[發(fā)明專利]驗(yàn)證碼自動(dòng)識(shí)別方法及裝置

在審

• 申請(qǐng)?zhí)枺?/td>: 201811588846.6
• 申請(qǐng)日: 2018-12-25
• 公開（公告）號(hào): CN111368835A
• 公開（公告）日: 2020-07-03
• 發(fā)明（設(shè)計(jì)）人: 趙培;姚小龍;武晨
• 申請(qǐng)（專利權(quán)）人: 順豐科技有限公司
• 主分類號(hào): G06K9/34
• 分類號(hào): G06K9/34;G06K9/62;G06N3/08
• 代理公司: 北京志霖恒遠(yuǎn)知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 11435
• 代理人: 周穎穎

1.一種驗(yàn)證碼自動(dòng)識(shí)別方法，其特征在于，包括如下步驟：

步驟1：基于圖像處理庫(kù)獲取多個(gè)同一類型的驗(yàn)證碼圖片，生成驗(yàn)證碼圖片集；

步驟2：基于seq2seq+attention深度神經(jīng)網(wǎng)絡(luò)模型，使用所述驗(yàn)證碼圖片集的部分驗(yàn)證碼圖片訓(xùn)練模型，剩余的驗(yàn)證碼圖片對(duì)訓(xùn)練后的模型進(jìn)行測(cè)試，得到驗(yàn)證碼識(shí)別模型；

步驟3：根據(jù)所述驗(yàn)證碼識(shí)別模型識(shí)別待破解的驗(yàn)證碼圖片。

2.根據(jù)權(quán)利要求1所述的驗(yàn)證碼自動(dòng)識(shí)別方法，其特征在于，步驟1中，所述基于獲取多個(gè)同一類型的驗(yàn)證碼圖片，生成驗(yàn)證碼圖片集包括：

步驟11：基于圖像處理庫(kù)，根據(jù)預(yù)設(shè)定的圖片參數(shù)創(chuàng)建空白圖片；

步驟12：從預(yù)先建立的驗(yàn)證碼語(yǔ)料庫(kù)中隨機(jī)選取至少一個(gè)字符，按照預(yù)設(shè)定的字符參數(shù)將選出的字符寫入所述空白圖片中，生成字符圖片；

步驟13：對(duì)所述字符圖片進(jìn)行加密處理生成驗(yàn)證碼圖片；

步驟14：返回步驟11，達(dá)到設(shè)定循環(huán)次數(shù)后生成多個(gè)驗(yàn)證碼圖片，基于多個(gè)驗(yàn)證碼圖片生成所述驗(yàn)證碼圖片集。

3.根據(jù)權(quán)利要求2所述的驗(yàn)證碼自動(dòng)識(shí)別方法，其特征在于，步驟13中，所述加密處理包括扭曲、濾鏡、傾斜、干擾線以及干擾點(diǎn)中的一種或者多種。

4.根據(jù)權(quán)利要求1所述的驗(yàn)證碼自動(dòng)識(shí)別方法，其特征在于，步驟2中，所述基于seq2seq+attention深度神經(jīng)網(wǎng)絡(luò)模型，使用所述驗(yàn)證碼圖片集中的部分驗(yàn)證碼圖片訓(xùn)練模型，剩余的驗(yàn)證碼圖片對(duì)訓(xùn)練后的模型進(jìn)行測(cè)試，得到驗(yàn)證碼識(shí)別模型包括：

步驟21：隨機(jī)選取所述驗(yàn)證碼圖片集的所述部分驗(yàn)證碼圖片構(gòu)成訓(xùn)練集，所述剩余的驗(yàn)證碼圖片構(gòu)成測(cè)試集；

步驟22：將所述訓(xùn)練集中的驗(yàn)證碼圖片輸入seq2seq+attention深度神經(jīng)網(wǎng)絡(luò)模型，訓(xùn)練seq2seq+attention深度神經(jīng)網(wǎng)絡(luò)模型；

步驟23：將所述測(cè)試集中的驗(yàn)證碼圖片輸入訓(xùn)練后的seq2seq+attention深度神經(jīng)網(wǎng)絡(luò)模型，得識(shí)別準(zhǔn)確率；

步驟24：判斷所述識(shí)別準(zhǔn)確率是否達(dá)到預(yù)設(shè)準(zhǔn)確性閾值，若否，則調(diào)整seq2seq+attention深度神經(jīng)網(wǎng)絡(luò)模型的超參數(shù)，返回步驟22；否則將訓(xùn)練后的seq2seq+attention深度神經(jīng)網(wǎng)絡(luò)模型作為驗(yàn)證碼識(shí)別模型。

5.根據(jù)權(quán)利要求4所述的驗(yàn)證碼自動(dòng)識(shí)別方法，其特征在于，步驟22中，所述訓(xùn)練seq2seq+attention深度神經(jīng)網(wǎng)絡(luò)模型包括：

采用卷積神經(jīng)網(wǎng)絡(luò)CNN對(duì)所述訓(xùn)練集中各個(gè)驗(yàn)證碼圖片進(jìn)行特征提取，生成特征序列；

對(duì)所述特征序列采用注意力機(jī)制進(jìn)行特征聚焦，得聚焦后的特征向量，采用長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)LSTM對(duì)聚焦后的特征向量進(jìn)行識(shí)別，生成輸出序列；

根據(jù)所述特征序列和所述輸出序列，采用梯度下降算法更新所述seq2seq+attention深度神經(jīng)網(wǎng)絡(luò)模型的網(wǎng)絡(luò)參數(shù)。

6.根據(jù)權(quán)利要求1所述的驗(yàn)證碼自動(dòng)識(shí)別方法，其特征在于，步驟3中，所述根據(jù)所述驗(yàn)證碼識(shí)別模型識(shí)別待破解的驗(yàn)證碼圖片包括：在django web框架下加載所述驗(yàn)證碼識(shí)別模型，將所述驗(yàn)證碼識(shí)別模型的參數(shù)加載到服務(wù)器內(nèi)存中以識(shí)別待破解的驗(yàn)證碼圖片。

7.一種驗(yàn)證碼自動(dòng)識(shí)別裝置，其特征在于，包括：

驗(yàn)證碼獲取模塊，用于基于圖像處理庫(kù)獲取多個(gè)同一類型的驗(yàn)證碼圖片，生成驗(yàn)證碼圖片集；

神經(jīng)網(wǎng)絡(luò)模型構(gòu)建模塊，用于基于seq2seq+attention深度神經(jīng)網(wǎng)絡(luò)模型，使用所述驗(yàn)證碼圖片集中的部分驗(yàn)證碼圖片訓(xùn)練模型，剩余的驗(yàn)證碼圖片對(duì)訓(xùn)練后的模型進(jìn)行測(cè)試，得到驗(yàn)證碼識(shí)別模型；

識(shí)別模塊，用于根據(jù)所述驗(yàn)證碼識(shí)別模型識(shí)別待破解的驗(yàn)證碼圖片。