[發(fā)明專利]圖片驗(yàn)證碼識(shí)別方法及裝置、電子設(shè)備和計(jì)算機(jī)可讀介質(zhì)

在審

• 申請?zhí)枺?/td>: 202010439520.8
• 申請日: 2020-05-22
• 公開（公告）號(hào): CN111611988A
• 公開（公告）日: 2020-09-01
• 發(fā)明（設(shè)計(jì)）人: 魏小文;何曉力;李可瑋;孫晨陽;黃小云;張蕓蜻
• 申請（專利權(quán)）人: 上海攜程商務(wù)有限公司
• 主分類號(hào): G06K9/20
• 分類號(hào): G06K9/20;G06K9/34;G06N3/04;G06N3/08;H04L29/06
• 代理公司: 上海弼興律師事務(wù)所 31283
• 代理人: 薛琦;張冉

1.一種圖片驗(yàn)證碼識(shí)別方法，其特征在于，包括以下步驟：

獲取原始圖片，所述原始圖片為原始的驗(yàn)證碼圖片，所述驗(yàn)證碼圖片包含若干字符；

對所述原始圖片進(jìn)行預(yù)處理；

獲取所述原始圖片中單個(gè)字符對應(yīng)的圖片，標(biāo)記成樣本；

構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)模型；

采用所述樣本訓(xùn)練所述卷積神經(jīng)網(wǎng)絡(luò)模型，以使得所述卷積神經(jīng)網(wǎng)絡(luò)模型輸出對所述樣本的預(yù)測值且輸出所述預(yù)測值的準(zhǔn)確率大于準(zhǔn)確率閾值；

采用訓(xùn)練后的卷積神經(jīng)網(wǎng)絡(luò)模型識(shí)別圖片驗(yàn)證碼。

2.如權(quán)利要求1所述的圖片驗(yàn)證碼識(shí)別方法，其特征在于，對所述原始圖片進(jìn)行預(yù)處理的步驟包括：

將所述原始圖片轉(zhuǎn)化為灰度圖片；

對所述灰度圖片二值化，以區(qū)分所述灰度圖片中的有效信息和無效信息；

將二值化后的灰度圖片分割成單個(gè)字符對應(yīng)的圖片。

3.如權(quán)利要求2所述的圖片驗(yàn)證碼識(shí)別方法，其特征在于，將二值化后的灰度圖片分割成單個(gè)字符對應(yīng)的圖片的步驟包括：

腐蝕：將所述灰度圖片中的有效信息用255填充；

垂直投影統(tǒng)計(jì)每列有效像素個(gè)數(shù)；

遍歷圖片寬度，根據(jù)每列像素個(gè)數(shù)動(dòng)態(tài)設(shè)定閾值，獲取水平位置分割點(diǎn)；

分割字符；

判斷分割后的字符寬度是否大于字符寬度閾值，若是，則繼續(xù)分割，直至分割后的字符寬度小于或等于所述字符寬度閾值，所述字符寬度閾值等于字符平均寬度加上隨機(jī)值，所述字符平均寬度等于所述原始圖片的寬度除以所包含的字符總數(shù)。

4.如權(quán)利要求1所述的圖片驗(yàn)證碼識(shí)別方法，其特征在于，所述卷積神經(jīng)網(wǎng)絡(luò)模型包括3個(gè)卷積層、4個(gè)激活函數(shù)、3個(gè)池化層、4個(gè)權(quán)值衰減層和2個(gè)全連接層中的任意一種或多種。

5.如權(quán)利要求1所述的圖片驗(yàn)證碼識(shí)別方法，其特征在于，采用訓(xùn)練后的卷積神經(jīng)網(wǎng)絡(luò)模型識(shí)別圖片驗(yàn)證碼的步驟包括：

獲取輸入圖片；

對所述輸入圖片進(jìn)行預(yù)處理；

獲取所述輸入圖片中單個(gè)字符的圖片并輸入至訓(xùn)練后的卷積神經(jīng)網(wǎng)絡(luò)模型；

通過卷積神經(jīng)網(wǎng)絡(luò)模型獲取參數(shù)矩陣；

經(jīng)過卷積神經(jīng)網(wǎng)絡(luò)模型輸出預(yù)測值。

6.一種圖片驗(yàn)證碼識(shí)別裝置，其特征在于，包括：

圖片獲取模塊，被配置為獲取原始圖片，所述原始圖片為原始的驗(yàn)證碼圖片，所述驗(yàn)證碼圖片包含若干字符；

預(yù)處理模塊，被配置為對所述原始圖片進(jìn)行預(yù)處理；

字符圖片獲取模塊，被配置為獲取所述原始圖片中單個(gè)字符對應(yīng)的圖片，標(biāo)記成樣本；

模型構(gòu)建模塊，被配置為構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)模型；

模型訓(xùn)練模塊，被配置為采用所述樣本訓(xùn)練所述卷積神經(jīng)網(wǎng)絡(luò)模型，以使得所述卷積神經(jīng)網(wǎng)絡(luò)模型輸出對所述樣本的預(yù)測值且輸出所述預(yù)測值的準(zhǔn)確率大于準(zhǔn)確率閾值；

圖片識(shí)別模塊，被配置為采用訓(xùn)練后的卷積神經(jīng)網(wǎng)絡(luò)模型識(shí)別圖片驗(yàn)證碼。

7.如權(quán)利要求6所述的圖片驗(yàn)證碼識(shí)別裝置，其特征在于，所述預(yù)處理模塊被配置為：

將所述原始圖片轉(zhuǎn)化為灰度圖片；

對所述灰度圖片二值化，以區(qū)分所述灰度圖片中的有效信息和無效信息；

將二值化后的灰度圖片分割成單個(gè)字符對應(yīng)的圖片。

8.如權(quán)利要求7所述的圖片驗(yàn)證碼識(shí)別裝置，其特征在于，所述預(yù)處理模塊還被配置為：

腐蝕：將所述灰度圖片中的有效信息用255填充；

垂直投影統(tǒng)計(jì)每列有效像素個(gè)數(shù)；

遍歷圖片寬度，根據(jù)每列像素個(gè)數(shù)動(dòng)態(tài)設(shè)定閾值，獲取水平位置分割點(diǎn)；

分割字符；

判斷分割后的字符寬度是否大于字符寬度閾值，若是，則繼續(xù)分割，直至分割后的字符寬度小于或等于所述字符寬度閾值，所述字符寬度閾值等于字符平均寬度加上隨機(jī)值，所述字符平均寬度等于所述原始圖片的寬度除以所包含的字符總數(shù)。