)者的研究，我們提出了一種基于圖像處理和卷積神經(jīng)網(wǎng)絡(luò)的文本驗(yàn)證碼識(shí)別方案，結(jié)合設(shè)計(jì)的圖像分割算法和高準(zhǔn)確性的特點(diǎn)，能夠有效地提取出字符，并具有較高的識(shí)別率。

1 驗(yàn)證碼識(shí)別

1.1 傳統(tǒng)的驗(yàn)證碼識(shí)別

在對(duì)樣本后期進(jìn)行訓(xùn)練時(shí)必須具備數(shù)量較大的樣本集，如果只通過人工進(jìn)行簡單的采集，無論是在時(shí)間還是精力上都會(huì)消耗很多，因此，就要使用編程中的Captcha 模塊，并將符合要求的驗(yàn)證碼圖片生成了5000 張。

1.2 樣本訓(xùn)練和識(shí)別

對(duì)于樣本訓(xùn)練，就是結(jié)合有關(guān)的驗(yàn)證碼樣本，去將阿拉伯?dāng)?shù)字以及26 個(gè)英文字母的大小寫進(jìn)行字模的制作。在訓(xùn)練充足的樣本以后，使得有效的字模庫被建立起來，這樣，需要識(shí)別的字符就可以根據(jù)情況選擇對(duì)應(yīng)的字模。因此，樣本訓(xùn)練顯得至關(guān)緊要，它可以對(duì)識(shí)別效率的高低起決定性的作用。接下來，將選取趕集網(wǎng)上一些訓(xùn)練后制作出的字模庫，而且在進(jìn)行字符識(shí)別時(shí)要以預(yù)處理后的圖片為基礎(chǔ)，識(shí)別出的字符還要以文本的形式呈現(xiàn)出來。

2 驗(yàn)證碼使用現(xiàn)狀

對(duì)于驗(yàn)證碼，它是可以有效地去區(qū)分人為操作還是機(jī)器操作，因?yàn)檫@種技術(shù)操作便捷，且沒有太大的數(shù)據(jù)傳輸，尤其是論壇性質(zhì)的網(wǎng)站，它可以有效地阻止惡意行為的侵害。由于這種自動(dòng)化程序被得到廣泛的認(rèn)可，所以，我國排名靠前的論壇中有多一半的論壇都在注冊和登錄等方面使用了驗(yàn)證碼技術(shù)[1]。另外，其他方面也對(duì)此技術(shù)進(jìn)行了應(yīng)用，比如，電子郵件類網(wǎng)站，它可以有效地防止郵件出現(xiàn)群發(fā)或亂發(fā)的情況。整體來說，國內(nèi)與國外在對(duì)驗(yàn)證碼技術(shù)進(jìn)行應(yīng)用時(shí)都是相同的。另外，隨著驗(yàn)證碼技術(shù)的不斷發(fā)展，進(jìn)而產(chǎn)生了計(jì)算機(jī)業(yè)務(wù)，比如，電子推銷，這時(shí)就會(huì)用到驗(yàn)證碼識(shí)別技術(shù)，而且，對(duì)于殘障人員正常上網(wǎng)的問題也進(jìn)行了解決。目前，有很多驗(yàn)證碼識(shí)別方法，比如，模板匹配和神經(jīng)網(wǎng)絡(luò)等。其中，匹配模板的識(shí)別方法最為簡單，但它的應(yīng)用范圍不是很廣泛，而且不具備較高的準(zhǔn)確率，系統(tǒng)性也較為缺乏，所以在驗(yàn)證碼識(shí)別技術(shù)中逐漸被淘汰。形狀上下文以及神經(jīng)網(wǎng)絡(luò)也是有一定的問題和缺陷存在著，比如，沒有較高的匹配度或是不容易控制收斂速度等，所以，這種驗(yàn)證碼識(shí)別方法也不是最好的。

3 驗(yàn)證碼圖片特點(diǎn)

