基于卷积神经网络的验证码识别

张苏沛 ，刘 军*，肖澳文 ，杜 壮

1.智能机器人湖北省重点实验室（武汉工程大学），湖北 武汉 430205；

2.武汉工程大学计算机科学与工程学院，湖北 武汉 430205

验证码是一种区别用户是人或计算机的自动化测试方法，目前广泛应用于互联网，可以有效避免自动化程序滥用网站服务。验证码通常由字母和数字组成，为防止被机器自动识别，其分辨率通常较低，图片噪声较大。字符被一定程度地扭曲或倾斜，字符间往往存在粘连，“用户”需要识别并键入正确的字符。人眼对验证码的识别率可以达到80%以上，但自动化程序识别准确度往往低于0.01%。这对于防止金融欺诈、电商刷单、恶意注册等批量化行为具有较好的效果［1-2］。

近年来，研究学者提出使用自动化方法识别验证码，如支持向量机（support vector machine，SVM）和旋转粗匹配算法［3-4］。上述方法一般有如下流程：图像预处理、二值化、去除离散噪声、字符分割、归一化、特征提取、训练和字符识别等［5］。这些方法模块之间相互独立，流程较为复杂，一旦某个模块出现故障，会直接影响最后的识别准确度。字符分割再识别的方法只针对复杂度较低、噪声较小的验证码图片，某些场景下字符相互堆叠，影响分割难度，并直接降低识别准确率。

受人类大脑处理信息方式的启发，有学者提出神经网络的方法。神经网络具有多层隐藏层结构，经过大量的训练，可以模拟人类的学习过程，实现机器智能化［6］。1998 年，Le［7-8］首次提出卷积神经网络（convolutional neural network，CNN），该神经网络是一种前馈神经网络，与传统BP神经网络相比，层与层之间的神经元属与部分连接，而非全部连接。限于当时的计算机硬件条件，卷积神经网络未能广泛流行，而开销较少，效果较好的SVM［9］成为主要研究方法。21世纪初，计算机与互联网的快速发展使卷积神经网络的计算开销成为可能。基于LeCun提出的5层神经网络LeNet-5，陆续有研究者提出更深层的神经网络［10］，并在各类图像识别比赛（如Kaggle）上取得优秀的成绩。近几年，类似ResNet等神经网络甚至实现了比人类识别更好的准确度［11-12］。

卷积神经网络最大的特点是将图片做为整体进行特征识别，省略了传统方法中图片预处理的过程。它包含了多层隐藏层结构，由底向上逐层学习更高层次的语义特征。目前，已有研究人员将卷积神经网络用于光学字符和大小写英文字符识别［13］，并取得较高的识别效率。

基于上述分析，本文提出了基于LeNet-5的具有卷积结构的神经网络，针对验证码的特征进行学习和识别，能够有效避免人工设计梯度特征的缺陷。在缩短识别流程的基础上，一定程度上提高了验证码识别的准确度。整个系统可由如下步骤实现：1）利用标准第三方库生成验证码图片；2）利用大量验证码图片训练卷积神经网络，同时设置对照实验；3）利用训练完成的网络进行测试和识别。

1 卷积神经网络结构与设计

卷积神经网络是一种具有多层结构的前馈神经网络，通常应用于图像分析领域。对于一幅二维图像，不需要人工设计和手动提取特征，可以通过卷积层和池化层自动完成。与人类大脑的学习方法类似，神经网络可以通过提取出图像的具体特征来对图像进行判断。卷积层和池化层最大的便利性在于图像特征的大小及出现的位置，均不影响最终的提取。

1.1 卷积层

卷积层的工作方式可以理解为一个矩阵（也称为卷积核，大小通常为3×3，5×5）依次在图像上滑动并与对应位置的像素值做运算的过程，其最大特点是稀疏连接和权值共享［14］。稀疏连接是指每一层之间的神经元节点相互且非全连接，这是它与传统BP神经网络最大的区别，这一特点极大地降低了计算的复杂度并减少了权值的数量。权值共享是指卷积滤波器在对图像进行卷积操作得到特征图（feature map）之后，每一个滤波器共享同样的参数，包括相同的权重矩阵和偏置项。

1.2 池化层

卷积神经网络中，池化层往往紧随卷积层出现。输入图像经过卷积层得到特征图像之后，池化层可以进一步地提取图像特征。池化操作一般有3种：最大池化（max pooling）、平均池化（average pooling）以及随机池化（stochastic pooling）。最大池化指在邻域特征点内取最大值，这是最常用的池化操作也是本文选取的操作。池化层的存在可以有效降低特征图像的维度，降低复杂度，减少计算量，避免训练过程中的过拟合现象，保证平移不变性，提高模型的泛化性。

