CN110069915B - 一种基于轮廓提取的九宫格图形验证码识别方法 - Google Patents

一种基于轮廓提取的九宫格图形验证码识别方法 Download PDF

Info

Publication number
CN110069915B
CN110069915B CN201910185020.3A CN201910185020A CN110069915B CN 110069915 B CN110069915 B CN 110069915B CN 201910185020 A CN201910185020 A CN 201910185020A CN 110069915 B CN110069915 B CN 110069915B
Authority
CN
China
Prior art keywords
arrow
verification code
point
points
calculating
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910185020.3A
Other languages
English (en)
Other versions
CN110069915A (zh
Inventor
丁珩珂
刘泽华
王毅刚
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Dianzi University
Original Assignee
Hangzhou Dianzi University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hangzhou Dianzi University filed Critical Hangzhou Dianzi University
Priority to CN201910185020.3A priority Critical patent/CN110069915B/zh
Publication of CN110069915A publication Critical patent/CN110069915A/zh
Application granted granted Critical
Publication of CN110069915B publication Critical patent/CN110069915B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
    • G06F21/31—User authentication
    • G06F21/36—User authentication by graphic or iconic representation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/14—Image acquisition
    • G06V30/148—Segmentation of character regions
    • G06V30/153—Segmentation of character regions using recognition of characters or words
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Security & Cryptography (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Hardware Design (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于轮廓提取的九宫格图形验证码识别方法。本发明包括如下步骤：(1)对输入的含箭头的九宫格验证码进行二值化与高斯模糊预处理，后进行降噪；(2)对图片进行膨胀处理，后进行canny轮廓检测，计算所有闭合轮廓的重心；(3)对提取的轮廓进行分类，依据其重心位置、分布情况，计算出九宫格点编号与箭头位置,对非重叠箭头轮廓进行最小闭合三角形提取；(4)由箭头位置与九宫格标记点得出每个九宫格点的出入度，进而计算出该九宫格图形验证码中的哈密顿路径；(5)抽取任意非重叠箭头，通过计算三角形顶点与重心关系得出该箭头方向，为该哈密顿路径标明方向，最终输出验证结果。本发明极大地提高了识别效率与用户体验。

