验证码识别幻灯片.pptVIP

基于VC++的网络验证码识别系统设计 李博 指导老师：孟江 验证码：是将一串随机产生的数字或符号，生成的一幅图片。该图片里加上一些干扰象素，由用户肉眼识别其中的信息，输入表单提交网站验证，验证成功后才能使用某项功能。验证码使用是为了保护用户，其随机产生的图片可以防止软件对帐号的恶意重复注册。 验证码识别过程好比人大脑的一个识别过程 。首先我们的眼睛接收，并将这张图片的信息输送给大脑，然后我们的大脑接收到这个图片信息以后，对这个图片信息作出处理，将图片中的有效信息提取出来再将其和大脑中储存的信息进行对应对比，确定对比结果。类比验证码识别，大脑接受图片的处理过程就相当与电脑对图片的预处理，大脑对图片进行对比和确定结果就相当于电脑对验证码进行的识别。 验证码识别的流程如下图，其中图像的预处理、图像的识别是验证码识别的重点。 图像的读取 图像的显示 图像的预处理 灰度化：灰度图是含只含亮度信息，不包含色彩信息的图像。灰度化处理是把含有亮度和色彩的彩色图像变换成灰度图像的过程。 有三种方法可以实现彩色图像灰度化：1、最大值法：取红、绿、兰中最大值；2、平均值法：取红、绿、兰三者和的平均值；3、加权平均值法：灰阶值 = 0.3 x 红 + 0.59 x 绿 + 0.11 x 蓝 方法3效果上相对来说比较好，保留了许多层次信息，本次设计将选用第3种方法 . 二值化：将图像上点的灰度置为0或255，得到一种黑白效果，通过特定的阈值却仍可以反映出图片的整体特征。超出阈值其灰度值为255，否则被排除物体区域外，灰度值为0。 滤波：图像的滤波是一个很广的概念，根据目的不同有平滑滤波，锐化滤波，低通滤波，高通滤波等 ，中值滤波是对一个滑动窗口内的诸像素灰度值排序，用其中值代替窗口中心象素的原来灰度值，它是一种非线性的图像平滑法，它对脉冲干扰级椒盐噪声的抑制效果好，在抑制随机噪声的同时能有效保护边缘少受模糊 ，本设计将选用中值滤波法。其流程图如下所示： 字符分割： 1.全部分割：在字符串上下边界所界定的范围内进行垂直投影，计算垂直投影信息直方图,表示某的目标像素的个数。首先从右向左开始扫描，即从图片的最后一个字符开始确定每个字符初始的左右边界。 2.局部分割：经过粗分割，初步定位出了字符左右边界的位置。通常由于其他不可预计外界因素影响，使得对图片进行二值化后，会出现字符断裂缺损的情况。所以在粗分割的过程中，很可能将一个断裂缺损的字符分割为几部分。对于这样的情况，需要对粗定位出的每个字符的左右边界进行细调整。 细调整主要的依据是字符的宽度信息。前面去除图片上下边界的过程实际就是获得字符串统一高度的过程。利用这个高度信息再根据标准字符具有固定的高宽比这一特点，可以估算出字符的宽度信息。由于粗分割是一个自右向左扫描定位的过程，所以最后一个字符(即第6个字符)的右边界位置比较准确。 识别 识别的种类： 1.统计模式法：2.句法结构方法： 3.逻辑特征法： 4.模糊模式方法：5.神经网络方法 神经网络具有一些传统技术所没有的优点：良好的容错能力、分类能力强、并行处理能力和自学习能力。因而，采用神经网络识别方式是一种很好的选择。其流程图如下： 样本训练就是要使其将输出向量中正确的位置设置为1，其余位置全为0。然而，由于噪声信号的引入，网络就可能不会输出正确的1或0信号。在网络被训练后，将带有噪声的数字信号输入网络，就会在正确的位置上得到1和0 。 训练的步骤有： 无噪声的训练：开始时使用无噪声的信号对网络进行训练。当训练时间达到5000个时间单位或者是网络平方和误差小于0.001时停止网络的训练。训练过程误差变化情况可通过MATLAB进行观察。下面进行无噪声训练,训练结束条件：最大次数5000，误差平方和为0.001； 含有噪声信号的训练：为了保证设计的网络对噪声不敏感，可用理想的数字向量和加了噪声的数字表向量分别训练网络。设置向数字表加入的噪声信号平均值分别为0.1和0.2。这样就可以保证神经元网络学会在辨别带噪声信号的数字表向量时，也能对理想的数字向量有正确的识别。另外，设置网络对含噪声信号的向量进行训练的最大时间为6000个单位时间，并且把误差参数也增加到0.006。之所以要提高误差参数，是因为这次的训练向量（其中一些向量含有误差）增加了四倍。 再次对无噪声信号训练：为了保证网络总是能够正确地对理想输入进行分类，我们需要再一次用无噪声的理想信号对网络进行训练。 将