驗(yàn)證碼圖片具有獨(dú)特的特點(diǎn)，因此對(duì)它們進(jìn)行識(shí)別的方法與一般圖像不同。對(duì)于設(shè)計(jì)識(shí)別算法時(shí)的注意點(diǎn)，應(yīng)從兩個(gè)方面考慮：格式和內(nèi)容。首先在格式方面，驗(yàn)證碼圖片通常具備較低的分辨率，且其高度約為20 像素，寬度在50 ～100 像素之間。這個(gè)特點(diǎn)會(huì)使字符間距較小，很易于切分。同時(shí)，由于分辨率較低，需要識(shí)別的字符信息量也會(huì)受到影響，這對(duì)于匹配算法來說是個(gè)挑戰(zhàn)。其次在內(nèi)容方面，驗(yàn)證碼經(jīng)常會(huì)加入一些干擾因素，如背景干擾、噪音等，同時(shí)也加入了不同字體、字符位置和數(shù)量等變化。這些干擾可以有效地提高自動(dòng)識(shí)別算法的難度，但需要注意的是，這些干擾不應(yīng)對(duì)用戶的網(wǎng)絡(luò)使用造成不良影響[2]。綜合來看，驗(yàn)證碼的設(shè)計(jì)和實(shí)現(xiàn)需要在這些限制條件下取得平衡，以提高其識(shí)別的準(zhǔn)確性和可用性，從而為用戶帶來更好的使用體驗(yàn)。

4 基于圖像處理的驗(yàn)證碼識(shí)別技術(shù)應(yīng)用分析

4.1 圖片預(yù)處理

4.1.1 灰度化、二值化

在對(duì)圖片處理之前，需要進(jìn)行灰度化處理，因?yàn)橹挥羞M(jìn)行灰度化處理以后才能使顏色信息不去影響模型的訓(xùn)練。再將原始色彩圖片向灰度化轉(zhuǎn)換時(shí)需要使用加權(quán)平均法，因?yàn)樗饕峭ㄟ^三個(gè)不同的分量去對(duì)權(quán)值進(jìn)行計(jì)算并分配的，而整個(gè)圖片的灰度像素值則用計(jì)算結(jié)果來表示，而且還要用到它特定的計(jì)算公式，其中用L表示加權(quán)平均后的灰度圖像的像素，紅綠藍(lán)三原色的分量值則分別用R、G、B 表示。在進(jìn)行灰度化以后，就要進(jìn)行二值化操作，這項(xiàng)操作很重要。通過對(duì)閾值進(jìn)行調(diào)整，如果圖片中閾值高，其像素應(yīng)設(shè)置成255，當(dāng)閾值很低時(shí)，像素設(shè)置就是0，然后去轉(zhuǎn)換圖片，將其生成二值圖片，圖片只保留0 和255 的像素值。在進(jìn)行二值化處理以后，像素值為255 的數(shù)量不僅少，而且還和字符特征有關(guān)，像素值為0 的數(shù)量又很多，在對(duì)卷積進(jìn)行計(jì)算時(shí)，還要和像素點(diǎn)相乘，這樣，在提取卷積核的字符特征時(shí)就會(huì)更加方便，使模型得到快速的訓(xùn)練。

4.1.2 圖像去噪

在完成灰度化和二值化操作之后，就會(huì)使圖片中有一些噪聲和干擾線產(chǎn)生，這些噪聲和干擾線會(huì)影響后續(xù)的字符分割以及提取識(shí)別，所以，就要提前將處理工作做好。連通區(qū)域去噪、霍夫變換去噪以及以空間域?yàn)V波等算法是最常用的去噪算法。以空域?yàn)V波為基礎(chǔ)的算法在圖片處理中最為廣泛[3]。這種算法主要是對(duì)每個(gè)像素使用二進(jìn)制圖，而且橫向?qū)挾群涂v向?qū)挾鹊南袼鼐鶠榘咨?。本文針?duì)驗(yàn)證碼圖片的使用，去將大部分的噪聲和干擾線去除。