Description

一种基于轮廓提取的九宫格图形验证码识别方法
技术领域
本发明属于计算机识别与检测领域，具体涉及一种基于轮廓提取的九宫格图形验证码识别方法。
背景技术
九宫格验证码被广泛应用于移动通讯、网络传媒与互联网金融等领域。服务商通过发送图形验证码来帮助用户确认信息，防止误触。但是，图形验证码对于用户来说识别起来费时费力，在移动设备上需要切换进程来查看验证码，并且许多验证码用户难以识别，往往输入多次仍然无法验证通过，这样极大地影响了用户体验，降低了识别效率。
目前，对于图形验证码的识别都采用人工识别的方式来进行，尚无智能的计算机识别方法，主要是因为图形验证码存在着图片背景复杂、关键元素多以及识别精度难以控制的问题。采用人工识别则弊端明显，对于个体用户来说极大地降低了用户体验；对于公司团体来说，大量的验证码进行人工识别，时间成本极高，耗时耗力。
为此，本发明提出一种基于轮廓提取的九宫格图形验证码识别方法。本发明通过一种轮廓提取方法将九宫格图形验证码中的箭头与标记点两大关键元素进行分割提取，进而对其进行识别分类、编号排序与方向识别，从而智能地识别出九宫格图形验证码中的验证码结果，避免了人工识别或是人工预处理所带来的大量开销，本方法广泛适用于移动通讯、网络传媒与互联网金融，可以大大提升用户体验，在保持98％的识别精度前提下其识别效率较人工识别可提升数百倍。
发明内容
针对现有技术所存在的上述技术缺陷，本发明提供了一种基于轮廓提取的九宫格图形验证码识别方法，一种轮廓提取方法将九宫格图形验证码中的箭头与标记点两大关键元素进行分割提取，提高了识别效率并且增强了用户体验。
一种基于轮廓提取的九宫格图形验证码识别方法，包括如下步骤：
步骤(1)对输入的含箭头的九宫格图形验证码进行二值化与高斯模糊预处理，并根据九宫格标记点的颜色设置阈值进行降噪。
步骤(2)对步骤(1)处理后的图片进行膨胀处理，随后进行canny轮廓检测，计算出所有闭合轮廓的重心。
步骤(3)对步骤(2)中提取的轮廓进行分类，依据闭合轮廓的重心位置、分布情况计算出九宫格点编号与箭头位置,并对非重叠箭头轮廓进行最小闭合三角形提取。
步骤(4)由箭头位置与九宫格标记点分析得出每个九宫格点的出入度，进而计算出该九宫格图形验证码中的哈密顿路径。
步骤(5)抽取任意非重叠箭头，通过计算三角形顶点与重心关系得出该箭头方向，从而给该哈密顿路径标明方向，最终输出该图形验证码的验证结果。
所述的步骤(1)中，对输入的含箭头的九宫格图形验证码进行二值化与高斯模糊预处理，并根据九宫格标记点的颜色设置阈值进行降噪，具体包括如下步骤：
1-1.依据给定的RGB彩色图，将其转换为灰度图备用，
1-2.将灰度图进行高斯模糊处理，其高斯模糊最小单位为n*n，得到高斯处理图，n为灰度图行列最小值的2％；
1-3.对高斯处理后的灰度图进行阈值降噪，使得灰度图中仅留下箭头与九宫格标记点。
所述的步骤(2)中，对步骤(1)处理后的灰度图进行膨胀处理，随后进行canny轮廓检测，计算出所有闭合轮廓的重心，具体包括如下步骤：
2-1.为了让随后的轮廓检测结果都闭合，对步骤(1)处理后的灰度图进行膨胀处理，获取膨胀图，其膨胀单位元大小为m*m，m为图片行列最小值的1％；
2-2.设置canny检测单元，大小为0.5m*0.5m,对膨胀图进行canny边缘检测，得到轮廓集G，
2-3.计算出每一个轮廓的重心，采用如下公式：
Figure BDA0001992562910000031
其中，g为轮廓点集，g∈G,num为g中点的数目。
