CN110956177A - 一种混合型验证码的识别方法及系统 - Google Patents

一种混合型验证码的识别方法及系统 Download PDF

Info

Publication number
CN110956177A
CN110956177A CN201911155291.0A CN201911155291A CN110956177A CN 110956177 A CN110956177 A CN 110956177A CN 201911155291 A CN201911155291 A CN 201911155291A CN 110956177 A CN110956177 A CN 110956177A
Authority
CN
China
Prior art keywords
model
sift feature
attribute
graph
identification
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.)
Pending
Application number
CN201911155291.0A
Other languages
English (en)
Inventor
袁贵乾
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.)
Chengdu Yinchao Technology Co ltd
Original Assignee
Chengdu Yinchao Technology Co ltd
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 Chengdu Yinchao Technology Co ltd filed Critical Chengdu Yinchao Technology Co ltd
Priority to CN201911155291.0A priority Critical patent/CN110956177A/zh
Publication of CN110956177A publication Critical patent/CN110956177A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • 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

Abstract

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。

Description

一种混合型验证码的识别方法及系统
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。
作为优选方式，在识别步骤中，先将训练样本三种属性的图片利用卷积神经网络算法灰度化，再将图片的像素点作为矩阵值，通过多个卷积核得出三种属性图片的卷积识别模型，通过卷积识别模型识别出其中一种属性图片具体的值。
作为优选方式，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。
一种混合型验证码的识别系统，所述系统包括：
训练样本模块，用于提供包括数字图形属性、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特征提取模块：用于计算图片的SIFT特征描述向量；
k-mean聚类模块：根据SIFT特征提取模块得到的SIFT特征描述向量计算SIFT特征描述向量所在的类；
类识别模型训练模块：根据训练样本，进行类识别模型的训练，最后得到类识别模型；
识别模块：根据类识别模型训练模块的类识别模型确定图片的属性，然后按照属性类别代入卷积识别模型中，最终得到具体的识别结果值。
本发明的有益效果是：
本发明利用SIFT特征提取技术、SVM(支持向量机)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。本发明充分利用各种技术间的优点，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。
附图说明
图1为数字图形属性的图片；
图2为计算题图形属性的图片；
图3为字母数字图形属性的图片；
图4为k-mean聚类示意图；
图5为利用卷积层初步提取图片特征的示意图。
具体实施方式
下面结合附图进一步详细描述本发明的技术方案，但本发明的保护范围不局限于以下所述。
实施例一
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；如图1-图3所示，给出了数字图形属性、计算题图形属性以及字母数字图形属性三类图片的实施例。可见，要采用一种识别方式对混合型验证码进行识别是非常困难的，因此，需要先设置一个类识别模型，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。
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；
