基于深度卷积神经网络AlexNet的验证码识别研究

针对验证码字符识别中,对先验知识依赖性大,粘连字符验证码识别效果不佳等问题,将深度卷积神经网络AlexNet引入到验证码字符识别中。为了适应多个字符识别的需要,对传统的深度卷积神经网络AlexNet的结构进行了改进,将原来的单任务学习模型改造成多任务学习模型,主要是改变fc7层全连接层个数和fc8层各全连接层的神经元个数。研究结果表明,对AlexNet改进后的新网络CLN具有强大的学习能力,具有较好的分类效果,识别率可达到98%左右。另外,对粘连字符通过增加迭代次数的办法可以有效提高识别率。