4.1.3 字符分割

由于那些驗(yàn)證碼主要以字母和數(shù)字為主，所以它的字符類別也沒有太多，進(jìn)而導(dǎo)致在對(duì)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練時(shí)沒有進(jìn)行分割就開始訓(xùn)練，雖然如此，但效果還是很理想的。中文漢字的數(shù)量對(duì)于英文來說是無可比擬的，比如，最常用的漢字有3500 個(gè)，通常情況下驗(yàn)證碼都是4 個(gè)漢字，如果沒有對(duì)其進(jìn)行分割，就直接對(duì)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行使用，那么就會(huì)加大學(xué)習(xí)成本。所以，如果是中文驗(yàn)證碼，在進(jìn)行識(shí)別時(shí)對(duì)字符進(jìn)行分割就顯得很是重要。以往主要采用兩種字符分割法，分別是投影法和連通域法[4]。這兩種方法的驗(yàn)證碼圖片均是以數(shù)字和字母為基礎(chǔ)，并具有很高的分割成功率，但是，如果驗(yàn)證碼為中文，那么它就會(huì)有一定難度，因?yàn)橹形尿?yàn)證碼主要是由漢字組成，而且大多數(shù)的漢字是有偏旁部首的，不僅如此，還有一些偏旁部首也是一個(gè)漢字，所以，一旦進(jìn)行分割，就會(huì)把偏旁也分割出來。為了能夠解決這個(gè)問題，就要定位卷積神經(jīng)網(wǎng)絡(luò)中驗(yàn)證碼圖片中的字符，利用預(yù)測單個(gè)字的坐標(biāo)，去分割中文字符，而且效果很是明顯。

4.2 分割圖像的歸一化

當(dāng)把單個(gè)字符圖像進(jìn)行分割以后，不僅要進(jìn)行二值化，還要將尺寸進(jìn)行歸一化處理。通過歸一化，首先可以使字符圖像的尺寸是統(tǒng)一的，這樣就可以在提取特征時(shí)更加方便；其次，可以使圖像的尺寸減小，實(shí)現(xiàn)數(shù)據(jù)的降維。將字符圖像分割以后，其高度圍繞在30 像素左右，寬度圍繞在17 ～35 像素。通過測試以后，所保留的有效信息像素尺寸最小是8×10 像素，這個(gè)尺寸是將圖片分割以后所得的目標(biāo)尺寸。

4.3 卷積神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)與實(shí)現(xiàn)

結(jié)合卷積神經(jīng)網(wǎng)絡(luò)的功能結(jié)構(gòu)將其分為特征提取和全連接還有輸出三個(gè)部分。特征提取又是由卷積、池化和激活函數(shù)組成，而且在進(jìn)行提取時(shí)還要和卷積層和池化層以及激活層相對(duì)，當(dāng)驗(yàn)證碼圖像被灰度化處理以后就會(huì)生成矩陣輸入卷積神經(jīng)網(wǎng)絡(luò)，最后提取特征[5]。在卷積和池化的多次作用下，將特征向量提取出來，通過全連接層，將這些特征組合到一起，最后在連接輸出層。這項(xiàng)網(wǎng)絡(luò)模型一共七層，使字符驗(yàn)證碼在實(shí)現(xiàn)了由低向高的進(jìn)行特征表達(dá)，這時(shí)就會(huì)用到輸入層、輸出層、卷積池化層和全連接層。而且還將標(biāo)準(zhǔn)化層加入到卷積層和池化層之間，在激活函數(shù)以前會(huì)用到BN 層，使均值在BN 層進(jìn)行歸一化。當(dāng)把BN 層引入以后，就可以有效地提升模型的訓(xùn)練速度和泛化能力，甚至還能提升模型的精度。為了不讓模型出現(xiàn)擬合的情況，就要將降采樣層應(yīng)用到每層中去，在項(xiàng)目中，降采樣層的神經(jīng)元概率為0.25。為了能夠緩解模型擬合的問題，可以在激活層中使用ReLU 函數(shù)，它不僅計(jì)算速度快，而且還很稀疏。而輸入層，它是通過灰度化操作去處理驗(yàn)證碼，進(jìn)行產(chǎn)生矩陣驗(yàn)證碼圖像，在提取局部特征時(shí)，可以通過卷積操作來實(shí)現(xiàn)，對(duì)于卷積層的偏置項(xiàng)和正態(tài)分布的隨機(jī)數(shù)相同，為了不影響圖片的尺寸，就要利用卷積層將0 值進(jìn)行使用，使圖像矩陣四周得到補(bǔ)充。為了能夠進(jìn)一步將驗(yàn)證碼圖像的特征提取出來，就要使用最大池化層，在確保特征不發(fā)生改變的同時(shí)，對(duì)特征進(jìn)行降維[6]。

5 驗(yàn)證碼識(shí)別實(shí)驗(yàn)

