基于卷积神经网络的图片验证码识别

被引：9

作者：

张涛

张乐乐

机构：

[1] 青岛科技大学自动化与电子工程学院

来源：

电子测量技术 | 2018年 / 41卷 / 14期

关键词：

验证码识别; 卷积神经网络; 端到端;

D O I：

10.19651/j.cnki.emt.1801476

中图分类号：

TP183 [人工神经网络与计算]; TP391.41 [];

学科分类号：

081104 ; 0812 ; 0835 ; 1405 ; 080203 ;

摘要：

针对生活中的常见的数字字母组合验证码识别问题,提出了基于卷积神经网络的识别方法。先对验证码进行去噪和分割,然后再利用卷积神经网络模型对普通的验证码进行训练识别,取得了90%的识别率,相比于传统的神经网络方法和支持向量机取得了更高的识别率。同时把端到端的思想和卷积神经网络结合起来,对于有粘连、旋转不易分割的验证码利用端到端的思想把验证码作为一个整体进行训练识别,最终取得了85%的识别率,一定程度上解决了不易分割验证码的识别问题。

引用

页码：83 / 87

页数：5

共 8 条

[1]

基于神经网络的验证码识别技术研究.[D].吕霁.华侨大学.2015, 03

[2] 卷积神经网络研究综述 [J].

周飞燕 ;

金林鹏 ;

董军 .

计算机学报, 2017, 40 (06) :1229-1251

[3] 一种改进的神经网络车牌识别算法研究 [J].

司朋举 ;

胡伟 .

电子测量技术, 2016, 39 (10) :100-103

[4] 图像理解中的卷积神经网络 [J].

常亮 ;

邓小明 ;

周明全 ;

武仲科 ;

袁野 ;

杨硕 ;

王宏安 .

自动化学报, 2016, 42 (09) :1300-1312

[5] 粘连字符的图片验证码识别 [J].

王璐 ;

张荣 ;

尹东 ;

詹金春 ;

吴陈洋 .

计算机工程与应用 , 2011, (28) :150-153

[6] 一种SVM验证码识别算法 [J].

殷光 ;

陶亮 .

计算机工程与应用, 2011, 47 (18) :188-190+194

[7] Deep learning [J].

LeCun, Yann ;

Bengio, Yoshua ;

Hinton, Geoffrey .

NATURE, 2015, 521 (7553) :436-444

[8]

Dropout: a simple way to prevent neural networks from overfitting..[J].Nitish Srivastava;Geoffrey E. Hinton;Alex Krizhevsky;Ilya Sutskever;Ruslan Salakhutdinov.Journal of Machine Learning Research.2014, 1

← 1 →