所述的步骤(3)中，对步骤(2)中提取的轮廓进行分类，依据其重心位置、分布情况，计算出九宫格标记点编号与箭头位置,并对非重叠箭头轮廓进行最小闭合三角形提取，具体包括如下步骤：
3-1.图形验证码中九宫格标记点重心分布是规律的，从而筛选出九宫格标记点，并为九宫格标记点进行编号，且箭头点仅存在于两个九宫格标记点连线的中心，由此筛选出箭头点，再依据箭头点的重心位置对其编号，
3-2.根据标记点与箭头点编号关系，筛选出连线关系，并在灰度图中对箭头点附近连线进行验证，具体的：
3-2-1.找到可能存在的连线两端标记点与箭头点组合，
3-2-2.在灰度图中定位到箭头点重心位置，以箭头点的重心为原点，构建半径为n的圆形轨迹进行遍历，以检索到的存在点位置组成的连线向量判断该组合是否存在，其中n为灰度图行列最小值的2％；
3-3.依据箭头点与标记点数量关系与连线关系筛选出非重叠箭头点，并对其进行最小闭合三角形提取，作为三角形集V，非重叠下箭头点数目为标记点数目-1；
所述的步骤(4)中，根据箭头点重心位置与九宫格标记点分析得出每个九宫格标记点的出入度，进而计算出该九宫格图形验证码中的哈密顿路径，具体包括如下步骤：
4-1.依据步骤(3)中所验证得出的九宫格标记点连线与箭头组合，计算出所有九宫格标记点的出入度，
4-2.随机抽取一个出入度为1的九宫格标记点，由连线与箭头组合推导该图形验证码中九宫格标记点连线的哈密顿路径。
所述的步骤(5)中，抽取任意非重叠箭头，通过计算三角形顶点与重心关系得出该箭头方向，从而给该哈密顿路径标明方向，最终输出该图形验证码的验证结果，具体包括如下步骤：
5-1.抽取任意非重叠箭头，定位该箭头所提取的最小闭合三角形与标记点箭头组合，
5-2.由两端标记点x1与x2计算得出连线向量ρ，公式如下：
ρ＝x1-x2
5-3.由最小闭合三角形的三个顶点A、B、C计算出三角形的三边向量α、β、γ，公式如5-2，
5-4.计算三边向量与连线向量中的点乘值，求得最接近0的三边向量δ，不属于该向量的顶点设为D，
5-5.由δ与D的位置关系与ρ的方向确定该箭头的方向，并将该方向赋给哈密顿路径，使其成为一个有向路径，
5-6.由始至终输出该路径中的所有节点，即为该图形验证码的验证结果。
本发明有益效果如下：
本发明通过一种轮廓提取方法将九宫格图形验证码中的箭头与标记点两大关键元素进行分割提取，进而对其进行识别分类、编号排序与方向识别，从而智能地识别出九宫格图形验证码中的验证码结果，避免了人工识别或是人工预处理所带来的大量开销，本方法广泛适用于移动通讯、网络传媒与互联网金融，可以大大提升用户体验，在保持98％的识别精度前提下其识别效率较人工识别可提升数百倍。
附图说明
图1为本发明九宫格图形验证码识别方法的步骤流程示意图；
图2(a)为出入度计算过程示意图；
图2(b)为哈密尔顿路径计算示意图；
具体实施方式
为了更为具体地描述本发明，下面结合附图及具体实施方式对本发明的九宫格图形验证码识别方法进行详细说明。
如图1所示，一种基于轮廓提取的九宫格图形验证码识别方法，包括如下步骤：
步骤(1)对输入的含箭头的九宫格图形验证码进行二值化与高斯模糊预处理，并根据九宫格标记点的颜色设置阈值进行降噪；
所述的步骤(1)中，对输入的含箭头的九宫格图形验证码进行二值化与高斯模糊预处理，并根据九宫格标记点的颜色设置阈值进行降噪，具体包括如下步骤：
1-1.依据给定的RGB彩色图，将其转换为灰度图备用，
1-2.将灰度图进行高斯模糊处理，其高斯模糊最小单位为n*n(n为灰度图行列最小值的2％),得到高斯处理图，
