自组织增量神经网络的验证码识别模型与算法

摘要

计算机互联网的普及使图像技术越来越受到人们关注，用户对图像信息识别以及安全意识也越来越强，其中验证码图像识别在初级的信息安全保证领域以及日常图像处理领域等方面有较广泛的应用。不仅涉及到日常生活的手机指纹解锁、PC打卡等，同时，也涉及到敏感的军事目标识别、交通主动安全规避等领域。故无论民用还是军用，对验证码识别技术的研究都具有重要的实际和理论指导意义。
　　由于实际运用中的验证码数据存在更新迭代频率快、数据积累量大以及数据冗余性高等特点，使得传统的验证码识别模型（即每次新数据载入后模型都需要重新对全部数据进行学习）在面对增量数据识别时不仅计算成本较高（主要成本为时间和空间），而且识别效果不佳。为了更好的适应实际运用需求，进一步降低验证码识别模型对时间和空间的依赖成本，本文结合相关图像识别技术，围绕着图像去噪、切割、离线识别、在线增量识别进行算法分析、建模、设计与实验仿真展开。
　　本文以基础文本验证码（包括a-z，A-Z，0-9,共计62个基础字符）为研究对象，提出一种基于PNN-SOINN-RBF网络构建的自组织增量神经网络模型对验证码进行识别，首先对验证码进行去噪、切割图像预处理;其次，通过离线数据对SOINN-RBF模型进行训练学习先验知识;最后，通过PNN对字符进行预判别，接着将新数据不断输入到SOINN-RBF网络中进行增量学习（结合节点增、删策略），实现离线模型与在线模型的转换。模型借助了RBF、PNN模型的分类识别能力以及SOINN的数据表征能力，其整体识别效果得到了实验验证。
　　经实验表明，基于PNN-SOINN-RBF网络模型对于验证码识别有较高实用性和准确性，其中，离线、在线模型在验证集中的单个字符整体识别预测准确率依次为72.75％、50.25％，其验证码综合识别准确率依次为29.31％、20.47％。离线、在线模型在验证集中引入新数据后对于单个字符识别准确率依次为60.44％、78.78％，其综合识别准确率依次为23.05％，28.83％。本文构建的算法为增量学习方法提供了模型框架参考，同时，本文的模型体系可拓展至不平衡、高复杂、非线性的大数据预测应用领域。

目录

摘要

第一章 绪论

1．1 研究背景及意义

1．2 国内外研究现状

1．3 论文的研究内容

1．4 论文的组织结构

第二章 预备知识

2．1 降噪算法原理

2．2 图像降噪主流技术

2．2．1 中值滤波降噪

2．2．2 小波降噪

2．2．3 偏微分方程(PDE)降噪

2．3 图像切割技术

2．3．1 基于投影分割

2．3．2 区域平均分割

2．4 图像识别技术

2．4．1 径向基神经网络(RBF)

2．4．2 概率神经网络(PNN)

2．4．3 自组织增量神经网络(SOINN)

2．5 图像预处理质量评价及分析

2．6 本章小结

第三章 验证码图像识别

3．1 验证码字符降噪

3．1．1 常用的的降噪声方法

3．2 验证码字符切割

3．2．1 传统的切割方法

3．2．2 一种改进图像分割方法

3．3 验证码字符识别

3．3．1 径向基神经网络(RBF)识别

3．3．2 概率神经网络(PNN)识别

3．3．3 自组织增量神经网络(SOINN)表征拓扑结构

3．4 本章小结

第四章 PNN-SOINN-RBF网络验证码识别模型与算法

4．1 离线PNN-SOINN-RBF网络验证码识别

4．1．1 离线模型识别模型

4．1．2 离线模型识别算法

4．1．3 实验分析

4．2 在线PNN-SOINN-RBF网络验证码识别

4．2．1 节点权重计算

4．2．2 节点增、删策略

4．2．3 在线增量模型识别模型

4．2．4 在线增量模型识别算法

4．2．5 实验结果分析

4．3 本章小结

总结与展望

参考文献

攻读学位期间发表的论文

声明

致谢