具体步骤如下：
1.创建高斯金字塔第-1组
先将源图片灰度化处理，再进行采样，求出σ值后再进行高斯模糊计算出金字塔层数(根据图像长、宽中最小的那个)。
2.创建高斯金字塔
同样也是将源图片进行灰度化处理，利用高斯模糊卷积得出值。
3.求高斯差分金字塔
将两个高斯金字塔层相减生成一个差分金字塔，得出G(x,y,σ1)-G(x,y,σ2)。
4.极值点检测
先排除阈值小的点，再判断是否是极值，最后修正极值点，删除不稳定的点。
5.计算尺度，将图像特征进行缩放。
6.关键点方向分配
先计算梯度直方图，对直方图做两次高斯平滑，再求直方图中的主方向，最后使求出的直方图方向更准确。
7.关键点描述
先确定描述子所需的邻域区域，再依据6(关键点方向分配)求出的方向旋转坐标轴，使坐标轴具有不变性，再将邻域内采样点分配到旋转后的对应子区域，确认种子点；计算种子点的8个方向的梯度信息，将8个方向的梯度变为特征向量。
k-mean聚类步骤：由于每张图片的SIFT特征的特征个数不一样，不利于直接进行分类，因此将所有的SIFT特征向量进行k-mean聚类。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；
其过程可以描述为：
(1)第一步是为待聚类的点寻找聚类中心；
(2)第二步是计算每个点到聚类中心的距离，将每个点聚类到离该点最近的聚类中去；
(3)第三步是计算每个聚类中所有点的坐标平均值，并将这个平均值作为新的聚类中心；
(4)反复执行(2)、(3)，直到聚类中心不再进行大范围移动或者聚类次数达到要求为止。
其中反复执行(2)(3)的过程即为迭代过程。
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。利用卷积神经网络识别图片，步骤包括：
1.利用卷积层初步提取图片的特征。
假定有一个尺寸为6*6的图像，每一个像素点里都存储着图像的信息。再定义一个卷积核(相当于权重)，用来从图像中提取一定的特征。卷积核与数字矩阵对应位相乘再相加，得到卷积层输出结果。如图5所示。
2.利用池化层提取主要特征
池化层的输入就是卷积层输出的原数据与相应的卷积核相乘后的输出矩阵。
3.全连接层将各部分特征进行汇总
把池化层输出的张量重新切割成一些向量，乘上权重矩阵，加上偏置值，然后对其使用ReLU激活函数，用梯度下降法优化参数。
4.产生分类器，进行预测识别
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。本发明为了使得类识别模型训练得更好，识别精度更高，选取了大量的样本图片。
本发明设置了大量的训练样本，通过训练样本对类识别模型进行训练，且根据卷积识别模型识别出图形的验证结果。在进行类识别之前，进行了SIFT特征描述向量提取和k-mean聚类，使得识别精度提高。本发明对于混合型验证码的识别精度较高，解决了传统图片识别方式出现的识别混乱的问题，提供一种能高效识别的方法，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。
实施例二
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，欧式距离是常用的距离公式，其应用较为广泛，容易在不同平台上进行拓展。
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。
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。设置终止条件，便于及时退出迭代，避免消耗过多的计算机资源，且能够提高效率。
随机选取K个对象作为初始的聚类中心，K＝5，如图4所示。
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。通过SVM进行分类，更适合图片向量的分类，且分类精度较高。
在识别步骤中，先将训练样本三种属性的图片利用卷积神经网络算法灰度化，再将图片的像素点作为矩阵值，通过多个卷积核得出三种属性图片的卷积识别模型，通过卷积识别模型识别出其中一种属性图片具体的值。
本发明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神经网络训练模型中，最终得到具体的值。
因为提取到的sift特征向量会有多维的描述向量，而且维度并不统一，不方便后面利用svm进行分类和建立模型；因此会利用kemean聚类后统一维度，得到图4的实例结果，维度都为5(即K＝5)。实现步骤：
(1)第一步是为待聚类的点寻找聚类中心；
(2)第二步是计算每个点到聚类中心的距离，将每个点聚类到离该点最近的聚类中去；
(3)第三步是计算每个聚类中所有点的坐标平均值，并将这个平均值作为新的聚类中心；
(4)反复执行(2)、(3)，直到聚类中心不再进行大范围移动或者聚类次数达到要求为止。
实施例三
一种混合型验证码的识别系统，所述系统包括：
训练样本模块，用于提供包括数字图形属性、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特征提取模块：用于计算图片的SIFT特征描述向量；