1-3.对高斯处理图进行阈值降噪，使得处理图像中仅留下箭头与九宫格标记点。
步骤(2)对步骤(1)处理后的图片进行膨胀处理，随后进行canny轮廓检测，计算出所有闭合轮廓的重心；
所述的步骤(2)中，对步骤(1)处理后的图片进行膨胀处理，随后进行canny轮廓检测，计算出所有闭合轮廓的重心，具体包括如下步骤：
2-1.为了让随后的轮廓检测结果都闭合，对步骤(1)处理图进行膨胀处理，其膨胀单位元大小为m*m(m为图片行列最小值的1％)，
2-2.设置canny检测单元，大小为0.5m*0.5m,对膨胀图进行canny边缘检测，得到轮廓集G，
2-3.计算出每一个轮廓的重心，采用如下公式：
Figure BDA0001992562910000051
g为轮廓点集，g∈G,num为g中点的数目。
步骤(3)对步骤(2)中提取的轮廓进行分类，依据其重心位置、分布情况，计算出九宫格点编号与箭头位置,并对非重叠箭头轮廓进行最小闭合三角形提取；
所述的步骤(3)中，对步骤(2)中提取的轮廓进行分类，依据其重心位置、分布情况，计算出九宫格点编号与箭头位置,并对非重叠箭头轮廓进行最小闭合三角形提取，具体包括如下步骤：
3-1.图形验证码中标记点重心分布是规律的，从而筛选出九宫格标记点，并为其编号，且箭头点仅存在于两个标记点连线的中心，由此筛选出箭头点，再依据其重心位置对其编号，
3-2.由标记点与箭头点编号关系，筛选出连线关系，并在灰度图中对箭头点附近连线进行验证，具体的：
3-2-1.找到可能存在的连线两端标记点与箭头点组合，
3-2-2.于灰度图中定位到箭头点重心位置，以其重心为原点，构建半径为n(n为灰度图行列最小值的2％)的圆形轨迹进行遍历，以检索到的存在点位置组成的连线向量判断该组合是否存在。
3-3.依据箭头点与标记点数量关系(非重叠下箭头点数目为标记点数目-1)与连线关系筛选出非重叠箭头点，并对其进行最小闭合三角形提取，作为三角形集V。
步骤(4)由箭头位置与九宫格标记点分析得出每个九宫格点的出入度，进而计算出该九宫格图形验证码中的哈密顿路径，如图2(a)和2(b)所示；
所述的步骤(4)中，由箭头位置与九宫格标记点分析得出每个九宫格点的出入度，进而计算出该九宫格图形验证码中的哈密顿路径，具体包括如下步骤：
4-1.依据步骤(3)中所验证得出的标记点连线与箭头组合，计算出所有标记点的出入度，
4-2.随机抽取一个出入度为1的标记点，由连线与箭头组合推导出图形验证码中标记点连线的哈密顿路径。
步骤(5)抽取任意非重叠箭头，通过计算三角形顶点与重心关系得出该箭头方向，从而给该哈密顿路径标明方向，最终输出该图形验证码的验证结果；
所述的步骤(5)中，抽取任意非重叠箭头，通过计算三角形顶点与重心关系得出该箭头方向，从而给该哈密顿路径标明方向，最终输出该图形验证码的验证结果，具体包括如下步骤：
5-1.抽取任意非重叠箭头，定位该箭头所提取的最小闭合三角形与标记点箭头组合，
5-2.由两端标记点x1与x2计算得出连线向量ρ，公式如下：
ρ＝x1-x2
5-3.由最小闭合三角形的三个顶点A、B、C计算出三角形的三边向量α、β、γ，公式如5-2，
5-4.计算三边向量与连线向量中的点乘值，求得最接近0的三边向量δ，不属于该向量的顶点设为D，
5-5.由δ与D的位置关系与ρ的方向确定该箭头的方向，并将该方向赋给哈密顿路径，使其成为一个有向路径，
5-6.由始至终输出该路径中的所有节点，即为该图形验证码的验证结果。

