[發明專利]驗證碼的識別方法、裝置、電子設備和存儲介質

在審

• 申請號: 202011372546.1
• 申請日: 2020-11-30
• 公開（公告）號: CN112989312A
• 公開（公告）日: 2021-06-18
• 發明（設計）人: 劉陽
• 申請（專利權）人: 北京金堤科技有限公司
• 主分類號: G06F21/36
• 分類號: G06F21/36;G06K9/62;G06N3/08
• 代理公司: 北京康盛知識產權代理有限公司 11331
• 代理人: 董娣

1.一種驗證碼的識別方法，其特征在于，包括：

采集驗證碼的圖像，建立圖像集合；每張圖像中都顯示有至少一個目標圖標和至少一個點擊圖標；每個目標圖標唯一對應一個點擊圖標；

針對圖像集合中每張圖像進行標注，得到的標注信息可詮釋對應圖像中每個目標圖標所屬類別和在圖像中的位置，以及每個點擊圖標所屬類別和在圖像中的位置；同一圖像中唯一對應的目標圖標和點擊圖標的類別相同；

神經網絡模型通過圖像集合中的圖像和對應標注信息進行深度學習；深度學習后的神經網絡模型可識別每張圖像中每個目標圖標和點擊圖標的所屬類別和在圖像中的位置；

利用深度學習后的神經網絡模型對待識別的驗證碼進行識別。

2.根據權利要求1所述的驗證碼的識別方法，其特征在于，所述神經網絡模型通過圖像集合中的圖像和對應標注信息進行深度學習，具體包括：

根據圖像集合中標注過的圖像，構建數據集；所述數據集中每條數據都包括一張圖像和對應的標注信息；

從數據集中提取訓練集，并將訓練集輸入至神經網絡模型進行訓練，從而調整神經網絡模型的普通參數；

通過評價值對神經網絡模型的訓練結果進行評價；

當評價值滿足預設條件后，停止訓練，保存當前訓練后的神經網絡模型。

3.根據權利要求2所述的驗證碼的識別方法，其特征在于，所述根據圖像集合中標注過的圖像，構建數據集，之后還包括：

將數據集中的各數據進行格式轉換，得到神經網絡模型可辨認處理的數據集。

4.根據權利要求2所述的驗證碼的識別方法，其特征在于，所述從數據集中提取訓練集，并將訓練集輸入至神經網絡模型進行訓練，之后還包括：

從數據集中提取驗證集，所述驗證集與訓練集無交集；

在神經網絡模型的訓練過程中利用驗證集調整神經網絡模型的超參數。

5.根據權利要求4所述的驗證碼的識別方法，其特征在于，所述保存當前訓練后的神經網絡模型，之后還包括：

從數據集中提取測試集，所述測試集與訓練集和驗證集無交集；

將測試集輸入至保存后的神經網絡模型進行測試；

通過評價指標對測試結果進行評價；

當評價指標達到預設閾值后，當前神經網絡模型完成深度學習。

6.根據權利要求1所述的驗證碼的識別方法，其特征在于，所述利用深度學習后的神經網絡模型對待識別的驗證碼進行識別，具體包括：

將待識別驗證碼的圖像輸入至深度學習后的神經網絡模型，輸出該圖像的標注信息；

根據待識別驗證碼圖像的標注信息，在該圖像中按照目標圖標的位置順序，依次點擊各目標圖標唯一對應的點擊圖標。

7.一種驗證碼的識別裝置，其特征在于，包括：神經網絡模型；

采集單元，用于采集當前業務的驗證碼的圖像，建立圖像集合；每張圖像中都顯示有至少一個目標圖標和至少一個點擊圖標；每個目標圖標唯一對應一個點擊圖標；

標注單元，用于針對圖像集合中每張圖像進行標注，得到的標注信息可詮釋對應圖像中每個目標圖標所屬類別和在圖像中的位置，以及每個點擊圖標所屬類別和在圖像中的位置；同一圖像中唯一對應的目標圖標和點擊圖標的類別相同；

學習單元，用于使神經網絡模型通過圖像集合中的圖像和對應標注信息進行深度學習；深度學習后的神經網絡模型可識別每張圖像中每個目標圖標和點擊圖標的所屬類別和在圖像中的位置；

識別單元，用于利用深度學習后的神經網絡模型對待識別的驗證碼進行識別。

8.根據權利要求7所述的驗證碼的識別裝置，其特征在于，所述學習單元，具體用于：

根據圖像集合中標注過的圖像，構建數據集；所述數據集中每條數據都包括一張圖像和對應的標注信息；

從數據集中提取訓練集，并將訓練集輸入至神經網絡模型進行訓練，從而調整神經網絡模型的普通參數；

通過評價值對神經網絡模型的訓練結果進行評價；

當評價值滿足預設條件后，停止訓練，保存當前訓練后的神經網絡模型。