基于SVM的字符驗證碼識別分析范文

本站小編為你精心準備了基于SVM的字符驗證碼識別分析參考范文，愿這些范文能點燃您思維的火花，激發(fā)您的寫作靈感。歡迎深入閱讀并收藏。

摘要：驗證碼廣泛應(yīng)用在互聯(lián)網(wǎng)各個領(lǐng)域，也稱為互聯(lián)網(wǎng)安全防火墻，本質(zhì)上驗證碼是為了區(qū)分人與機器人，防止網(wǎng)絡(luò)機器人的攻擊．然而隨著OCR技術(shù)的發(fā)展，驗證碼暴露出來的安全問題也非常嚴峻．以高校系統(tǒng)中的字符型驗證碼作為研究對象，對驗證碼進行二值化，去噪，分割等操作，采用SVM支持向量機的方式對數(shù)字驗證碼進行識別．實驗結(jié)果表明，當訓(xùn)練集到達一定數(shù)量時，對字符驗證碼具有較好的識別率．

關(guān)鍵詞：驗證碼識別；圖片處理；支持向量機SVM

引言

驗證碼（CAPTCHA）是全自動區(qū)分計算機和人類的圖靈測試的縮寫，可以辨別用戶是人還是計算機的公共自動化程序［1］．程序根據(jù)用戶回答驗證碼的答案正確與否來判斷此用戶是人類還是計算機，若回答正確則可以認為是人在操作．驗證碼形式多種多樣，有傳統(tǒng)的字符型驗證碼，有新的驗證形式包括滑動解鎖式、語音驗證、圖片選擇式等．目前，字符驗證碼仍然應(yīng)用在各種場景中［2］，如注冊、登錄、找回密碼、搶購下單、評論、投票等．這類驗證具有相同特點，計算機容易生成、人容易辨識，暴力破解有一定難度．同時網(wǎng)站為了安全性，增加驗證碼的識別難度，常見的方法是增加干擾項，如：字符旋轉(zhuǎn)、噪點、字符扭曲粘連、字符位置隨機及個數(shù)不定等［3－4］．本文介紹的字符驗證碼的識別屬于簡單的OCR技術(shù)，其應(yīng)用場景較多，如目前廣泛使用的手機銀行App可以識別銀行卡號、身份證號碼以及停車場車牌識別等．由于每個網(wǎng)站所使用的驗證碼不一樣，需具體問題具體分析，本文僅選取某高校系統(tǒng)中的驗證碼作為主要分析對象．

1字符識別模型

1．1基本流程

字符型驗證碼識別流程主要為：原始驗證碼圖片預(yù)處理（二值化為黑白圖片、去除背景噪點）字符切割尺寸歸一字符標記（SVM識別、KNN識別）

1．2圖片預(yù)處理

驗證碼圖片預(yù)處理階段，主要包括灰度化、二值化、去除噪點操作．批量請求網(wǎng)絡(luò)接口以獲取驗證碼，獲取的初始驗證碼如圖1所示．下載的原始驗證碼格式是真彩色圖像，因為顏色信息對分割識別沒有作用，故將其轉(zhuǎn)換到灰度空間．轉(zhuǎn)換方法使用最多的是加權(quán)平均值法［5］，其公式為：Y＝0．299R＋0．587G＋0．114B（1）將得到的灰度圖片按照設(shè)定閾值轉(zhuǎn)化為二值圖．其中關(guān)鍵是要找出合適的閾值．閾值法包括全局二值化、局部二值化法［6］．本文采取全局二值化方法，公式為：通過實驗當閾值T取值為140時可以得到較好的效果．二值化后得到了比較干凈的圖片，但還存在少些的離散噪點，為了增加識別的準確性還需去除背景中的噪點，使用較多的是FloodFill算法，本文采用簡單去噪點方法，統(tǒng)計像素值為0的周邊黑點的個數(shù)，如果小于一個值，則可以判斷此點為孤立點．所有的像素點可以分為三類：頂點、非頂點的邊界、內(nèi)部點，通過實驗當總數(shù)小于2時效果最好．經(jīng)過二值化去噪以后得到的驗證碼如圖2所示．獲得干凈的圖片后對其進行分割操作，將圖片分解到原子級，即：只包含單個字符的圖片．使用PhotoShop打開并放大到像素級別，可以得出圖片的參數(shù)特征：整個圖片像素為60＊20，單個字符像素為8＊13，字符間隔6個像素，左相距8個像素，上相距3個像素，最后根據(jù)像素位置特征進行分割．得到的原子圖片效果如圖3所示．由于本文所選擇的研究對象本身尺寸就是統(tǒng)一狀態(tài)：60＊20的規(guī)格，因此圖片不必進行歸一化．

2基于svm的驗證碼識別

本文采用開源的機器學習庫Libsvm是一個易于使用和快速有效的SVM模式識別與回歸的軟件包，由臺灣大學林智仁教授等開發(fā)設(shè)計［7］．Libsvm使用步驟可分為6個步驟：1）按照格式要求準備數(shù)據(jù)集；2）對數(shù)據(jù)進行縮放操作；3）考慮使用RBF核函數(shù)；4）選擇最佳參數(shù)C與g；5）對訓(xùn)練集進行訓(xùn)練獲取支持向量機模型；6）利用模型進行測試與預(yù)測［8］．