1.3 激活函数

激活函数在卷积神经网络中最大的作用是引入非线性因素［15］，避免线性函数的局限性。常用的激活函数有3种：Sigmoid、Tanh以及ReLU。经研究指出［16］，与Sigmoid和Tanh相比，ReLU不仅计算速度较快，避免了训练过程中过拟合的问题，而且可以更有效地实现深层的神经网络，防止梯度弥散。因此本文选用ReLU作为神经网络中的激活函数。

ReLU函数表达式为：

其函数图像如图1所示。

图1 ReLU函数图像Fig.1 Image of ReLU function

1.4 网络设计

在Le-Net 5的基础上，设计了7层的网络结构。除输入层以外，卷积层与池化层各有2层，前后交替排列，最后有2层全连接层。卷积层可以获取图像特征，池化层可以减少计算复杂度，避免过拟合；全连接层综合所有特征，输出不同类别的概率。另外激活函数ReLU引入的非线性因素，可以进一步增强网络的表达能力。本文卷积层中卷积核均为 3×3，步长（strides）均为 1；池化层核均为2×2。步长均为2。卷积层和池化层填充方式（padding）为“0”填充。网络中每一层的参数以及输出如下：

输入层，验证码图像经过灰度转换，大小为60像素×160像素。

C1层，32个卷积核对图像进行卷积操作，得到32张60×160的特征图，共有（3×3+1）×32=320个训练参数。

S2层，对C1层得到的特征图进行最大池化操作，得到32张30×80的特征图，共有（1+1）×32=64个训练参数。

C3层，64个卷积核对S2得到的特征图进行卷积操作，得到64张30×80的特征图，共有（3×3×32+1）×64=18 496个训练参数。

S4层，对C3层得到的特征图进行最大池化操作，得到64张15×40的特征图，共有（1+1）×64=128个训练参数。

F5层，全连接层，将15×40×64的特征图展开为38 400维的向量，输出1 024个节点。

F6层，全连接层，输入节点为1 024个，输出节点为62×4=248个（一张图片共4个字符，每个字符有62种可能）。

每一层参数及输出如表1所示。

表1 卷积神经网络各层参数Tab.1 Parameters of each layer in CNN

2 实验部分

2.1 实验数据

卷积神经网络的训练需要大量的数据。由于缺少公共数据集，本文采用的图像由程序自动生成。验证码图像高度为60像素，宽度为160像素，字符集包括阿拉伯数字0～9，26个英文字母的大小写。每张图像包括4个随机字符并含有一定噪声，字符均有不同程度的扭曲、变形和粘连。数据集分为训练集和测试集，训练集包括40 000张图片，测试集包括1 000张图片。部分验证码图片如图2所示。

图2 部分验证码图片Fig.2 Some CAPTCHAs

2.2 实验结果

本文程序采用Python语言编写，基于Google开源机器学习框架Tensorflow。其中batch size为100，初始学习率（learning rate）为0.003，并在训练过程中不断衰减（每1 000次训练学习率下降为上一学习率的1/3），同时采用AdamOptimizer作为优化器。为验证学习率对训练结果的影响，训练过程中设置对照组（固定学习率）进行对比实验。

测试平台为Ubuntu 16.04，内存16 GB，GPU为NVIDIA GeForce GTX 1080Ti。两组实验迭代次数与准确率关系如表2所示。

实验结果表明，在学习率变化的情况下，迭代训练10 000次之后，模型已经达到了一个较好的准确度。随着迭代次数的增加，准确度继续提高；尽管在训练过程中，准确率有一定程度的下降，但最终依然超过99%，并继续保持稳定。而当学习率保持固定不变时，模型性能较差。由此可以证明，变化的学习率可以提高卷积神经网络的训练效率。

表2 不同学习率与迭代次数下识别准确率的比较Tab.2 Recognition accuracy comparison under different learning rates and iterations

测试集方面，除个别字符偶尔识别有误（如“0”，“o”与“O”），模型在大多数验证码上表现良好，测试集准确率在95%以上。

3 结 语

本文提出基于LeNet-5的网络模型对验证码进行识别，利用卷积神经网络对验证码的特征进行提取。实验表明：1）本文提出的卷积神经网络模型实现了端到端的识别，避免流程过多导致的设计缺陷，在验证码识别上具有较高的准确率；2）随着训练次数的增加，变化的学习率对于识别准确度的提高有明显帮助。