Claims (6)

1.一种基于轮廓提取的九宫格图形验证码识别方法，其特征在于包括如下步骤：
步骤(1)对输入的含箭头的九宫格图形验证码进行二值化与高斯模糊预处理，并根据九宫格标记点的颜色设置阈值进行降噪；
步骤(2)对步骤(1)处理后的图片进行膨胀处理，随后进行canny轮廓检测，计算出所有闭合轮廓的重心；
步骤(3)对步骤(2)中提取的轮廓进行分类，依据闭合轮廓的重心位置、分布情况计算出九宫格点编号与箭头位置,并对非重叠箭头轮廓进行最小闭合三角形提取；
步骤(4)由箭头位置与九宫格标记点分析得出每个九宫格点的出入度，进而计算出该九宫格图形验证码中的哈密顿路径；
步骤(5)抽取任意非重叠箭头，通过计算三角形顶点与重心关系得出该箭头方向，从而给该哈密顿路径标明方向，最终输出该图形验证码的验证结果。
2.根据权利要求1所述的一种基于轮廓提取的九宫格图形验证码识别方法，其特征在于所述的步骤(1)中，对输入的含箭头的九宫格图形验证码进行二值化与高斯模糊预处理，并根据九宫格标记点的颜色设置阈值进行降噪，具体包括如下步骤：
1-1.依据给定的RGB彩色图，将其转换为灰度图备用，
1-2.将灰度图进行高斯模糊处理，其高斯模糊最小单位为n*n，得到高斯处理图，n为灰度图行列最小值的2％；
1-3.对高斯处理后的灰度图进行阈值降噪，使得灰度图中仅留下箭头与九宫格标记点。
3.根据权利要求2所述的一种基于轮廓提取的九宫格图形验证码识别方法，其特征在于所述的步骤(2)中，对步骤(1)处理后的灰度图进行膨胀处理，随后进行canny轮廓检测，计算出所有闭合轮廓的重心，具体包括如下步骤：
2-1.为了让随后的轮廓检测结果都闭合，对步骤(1)处理后的灰度图进行膨胀处理，获取膨胀图，其膨胀单位元大小为m*m，m为图片行列最小值的1％；
2-2.设置canny检测单元，大小为0.5m*0.5m,对膨胀图进行canny边缘检测，得到轮廓集G，
2-3.计算出每一个轮廓的重心，采用如下公式：
Figure FDA0001992562900000021
其中，g为轮廓点集，g∈G,num为g中点的数目。
4.根据权利要求1所述的一种基于轮廓提取的九宫格图形验证码识别方法，其特征在于所述的步骤(3)中，对步骤(2)中提取的轮廓进行分类，依据其重心位置、分布情况，计算出九宫格标记点编号与箭头位置,并对非重叠箭头轮廓进行最小闭合三角形提取，具体包括如下步骤：
3-1.图形验证码中九宫格标记点重心分布是规律的，从而筛选出九宫格标记点，并为九宫格标记点进行编号，且箭头点仅存在于两个九宫格标记点连线的中心，由此筛选出箭头点，再依据箭头点的重心位置对其编号，
3-2.根据标记点与箭头点编号关系，筛选出连线关系，并在灰度图中对箭头点附近连线进行验证，具体的：
3-2-1.找到可能存在的连线两端标记点与箭头点组合，
3-2-2.在灰度图中定位到箭头点重心位置，以箭头点的重心为原点，构建半径为n的圆形轨迹进行遍历，以检索到的存在点位置组成的连线向量判断该组合是否存在，其中n为灰度图行列最小值的2％；
3-3.依据箭头点与标记点数量关系与连线关系筛选出非重叠箭头点，并对其进行最小闭合三角形提取，作为三角形集V，非重叠下箭头点数目为标记点数目-1。
5.根据权利要求4所述的一种基于轮廓提取的九宫格图形验证码识别方法，其特征在于所述的步骤(4)中，根据箭头点重心位置与九宫格标记点分析得出每个九宫格标记点的出入度，进而计算出该九宫格图形验证码中的哈密顿路径，具体包括如下步骤：
4-1.依据步骤(3)中所验证得出的九宫格标记点连线与箭头组合，计算出所有九宫格标记点的出入度，
4-2.随机抽取一个出入度为1的九宫格标记点，由连线与箭头组合推导该图形验证码中九宫格标记点连线的哈密顿路径。
6.根据权利要求5所述的一种基于轮廓提取的九宫格图形验证码识别方法，其特征在于所述的步骤(5)中，抽取任意非重叠箭头，通过计算三角形顶点与重心关系得出该箭头方向，从而给该哈密顿路径标明方向，最终输出该图形验证码的验证结果，具体包括如下步骤：
5-1.抽取任意非重叠箭头，定位该箭头所提取的最小闭合三角形与标记点箭头组合，
5-2.由两端标记点x1与x2计算得出连线向量ρ，公式如下：
ρ＝x1-x2
5-3.由最小闭合三角形的三个顶点A、B、C计算出三角形的三边向量α、β、γ，公式如5-2，
5-4.计算三边向量与连线向量中的点乘值，求得最接近0的三边向量δ，不属于该向量的顶点设为D，
5-5.由δ与D的位置关系与ρ的方向确定该箭头的方向，并将该方向赋给哈密顿路径，使其成为一个有向路径，
5-6.由始至终输出该路径中的所有节点，即为该图形验证码的验证结果。
CN201910185020.3A 2019-03-12 2019-03-12 一种基于轮廓提取的九宫格图形验证码识别方法 Active CN110069915B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910185020.3A CN110069915B (zh) 2019-03-12 2019-03-12 一种基于轮廓提取的九宫格图形验证码识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910185020.3A CN110069915B (zh) 2019-03-12 2019-03-12 一种基于轮廓提取的九宫格图形验证码识别方法