k-mean聚类模块：根据SIFT特征提取模块得到的SIFT特征描述向量计算SIFT特征描述向量所在的类；
类识别模型训练模块：根据训练样本，进行类识别模型的训练，最后得到类识别模型；
识别模块：根据类识别模型训练模块的类识别模型确定图片的属性，然后按照属性类别代入卷积神经网络训练模型中，最终得到具体的识别结果值。
由于本实施例所介绍的系统为实施本发明实施例中一种混合型验证码的识别方法所采用的系统，故而本发明实施例中所介绍的方法，本领域所属技术人员能够了解本实施例的系统的具体实施方式以及各种变化形式，所以在此对于系统如何实现本发明实施例中的方法不再详细介绍。只要本领域所属技术人员实施本发明实施例中的方法所采用的设备，都属于本发明的保护范围。
本发明使用SIFT特征提取技术和SVM支持向量机技术结合，先对图形验证码分类进行区分，再用卷积神经网络识别，可以有效的得出验证码的识别结果，不会出现识别混乱的情况。
实施例四
本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现一种混合型验证码的识别方法的具体步骤。
本领域的所属技术人员清楚，本发明的实施例可以为方法、系统、或计算机程序的产品。因此，本发明可采用完全硬件实施例、完全软件实施例或软硬件结合的实施例形式。而且，本发明可采用在一个或多个其中含有计算机程序代码的存储介质(包括磁盘存储器、CD-ROM、光学存储器)上实施的计算机程序产品。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，应当指出的是，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种混合型验证码的识别方法，其特征在于，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：由把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中，获得未知类型的图形验证结果。
2.根据权利要求1所述的一种混合型验证码的识别方法，其特征在于：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。
3.根据权利要求1所述的一种混合型验证码的识别方法，其特征在于：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。
4.根据权利要求1或3所述的一种混合型验证码的识别方法，其特征在于：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。
5.根据权利要求4所述的一种混合型验证码的识别方法，其特征在于：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。
6.根据权利要求1或5所述的一种混合型验证码的识别方法，其特征在于：随机选取K个对象作为初始的聚类中心，K＝5。
7.根据权利要求1所述的一种混合型验证码的识别方法，其特征在于：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。
8.根据权利要求1所述的一种混合型验证码的识别方法，其特征在于：在识别步骤中，先将训练样本三种属性的图片利用卷积神经网络算法灰度化，再将图片的像素点作为矩阵值，通过多个卷积核得出三种属性图片的卷积识别模型，通过卷积识别模型识别出其中一种属性图片具体的值。
9.根据权利要求1所述的一种混合型验证码的识别方法，其特征在于：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。
10.一种混合型验证码的识别系统，其特征在于，所述系统包括：
训练样本模块，用于提供包括数字图形属性、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特征提取模块：用于计算图片的SIFT特征描述向量；
k-mean聚类模块：根据SIFT特征提取模块得到的SIFT特征描述向量计算SIFT特征描述向量所在的类；
类识别模型训练模块：根据训练样本，进行类识别模型的训练，最后得到类识别模型；
识别模块：根据类识别模型训练模块的类识别模型确定图片的属性，然后按照属性类别代入卷积识别模型中，最终得到具体的识别结果值。
CN201911155291.0A 2019-11-22 2019-11-22 一种混合型验证码的识别方法及系统 Pending CN110956177A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911155291.0A CN110956177A (zh) 2019-11-22 2019-11-22 一种混合型验证码的识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911155291.0A CN110956177A (zh) 2019-11-22 2019-11-22 一种混合型验证码的识别方法及系统