2．1數(shù)據(jù)集標記

在開始階段，計算機程序并不認識相應(yīng)的字符，因此在識別之前，必須人工對素材進行標識．本文研究的內(nèi)容是數(shù)字驗證碼，因此只要在目錄下建立9個文件夾，以相應(yīng)的數(shù)字命名即可．采用分割算法將驗證碼分割成4個原子圖片，將分割好的原子圖片拖放到對應(yīng)的9個文件目錄中，通常來說標記的圖片素材越多，程序預(yù)測的準確率越高．如果是字母和數(shù)字組合的驗證碼，則分別建立相應(yīng)數(shù)量的以數(shù)字和字母命名的文件夾．在驗證碼的一些干擾項如扭曲，噪點，干擾線等做得不夠好的前提下，對計算機來說純數(shù)字與字母加數(shù)字的驗證碼組合并無區(qū)別．

2．2字符特征

選擇字符特征選擇的優(yōu)劣對算法效率有重要的影響，文中特征選擇階段有兩種方法．第一種方法，單個字符像素為8＊13，可以將每個像素點作為特征向量則有104個特征，此方法中較高的維度會造成大量的計算．第二種方法，對其進行適當?shù)慕稻S，統(tǒng)計每行黑色像素的個數(shù)，可以得到13個特征，統(tǒng)計每列的黑色像素個數(shù)可以得到8個特征，最后將得到21個特征，這樣可以將104個特征縮小到只有21個特征，可減少計算量．本文則采取第二種特征選擇方法．

2．3素材特征

化依次遍歷目錄下9個文件夾，根據(jù)Libsvm指定的格式將對應(yīng)的圖片素材特征化，生成向量文件，如果每個文件夾有100張素材圖片，那么將會生成10000行的向量文件．得到的像素特征文件部分內(nèi)容如圖4所示．第一列是標簽列，即上文中標記的10個圖片值，第二列到最后一列共有21組特征值，以冒號隔開，前面的值為索引號，后面為相應(yīng)的行或者列的黑色像素點個數(shù)，本文中1－13組為行的值，14－21組為列的值．2．4生成SVM模型并預(yù)測在生成SVM模型階段，只需調(diào)用svm－read－problem、svm－train以及svm－save－model函數(shù)即可將特征文件生成SVM模型．主要實現(xiàn)代碼如下：y，x＝svm－read－problem（train－file－name）／／train－file－name為像素特征文件model＝svm－train（y，x）／／對訓(xùn)練集的數(shù)據(jù)進行訓(xùn)練svm－save－model（model－path，model）／／保存生成的模型到指定目錄模型生成之后，使用新的圖片進行測試，使用一組全部標記為0的30張圖片來進行模型測試，用特征算法，將圖像進行特征化降維，并將所有的特征轉(zhuǎn)化為標準化的SVM單行的特征向量，調(diào)用p－label，p－acc，p－val＝svm－predict（yt，xt，model）進行預(yù)測并得出正確率．

3實驗結(jié)果分析

實驗主要分為6個步驟：1）請求驗證碼接口，獲取圖片保存在內(nèi)存中；2）對圖片進行預(yù)處理操作：灰度化，二值化、去噪點；3）將驗證碼分割成4個原子圖片；5）加載訓(xùn)練好的模型，依次對4個原子圖片進行識別；6）對程序返回的4個識別結(jié)果進行拼接．本文對網(wǎng)站發(fā)起了1000次請求．返回的部分結(jié)果如圖5所示． 由實驗結(jié)果可以得出，當每個數(shù)字的訓(xùn)練集在90張左右時，識別率已經(jīng)達到100％．

4結(jié)束語

研究了基于SVM對傳統(tǒng)數(shù)字驗證碼進行識別，從實驗結(jié)果可以看出，高校系統(tǒng)中驗證碼識別率可以達到100％．在識別階段也可以采用KNN算法進行識別，同樣可以達到100％的識別率．由此可以看出高校中的系統(tǒng)存在著安全隱患．隨著深度學習技術(shù)的發(fā)展，其在圖像處理技術(shù)上也越來越強，某些傳統(tǒng)的簡單圖片驗證碼已無任何安全可言，因此建議采用新型的驗證碼形式，如：隨機點選漢字圖片式、語音驗證等方式來增加識別難度，從而有效地加強高校系統(tǒng)的安全性． 

參考文獻： 

［3］文曉陽，高能，夏魯寧，等高效的驗證碼識別技術(shù)與驗證碼分類思想［J］．計算機工程，2009，35（8）：186－188．

［4］尹龍．扭曲粘連字符驗證碼識別研究［D］．合肥：中國科學技術(shù)大學，2014．

［5］朱瑩玲．粘連字符驗證碼的識別研究［D］．南京：南京理工大學，2017．

［6］張潔玉．基于圖像分塊的局部閾值二值化方法［J］．計算機應(yīng)用，2017，37（3）：827－831．

［8］楊雄．基于Python語言和支持向量機的字符驗證碼識別［J］．數(shù)字技術(shù)與應(yīng)用，2017（4）：72－74．

作者：安夢生 單位：淮陰師范學院