在實現網絡爬蟲的過程中，驗證碼的出現總是會阻礙爬蟲的工作。本期介紹一種利用深度神經網絡來實現的端到端的驗證碼識別方法。通過本方法，可以在不切割圖片、不做模板匹配的情況下實現精度超過90%的識別結果。
本文分為兩個部分，第一個部分介紹如何利用深度神經網絡實現驗證碼的訓練和識別，第二個部分介紹在實現過程中需要克服的工程問題。
一. 基于深度神經網絡的驗證碼識別
驗證碼的識別是從圖片到文字的過程。傳統(tǒng)的算法如OCR正是為了解決此類問題而設計的。然而，在真實情形中，驗證碼通常并不以規(guī)則的文字出現，即文字通常會有不同程度的變形，圖像本身也通常會被添加或多或少的噪聲。這些干擾的出現，使得文字分割、模板匹配不再有效，進而OCR算法也很難解析出結果。
近年來，深度神經網絡（DNN）在圖像識別領域已經被證明了強大的識別能力。單個文字的識別是典型的分類問題。通常的做法為訓練一個深度神經網絡，網絡的最后一層分為N種類別，代表字符的數目。比如對于英文字母，最后一層的分類器便是26個。比如經典的LeNet（http://yann.lecun.com/exdb/lenet/）即為解決單個文字識別的網絡：
然而驗證碼通常包含多個字符，如何利用現有的網絡實現這類分類問題呢？實際上這個問題再機器學習中被稱為多標簽訓練問題。和上述每個圖片輸入只對應一個標簽類別對比，這類分類的輸出是多個標簽。我們同樣可以對傳統(tǒng)的神經網絡稍作改變以適應這種情況。
延伸閱讀
- ssh框架 2016-09-30
- 阿里移動安全 [無線安全]玩轉無線電——不安全的藍牙鎖 2017-07-26
- 消息隊列NetMQ 原理分析4-Socket、Session、Option和Pipe 2024-03-26
- Selective Search for Object Recognition 論文筆記【圖片目標分割】 2017-07-26
- 詞向量-LRWE模型-更好地識別反義詞同義詞 2017-07-26
- 從棧不平衡問題 理解 calling convention 2017-07-26
- php imagemagick 處理 圖片剪切、壓縮、合并、插入文本、背景色透明 2017-07-26
- Swift實現JSON轉Model - HandyJSON使用講解 2017-07-26
- 阿里移動安全 Android端惡意鎖屏勒索應用分析 2017-07-26
- 集合結合數據結構來看看(二) 2017-07-26
學習是年輕人改變自己的最好方式