Publications (1)

Publication Number Publication Date
CN110956177A true CN110956177A (zh) 2020-04-03

Family

ID=69978169

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911155291.0A Pending CN110956177A (zh) 2019-11-22 2019-11-22 一种混合型验证码的识别方法及系统

Country Status (1)

Country Link
CN (1) CN110956177A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112906821A (zh) * 2021-03-24 2021-06-04 中国科学院古脊椎动物与古人类研究所 一种淀粉粒的种属识别方法、装置及电子设备

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160275304A1 (en) * 2015-03-20 2016-09-22 Alibaba Group Holding Limited Method and apparatus for verifying images based on image verification codes
CN107122653A (zh) * 2017-05-11 2017-09-01 湖南星汉数智科技有限公司 一种图片验证码处理方法及装置
CN109063456A (zh) * 2018-08-02 2018-12-21 浙江大学 图像型验证码的安全性检测方法及系统
CN109086772A (zh) * 2018-08-16 2018-12-25 成都市映潮科技股份有限公司 一种扭曲粘连字符图片验证码的识别方法及系统
CN109740040A (zh) * 2018-10-26 2019-05-10 深圳壹账通智能科技有限公司 验证码识别方法、装置、存储介质和计算机设备
CN109977980A (zh) * 2017-12-28 2019-07-05 航天信息股份有限公司 一种验证码识别方法及装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160275304A1 (en) * 2015-03-20 2016-09-22 Alibaba Group Holding Limited Method and apparatus for verifying images based on image verification codes
CN107122653A (zh) * 2017-05-11 2017-09-01 湖南星汉数智科技有限公司 一种图片验证码处理方法及装置
CN109977980A (zh) * 2017-12-28 2019-07-05 航天信息股份有限公司 一种验证码识别方法及装置
CN109063456A (zh) * 2018-08-02 2018-12-21 浙江大学 图像型验证码的安全性检测方法及系统
CN109086772A (zh) * 2018-08-16 2018-12-25 成都市映潮科技股份有限公司 一种扭曲粘连字符图片验证码的识别方法及系统
CN109740040A (zh) * 2018-10-26 2019-05-10 深圳壹账通智能科技有限公司 验证码识别方法、装置、存储介质和计算机设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
刘欢等: "卷积神经网络在验证码识别上的应用与研究", 《计算机工程与应用》 *
殷光等: "一种SVM验证码识别算法", 《计算机工程与应用》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112906821A (zh) * 2021-03-24 2021-06-04 中国科学院古脊椎动物与古人类研究所 一种淀粉粒的种属识别方法、装置及电子设备
CN112906821B (zh) * 2021-03-24 2023-09-01 中国科学院古脊椎动物与古人类研究所 一种淀粉粒的种属识别方法、装置及电子设备

Similar Documents

Publication Publication Date Title
EP2805262B1 (en) Image index generation based on similarities of image features
Bodesheim et al. Kernel null space methods for novelty detection
Singh et al. Svm-bdt pnn and fourier moment technique for classification of leaf shape
Ibrahim et al. Cluster representation of the structural description of images for effective classification
CN102147858B (zh) 车牌字符识别方法
Kozerawski et al. Clear: Cumulative learning for one-shot one-class image recognition
CN104036255A (zh) 一种人脸表情识别方法
CN113850281B (zh) 一种基于meanshift优化的数据处理方法和装置
CN110751027B (zh) 一种基于深度多示例学习的行人重识别方法
CN109948534B (zh) 采用快速密度峰值聚类进行人脸识别的方法
Zhang et al. Large-scale aerial image categorization using a multitask topological codebook
CN105930792A (zh) 一种基于视频局部特征字典的人体动作分类方法
WO2015146113A1 (ja) 識別辞書学習システム、識別辞書学習方法および記録媒体
CN105809113A (zh) 三维人脸识别方法及应用其的数据处理装置
Sun et al. Brushstroke based sparse hybrid convolutional neural networks for author classification of Chinese ink-wash paintings
CN104598898A (zh) 一种基于多任务拓扑学习的航拍图像快速识别系统及其快速识别方法
CN114359632A (zh) 一种基于改进PointNet++神经网络的点云目标分类方法
Liu et al. Flower classification using fusion descriptor and SVM
CN110956177A (zh) 一种混合型验证码的识别方法及系统
Müller et al. Object shape categorization in rgbd images using hierarchical graph constellation models based on unsupervisedly learned shape parts described by a set of shape specificity levels
CN105844299B (zh) 一种基于词袋模型的图像分类方法
Jubair et al. A simplified method for handwritten character recognition from document image
Ansari et al. An optimized feature selection technique in diversified natural scene text for classification using genetic algorithm
CN114511745B (zh) 三维点云分类及旋转姿态预测方法及系统
Janani et al. Feature fusion for efficient object classification using deep and shallow learning

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