在這個(gè)實(shí)驗(yàn)中，分別驗(yàn)證了三種不同的驗(yàn)證碼。我們先從一些網(wǎng)站中隨機(jī)采集了三種驗(yàn)證碼圖像，然后使用相應(yīng)的圖像處理過程，去對(duì)圖像進(jìn)行處理。（1）對(duì)于那些擁有規(guī)范字體的驗(yàn)證碼圖片，它不僅字符大小相同，而且很是規(guī)范，沒有旋轉(zhuǎn)也沒有發(fā)生變形。（2）雖然擁有規(guī)范的字體，但是字符大小卻不一，并且字符也是以旋轉(zhuǎn)的形式存在。（3）驗(yàn)證碼圖片不僅字體不規(guī)范，而且字符也是發(fā)生改變的。在驗(yàn)證這三種驗(yàn)證碼圖片時(shí)，就需要將它們的特征定向進(jìn)行提取，然后根據(jù)特征進(jìn)行隨機(jī)分組，并分為兩組，最后再去訓(xùn)練和識(shí)別這兩組的特征[7]。徑向基函數(shù)為計(jì)算時(shí)所采用的公式，提取了這兩個(gè)參數(shù)的y與c的值，進(jìn)而展開識(shí)別率的計(jì)算。通過對(duì)其進(jìn)行分析以后得出，在這項(xiàng)實(shí)驗(yàn)中，只有y不變，c才能一點(diǎn)點(diǎn)變大，進(jìn)而加大驗(yàn)證碼的識(shí)別率，當(dāng)c達(dá)到最大限度時(shí)，此時(shí)的識(shí)別率也不會(huì)再提高。如果該驗(yàn)證碼的旋轉(zhuǎn)與大小不同時(shí)，那么就會(huì)降低準(zhǔn)確率。如果是c不變，y一點(diǎn)點(diǎn)變大時(shí)，這時(shí)的識(shí)別率也會(huì)增高，但是y值達(dá)到最大限度值時(shí)，這時(shí)的識(shí)別率卻呈現(xiàn)出下降的趨勢。因此，只有驗(yàn)證碼的字符是標(biāo)準(zhǔn)的，而且字符是規(guī)范的，因此驗(yàn)證碼的識(shí)別率就是最高的，可達(dá)到100%，哪怕是驗(yàn)證碼過于復(fù)雜，通過SVM 進(jìn)行識(shí)別以后識(shí)別率也不低于80%。由此可以看出，利用SVM 的方法可以使驗(yàn)證碼的識(shí)別算法準(zhǔn)確度更高。

6 結(jié)語

隨著互聯(lián)網(wǎng)的普及和發(fā)展，網(wǎng)絡(luò)安全問題日益突出。為了解決機(jī)器人濫用自然人資源的問題，許多網(wǎng)站引入了驗(yàn)證碼技術(shù)。驗(yàn)證碼是一種全自動(dòng)公開的圖靈測試，旨在區(qū)分計(jì)算機(jī)和人類，并且驗(yàn)證碼圖片是一種常見的驗(yàn)證碼實(shí)現(xiàn)方式，其主要特點(diǎn)是具有獨(dú)特的格式和內(nèi)容，同時(shí)還包含很多干擾因素，如背景干擾、噪音等。因此，設(shè)計(jì)驗(yàn)證碼自動(dòng)識(shí)別算法具有很高難度和挑戰(zhàn)性。本文旨在深入探究和研究圖片驗(yàn)證碼，并設(shè)計(jì)一種高效的驗(yàn)證碼自動(dòng)識(shí)別算法。在研究過程中，我們采用了更新穎、更高效的神經(jīng)網(wǎng)絡(luò)模型，通過對(duì)識(shí)別算法中影響識(shí)別率的重要參數(shù)進(jìn)行分析和優(yōu)化，來提高驗(yàn)證碼的識(shí)別率和可用性。同時(shí)，我們也意識(shí)到本文的研究也存在著一些不足之處，首先是部分理論研究可能不夠深入，需要進(jìn)一步研究和完善；其次是多方面原因可能會(huì)對(duì)研究造成一定的影響。因此，在未來的研究中需要進(jìn)一步探索和發(fā)現(xiàn)，尋找更好的解決方案，以提高網(wǎng)絡(luò)安全和用戶體驗(yàn)。