面向复杂验证码识别任务的轻量神经网络设计①

李 昊,程 辉

(江汉大学 数学与计算机科学学院,武汉 430056)

验证码是一种被广泛应用于互联网安全领域,可有效防止自动化脚本对服务器进行攻击、区分人类和计算机的图灵测试技术[1].较低的分辨率及背景带干扰等特点,使其对传统的光学字符识别技术(Optical Character Recognition,OCR)具有一定的抵抗能力,可有效避免金融诈骗、刷单式营销等恶性事件的发生,因此备受金融证券系统和电商网站的青睐,被广泛部署于各项服务中,为建设安全的互联网环境做出了巨大的贡献.近年来,计算机视觉技术(Computer Vision,CV)飞速发展,传统的验证码变得不再安全.由此引发了验证码生成技术的更新迭代,出现了带有彩色图形噪声、字符扭曲粘连严重的新型验证码.对于这种情况,旋转匹配、支持向量机(Support Vector Machine,SVM)[2,3]等传统算法变得不再适用.

得益于脑科学和神经科学的发展,有学者提出通过构造人工神经网络(Artificial Neural Network,ANN),即把众多具有信息处理功能的“神经元”按照一定的方式进行连接,组成网络反复训练,来模仿人脑的学习过程,进而达成“机器以人的方式学习图片特征,识别验证码”的效果.1998年,LeCun 等人[4]在已有的工作基础上设计了如图1所示的名为LeNet-5的卷积神经网络(Convolutional Neural Network,CNN)并在手写数字的识别任务上取得成功.这之后,陆续有研究者设计出更深层的网络.其中,文献[5]设计的AlexNet 首先将修正线性单元ReLU 作为网络各层的激活函数,大大缩短了模型收敛所需的时间;文献[6]提出的VGG16和VGG19 则在加深网络层数的同时使用小卷积核……