[發(fā)明專利]一種驗證碼識別方法及裝置

在審

• 申請?zhí)枺?/td>: 201711466525.4
• 申請日: 2017-12-28
• 公開（公告）號: CN109977980A
• 公開（公告）日: 2019-07-05
• 發(fā)明（設計）人: 蘇斌;王永寶;范宜強
• 申請（專利權(quán)）人: 航天信息股份有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06K9/46;G06N3/08
• 代理公司: 北京同達信恒知識產(chǎn)權(quán)代理有限公司 11291
• 代理人: 黃志華

1.一種驗證碼識別方法，應用于驗證碼識別裝置，其特征在于，包括：

將具有標記的樣本圖像輸入卷積神經(jīng)網(wǎng)絡模型，對所述卷積神經(jīng)網(wǎng)絡模型進行訓練；其中，所述卷積神經(jīng)網(wǎng)絡模型中包含用于對卷積后的特征信息的特征值進行規(guī)范化處理的規(guī)范化層，且訓練后的卷積神經(jīng)網(wǎng)絡模型中卷積的權(quán)重數(shù)量小于等于標準卷積神經(jīng)網(wǎng)絡模型中卷積的權(quán)重數(shù)量，提取的圖像的特征信息的特征值處于預設范圍內(nèi)；

將待識別的驗證碼圖像輸入訓練后的所述卷積神經(jīng)網(wǎng)絡模型，獲得所述待識別的驗證碼圖像的識別結(jié)果，所述識別結(jié)果用于指示所述驗證碼圖像中包括的至少一個驗證碼字符。

2.如權(quán)利要求1所述的方法，其特征在于，將具有標記的樣本圖像輸入卷積神經(jīng)網(wǎng)絡模型，對所述卷積神經(jīng)網(wǎng)絡模型進行訓練，包括：

按照訓練規(guī)定樣本數(shù)量將具有標記的樣本圖像分批輸入卷積神經(jīng)網(wǎng)絡模型進行訓練；

確定訓練次數(shù)達到預設次數(shù)，計算每批次樣本圖像的平均損失率和正確率，所述正確率用于表征預測值與標注值相匹配的概率，所述損失率用于表征樣本識別失敗的數(shù)量；

確定所述正確率高于設定值，記錄所述卷積神經(jīng)網(wǎng)絡模型當前的訓練參數(shù)。

3.如權(quán)利要求2所述的方法，其特征在于，在確定所述正確率高于設定值，記錄所述卷積神經(jīng)網(wǎng)絡模型當前的訓練參數(shù)之后，將待識別的驗證碼圖像輸入訓練后的所述卷積神經(jīng)網(wǎng)絡模型之前，所述方法還包括：

將測試樣本集輸入訓練后的所述卷積神經(jīng)網(wǎng)絡模型，確定每個測試樣本的測試結(jié)果；

將每個測試結(jié)果與相應的測試樣本的標注進行匹配，確定所述匹配度大于等于預設匹配度。

4.如權(quán)利要求1所述的方法，其特征在于，所述將待識別的驗證碼圖像輸入訓練后的所述卷積神經(jīng)網(wǎng)絡模型，獲得所述待識別的驗證碼圖像的識別結(jié)果，包括：

將所述待識別的驗證碼圖像輸入訓練后的所述卷積神經(jīng)網(wǎng)絡模型，提取所述待識別的驗證碼圖像的至少兩個特征信息；

對所述至少兩個特征信息的特征值進行規(guī)范化處理，使得所述規(guī)范化處理后的至少兩個特征信息的特征值處于預設范圍內(nèi)；

根據(jù)處理后的至少兩個特征信息確定所述待識別的驗證碼圖像的識別結(jié)果。

5.如權(quán)利要求4所述的方法，其特征在于，根據(jù)處理后的至少兩個特征信息確定所述待識別的驗證碼圖像的識別結(jié)果，包括：

根據(jù)需要提取的驗證碼圖像中的字符數(shù)量對處理后的至少兩個特征信息進行多任務分類，獲取所述驗證碼圖像的識別結(jié)果。

6.一種驗證碼識別裝置，其特征在于，包括：

字符集數(shù)據(jù)模塊，用于設置輸入的驗證碼圖像的字符數(shù)量，并對將輸入的驗證碼圖片進行預處理，所述預處理包括尺寸調(diào)整和灰度轉(zhuǎn)換，且預處理后的驗證碼圖片具有預設的像素尺寸；

訓練模塊，用于按照訓練規(guī)定樣本數(shù)量將具有標注的樣本圖像分批輸入卷積神經(jīng)網(wǎng)絡模型，對所述卷積神經(jīng)網(wǎng)絡模型進行訓練；其中，訓練后的所述卷積神經(jīng)網(wǎng)絡模型能夠識別具有特定特征的驗證碼，所述卷積神經(jīng)網(wǎng)絡模型包含用于對卷積后的特征信息的特征值進行規(guī)范化處理的規(guī)范化層；

識別模塊，用于將待識別的驗證碼圖像輸入訓練后的所述卷積神經(jīng)網(wǎng)絡模型，獲得所述待識別的驗證碼圖像的識別結(jié)果，所述識別結(jié)果用于指示所述驗證碼圖像中包括的至少一個驗證碼字符。

7.如權(quán)利要求6所述的裝置，其特征在于，所述字符集數(shù)據(jù)模塊還用于：

根據(jù)樣本圖像中的字符數(shù)量設置所述卷積神經(jīng)網(wǎng)絡模型需要識別的字符數(shù)量，并對將待識別的驗證碼圖片進行預處理，所述預處理包括尺寸調(diào)整和灰度轉(zhuǎn)換，且預處理后的驗證碼圖片具有預設的像素尺寸。

8.如權(quán)利要求7所述的裝置，其特征在于，所述驗證碼識別裝置還包括：

測試模塊，與所述訓練模塊相連，用于在確定所述訓練模塊針對所述卷積神經(jīng)網(wǎng)絡模型的訓練次數(shù)達到預設次數(shù)時，通過具有標識的樣本圖像對所述卷積神經(jīng)網(wǎng)絡模型進行測試，且在確定測試結(jié)果的正確率高于設定值時，記錄所述卷積神經(jīng)網(wǎng)絡模型當前的訓練參數(shù)和模型；其中，所述正確率用于表征樣本圖像的預測值與標注的值相匹配的概率。