Publications (2)

Publication Number Publication Date
CN110069915A CN110069915A (zh) 2019-07-30
CN110069915B true CN110069915B (zh) 2021-04-13

Family

ID=67366238

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910185020.3A Active CN110069915B (zh) 2019-03-12 2019-03-12 一种基于轮廓提取的九宫格图形验证码识别方法

Country Status (1)

Country Link
CN (1) CN110069915B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040008881A1 (en) * 2002-07-12 2004-01-15 Laurence A. Boyd (50%) Method of mapping a three dimensional area
CN104200204A (zh) * 2014-09-02 2014-12-10 福建富士通信息软件有限公司 一种图片处理装置及方法
CN106446897A (zh) * 2016-09-09 2017-02-22 浪潮软件股份有限公司 一种空心验证码的识别方法
CN107292311A (zh) * 2017-08-10 2017-10-24 河南科技大学 一种基于神经网络的字符粘连验证码的识别方法
CN107609499A (zh) * 2017-09-04 2018-01-19 南京航空航天大学 一种复杂环境下非接触式掌纹感兴趣区提取方法
CN107622499A (zh) * 2017-08-24 2018-01-23 中国东方电气集团有限公司 一种基于目标二维轮廓模型的识别与空间定位方法
CN107967422A (zh) * 2017-11-02 2018-04-27 深圳市金立通信设备有限公司 一种验证实现方法及电子终端
CN108038484A (zh) * 2017-12-11 2018-05-15 中国人民解放军战略支援部队信息工程大学 空心验证码快速识别方法
CN108537225A (zh) * 2017-03-01 2018-09-14 重庆邮电大学 一种用于自动识别验证码中空心字符的方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040008881A1 (en) * 2002-07-12 2004-01-15 Laurence A. Boyd (50%) Method of mapping a three dimensional area
CN104200204A (zh) * 2014-09-02 2014-12-10 福建富士通信息软件有限公司 一种图片处理装置及方法
CN106446897A (zh) * 2016-09-09 2017-02-22 浪潮软件股份有限公司 一种空心验证码的识别方法
CN108537225A (zh) * 2017-03-01 2018-09-14 重庆邮电大学 一种用于自动识别验证码中空心字符的方法
CN107292311A (zh) * 2017-08-10 2017-10-24 河南科技大学 一种基于神经网络的字符粘连验证码的识别方法
CN107622499A (zh) * 2017-08-24 2018-01-23 中国东方电气集团有限公司 一种基于目标二维轮廓模型的识别与空间定位方法
CN107609499A (zh) * 2017-09-04 2018-01-19 南京航空航天大学 一种复杂环境下非接触式掌纹感兴趣区提取方法
CN107967422A (zh) * 2017-11-02 2018-04-27 深圳市金立通信设备有限公司 一种验证实现方法及电子终端
CN108038484A (zh) * 2017-12-11 2018-05-15 中国人民解放军战略支援部队信息工程大学 空心验证码快速识别方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
A New Method for Writer Identification based on;Alireza Alaei,er al.;《2014 14th International Conference on Frontiers in Handwriting Recognition》;20140904;第216-221页 *
一种基于外部轮廓的数字验证码识别方法;潘大夫 等;《微计算机信息》;20070905;第23卷(第9-1期);第256-258页 *
基于轮廓分段特征的手写体阿拉伯数字识别;娄震 等;《计算机学报》;19991012;第22卷(第10期);第1065-1073页 *
基于轮廓特征点的高精度识别目标方法;刘永禄 等;《电脑与信息技术》;20090615;第17卷(第3期);第1-5,66页 *
基于链码趋势表的交通灯形状识别方法;何海涛 等;《计算机工程》;20110805;第37卷(第15期);第158-160 *

Also Published As

Publication number Publication date
CN110069915A (zh) 2019-07-30

Similar Documents

Publication Publication Date Title
Gao et al. ICDAR 2019 competition on table detection and recognition (cTDaR)
CN106980856B (zh) 公式识别方法及系统和符号推理计算方法及系统
CN109255344B (zh) 一种基于机器视觉的数显式仪表定位与读数识别方法
CN106156766B (zh) 文本行分类器的生成方法及装置
CN109740606B (zh) 一种图像识别方法及装置
CN110210477B (zh) 一种数字式仪表读数识别方法
CN111539330B (zh) 一种基于双svm多分类器的变电站数显仪表识别方法
CN110969166A (zh) 一种巡检场景下小目标识别方法和系统
CN109376740A (zh) 一种基于视频的水尺读数检测方法
CN108681689B (zh) 基于生成对抗网络的帧率增强步态识别方法及装置
CN110503103B (zh) 一种基于全卷积神经网络的文本行中的字符切分方法
CN112749747B (zh) 垃圾分类质量评估方法及系统
CN111626249B (zh) 题目图像中几何图形的识别方法、装置和计算机存储介质
CN115082444B (zh) 一种基于图像处理的铜管焊缝缺陷检测方法及系统
CN114972356A (zh) 塑料制品表面缺陷检测识别方法及系统
CN113591866A (zh) 基于db与crnn的特种作业证件检测方法及系统
CN111652117B (zh) 一种对多文档图像分割的方法及介质
CN107610119A (zh) 基于直方图分解的带钢表面缺陷精准检测方法
CN115953373A (zh) 玻璃缺陷检测方法、装置、电子设备及存储介质
CN115908142A (zh) 一种基于视觉识别的接触网微小部件验损方法
CN111178405A (zh) 一种融合多种神经网络的相似物体识别方法
CN114140793A (zh) 一种用于端子排和端子排接线的匹配方法及装置
CN110069915B (zh) 一种基于轮廓提取的九宫格图形验证码识别方法
CN110349119B (zh) 基于边缘检测神经网络的路面病害检测方法和装置
CN116110071B (zh) 一种基于深度学习的图像格式管道和仪表图管线识别方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant