胡蝶 侯俊 何晨航

摘 要：為有效識別浮動驗證碼，提出一種基于特征匹配與卷積神經(jīng)網(wǎng)絡(luò)的識別方法。首先使用特征匹配的方法得到匹配特征點，結(jié)合交叉匹配算法與K近鄰匹配算法濾除錯誤匹配;然后對特征點進(jìn)行聚類及投票分析，得到待識別字符區(qū)域，將其分割得到單個字符;最后在mnist手寫數(shù)字?jǐn)?shù)據(jù)集的基礎(chǔ)上加入英文字符，構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)模型，將數(shù)據(jù)集送入模型進(jìn)行訓(xùn)練。對10 000張浮動驗證碼進(jìn)行測試，結(jié)果表明，該方法對浮動驗證碼的識別準(zhǔn)確率達(dá)95%，且構(gòu)建的訓(xùn)練集具有可擴(kuò)展性，可進(jìn)一步應(yīng)用到其它類型的字符識別中。

關(guān)鍵詞：特征匹配;卷積神經(jīng)網(wǎng)絡(luò);交叉匹配算法;K近鄰匹配算法

DOI：10. 11907/rjdk. 191914 開放科學(xué)（資源服務(wù)）標(biāo)識碼（OSID）：

中圖分類號：TP301文獻(xiàn)標(biāo)識碼：A 文章編號：1672-7800（2020）005-0037-05

0 引言

隨著信息服務(wù)產(chǎn)業(yè)的不斷發(fā)展，網(wǎng)絡(luò)信息安全面臨日益嚴(yán)峻的挑戰(zhàn)。利用機(jī)器人程序自動注冊網(wǎng)站、發(fā)送大量垃圾郵件、惡意破解用戶密碼等行為降低了網(wǎng)絡(luò)信息服務(wù)安全性和實用性，驗證碼技術(shù)應(yīng)運(yùn)而生。驗證碼是一種用來區(qū)分人類和計算機(jī)的全自動圖靈測試，該測試隨機(jī)生成一個驗證碼，要求用戶在文本框中輸入看到的內(nèi)容，只有驗證通過才能訪問接下來的網(wǎng)站內(nèi)容。一個好的驗證碼系統(tǒng)既要考慮計算機(jī)安全問題，也要考慮人性化問題。對驗證碼識別技術(shù)的研究可用于檢驗網(wǎng)站驗證碼技術(shù)保證網(wǎng)站安全的有效性，及時發(fā)現(xiàn)驗證碼漏洞，促進(jìn)驗證碼設(shè)計系統(tǒng)的發(fā)展。

近年來國內(nèi)外眾多學(xué)者對驗證碼識別技術(shù)進(jìn)行了研究，以完善驗證碼生成技術(shù)，促進(jìn)網(wǎng)絡(luò)信息安全技術(shù)發(fā)展。于志良[1]使用模板匹配法對簡單類型的驗證碼進(jìn)行識別，該方法是從待識別圖像中提取若干特征向量與模板對應(yīng)的特征向量進(jìn)行比較，計算圖像與模板特征向量之間的距離，用最小距離法判定所屬類別。該方法易于實現(xiàn)，但是準(zhǔn)確率不高，缺乏系統(tǒng)性且不易移植;殷光等[2]提出基于支持向量機(jī)的驗證碼識別算法，該算法利用核函數(shù)特征空間有效訓(xùn)練線性學(xué)習(xí)器，同時還考慮了泛化性理論，其分類性能優(yōu)良，具有統(tǒng)計學(xué)理論支撐，取得了較好的識別效果，使用該方法的識別率達(dá)到80%以上;田懷川[3]在驗證碼分類和識別階段，建立了神經(jīng)網(wǎng)絡(luò)模型，通過對分割后驗證碼圖片進(jìn)行學(xué)習(xí)和測試，大幅提高了驗證碼識別效率和準(zhǔn)確性;張濤[4]針對數(shù)字字母組合驗證碼識別問題，先對驗證碼進(jìn)行去噪和分割，然后再利用卷積神經(jīng)網(wǎng)絡(luò)模型對普通驗證碼進(jìn)行訓(xùn)練識別，取得比利用傳統(tǒng)神經(jīng)網(wǎng)絡(luò)方法和支持向量機(jī)更高的識別率，達(dá)到90%;Lin等[5]提出一種基于卷積神經(jīng)網(wǎng)絡(luò)的中文驗證碼識別方法，使用卷積神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)漢字字符筆畫、部首和字符特征，該方法大幅提高了有失真、旋轉(zhuǎn)和背景噪聲的漢字驗證碼識別精度，實驗結(jié)果表明，該方法對單個漢字的識別率達(dá)到95%以上;Bostik等[6]比較了幾種常用的驗證碼識別機(jī)器學(xué)習(xí)分類算法，包括神經(jīng)網(wǎng)絡(luò)、K近鄰算法、支持向量機(jī)和決策樹算法。實驗在MATLAB計算機(jī)環(huán)境下進(jìn)行，最終實驗結(jié)果表明基于以上算法識別驗證碼的正確率超過89%，同時指出，算法結(jié)果差異主要體現(xiàn)在學(xué)習(xí)時間上。因此，識別任務(wù)應(yīng)針對不同的識別需求選取合適的算法。

本文針對浮動驗證碼進(jìn)行識別，如圖1所示，其待識別主體為“US5T1”，其余字符均為干擾。干擾由字母和數(shù)字組成，與待辨認(rèn)的驗證碼主體類似，同時這兩種類型的字符處于不斷運(yùn)動中，增加了機(jī)器識別難度。

本文方法主要分為兩部分：第一部分將動態(tài)待識別字符與干擾字符分割開來。在分割階段，首先對驗證碼圖片進(jìn)行特征檢測，使用交叉匹配算法與K近鄰匹配算法[7]濾除錯誤的匹配。為將干擾字符與待識別字符的特征點區(qū)分開來，使用投票算法及聚類算法[8]得到待識別字符特征點，再經(jīng)過以投影為基礎(chǔ)的分割算法處理得到待識別字符圖片;第二部分是識別，在識別階段使用深度學(xué)習(xí)方法構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)模型以獲得較高的識別率。

1 特征檢測算法

1.1 SIFT算法

尺度不變特征轉(zhuǎn)換（Scale Invariant Feature Transform，SIFT）[9]是一種用計算機(jī)視覺技術(shù)檢測與描述圖像局部特征的算法。它在尺度空間中尋找極值點，對圖像尺度縮放、平移、旋轉(zhuǎn)、亮度變化、目標(biāo)遮擋和噪聲等具有良好的不變性，對視覺變化、仿射變換也可保持一定程度的穩(wěn)定性。該算法由David？Lowe在1999年提出，于2004年得到完善，算法將圖像數(shù)據(jù)轉(zhuǎn)換為相對于局部特征尺度的不變坐標(biāo)。該方法在圖像整個尺度和位置范圍內(nèi)可產(chǎn)生大量特征點，這些特征點可密集地覆蓋圖像，因其特征點信息量豐富，適用于在海量特征數(shù)據(jù)庫中進(jìn)行快速、準(zhǔn)確的匹配。

在進(jìn)行特征匹配和識別時，首先選取一張參考圖片和一張待匹配、識別的圖片。從參考圖片中提取SIFT特征并將其存儲于數(shù)據(jù)庫中，再將待識別圖像中的每個特征與數(shù)據(jù)庫中的特征進(jìn)行比較。根據(jù)特征向量的歐氏距離得到候選匹配特征以匹配待識別圖像。具體可以分為3個步驟：①生成高斯差分金字塔[10]，構(gòu)建尺度空間;②SIFT特征檢測;③特征點匹配，計算兩組特征點128維的關(guān)鍵點歐式距離，歐式距離越小，則相似度越高，當(dāng)歐式距離小于設(shè)定的閾值時，可判定為匹配成功。

其中SIFT特征檢測過程主要包含4個步驟：①尺度空間極值點檢測。在尺度空間中先初步搜索所有尺度上的圖像位置，通過高斯微分函數(shù)[11]識別具有尺度和旋轉(zhuǎn)不變性的潛在興趣點;②特征點定位。在每個候選位置上，通過一個精確的模型確定其位置和尺度，特征點選取主要依據(jù)是候選興趣點的穩(wěn)定程度，即濾除低對比度與不穩(wěn)定的邊緣響應(yīng)點，得到最終穩(wěn)定的特征點;③方向分配。根據(jù)局部圖像梯度方向，為每個關(guān)鍵點分配一個或多個方向。后續(xù)對圖像進(jìn)行方向、尺度、旋轉(zhuǎn)變換，從而提供針對這些變換具有健壯性的特征點;④特征點描述。在每個特征點周圍鄰域內(nèi)，在選定的尺度上測量圖像梯度。這些梯度被轉(zhuǎn)換成一種在局部形狀失真和光照變化的代表。

1.2 SURF算法

加速穩(wěn)健特征（Speeded Up Robust Features，SURF）算法[12]是一種穩(wěn)健的局部特征點檢測和描述算法。SURF算法是對SIFT算法的改進(jìn)，提升了算法執(zhí)行效率。SURF算法基本步驟與SIFT算法相同，其特點是特征穩(wěn)定，具體指對各種旋轉(zhuǎn)、尺度、噪聲、亮度的變換保持穩(wěn)定性。SURF算法在繼承這些優(yōu)點的基礎(chǔ)上使用黑塞（Hessian）矩陣[13]和降維的特征描述子，完成了特征點提取和特征點描述，在執(zhí)行效率上有大幅提升。

SURF算法具體實現(xiàn)流程為：

（1）構(gòu)建黑塞（Hessian）矩陣，生成所有興趣點用于特征提取。構(gòu)建黑塞矩陣生成圖像穩(wěn)定的邊緣點，為后續(xù)特征提取打好基礎(chǔ)。這個過程對應(yīng)于SIFT算法的高斯卷積過程。黑塞矩陣是由一個多元函數(shù)二階偏導(dǎo)數(shù)構(gòu)成的方陣，描述函數(shù)局部曲率，在圖像I中取一個點x = （x， y），其在尺度空間[σ]下的黑塞矩陣定義為：

（3）興趣點定位。為了對圖像中的興趣點進(jìn)行定位，在3*3*3鄰域內(nèi)采用非最大抑制，使用由Neubeck & Van Gool[14]提出的快速變體方法;然后用Brown等[15]提出的方法在尺度和圖像空間內(nèi)插入黑塞矩陣行列式的最大值，將經(jīng)過黑塞矩陣處理的每個像素點與二維圖像空間和尺度空間鄰域內(nèi)的26個點進(jìn)行比較，初步定位出關(guān)鍵點;再濾除能量比較弱的關(guān)鍵點及定位錯誤的關(guān)鍵點，最終篩選出穩(wěn)定的特征點。

（4）定向分配。在SURF算法，采用的是統(tǒng)計特征點圓形鄰域內(nèi)的harr小波特征[16]。即在特征點圓形鄰域內(nèi)，統(tǒng)計60°扇形內(nèi)所有點的水平、垂直harr小波特征總和，然后對扇形以0.2弧度大小的間隔進(jìn)行旋轉(zhuǎn)并再次統(tǒng)計該區(qū)域內(nèi)harr小波特征值，最后將值最大的扇形方向作為該特征點主方向。

（5）生成特征描述子。SIFT算法取特征點周圍4*4個區(qū)域塊，統(tǒng)計每小塊內(nèi)8個梯度方向，用4*4*8=128維向量作為SIFT特征描述子。SURF算法也是在特征點周圍取一個4*4的矩形區(qū)域塊，但是所取得矩形區(qū)域方向是沿著特征點的主方向。每個子區(qū)域統(tǒng)計25個像素水平方向和垂直方向的haar小波特征，水平和垂直方向均相對主方向而言。該haar小波特征為水平方向值之和、垂直方向值之和、水平方向絕對值之和及垂直方向絕對值之和4個方向。把這4個值作為每個子塊區(qū)域的特征向量，所以一共有4*4*4=64維向量作為SURF特征描述子，比SIFT特征描述子減少了一半。

2 特征匹配

特征匹配[17]是針對特征描述子進(jìn)行的，特征描述子通常是一個向量，兩個特征描述子之間的距離可反映其相似程度，距離越小，相似度越高。根據(jù)描述子不同，選擇不同的距離度量。對于浮點類型的描述子，使用歐式距離;對于二進(jìn)制的描述子，使用漢明距離。特征匹配即在特征點集合中尋找與目標(biāo)特征點最相似的特征點，主要有4種方法。

2.1 暴力匹配方法

暴力匹配法首先需得到一個特征點描述子，然后計算與其它所有特征點描述子的距離，將得到的距離進(jìn)行排序，距離最近的特征點記為匹配點。該方法簡單、易實施，且得到的匹配點也顯而易見。但是這種暴力匹配方法會產(chǎn)生很多錯誤匹配，因此后續(xù)出現(xiàn)了很多改進(jìn)機(jī)制以過濾一些錯誤匹配。

2.2 最小距離法

在使用暴力匹配法得到一些匹配點之后，設(shè)置一個距離，當(dāng)已經(jīng)匹配的點間距離不大于該距離時，則認(rèn)為是一個正確的匹配，否則視為錯誤的匹配。該方法非常簡單，對比暴力匹配方法，利用該方法進(jìn)行過濾后的匹配效果大幅改善。

2.3 交叉匹配法

針對暴力匹配法，可以使用交叉匹配的方法過濾錯誤匹配。交叉過濾的思想是在暴力匹配的基礎(chǔ)上再進(jìn)行一次匹配，即利用被匹配到的點進(jìn)行匹配，如果匹配到的仍然是第一次匹配點，則認(rèn)為這是一個正確的匹配。例如，M圖中的特征點記為a、b、c，N圖中的特征點記為A、B、C，在N圖中使用暴力匹配算法找出特征點a的匹配點為A，然后在M圖中尋找A點的匹配點，若該匹配點為a，則記為正確匹配，否則視為錯誤匹配被過濾掉。使用交叉匹配算法可大幅提高特征點匹配正確率，過濾掉錯誤匹配，減小后續(xù)工作計算量。

2.4 K近鄰匹配法

K近鄰匹配法是在匹配時選擇K個與特征點距離最近的點，如果這K個點之間的距離足夠大（相似度低），則選擇與特征點距離最小的點作為匹配點，通常情況下，K取值為2。即對每個匹配返回兩個最近的匹配，如果這兩個最近的匹配特征描述子比率足夠大（比率閾值通常設(shè)置在2左右），則認(rèn)為是正確匹配。

3 卷積神經(jīng)網(wǎng)絡(luò)模型

3.1 卷積神級網(wǎng)絡(luò)模型

卷積神經(jīng)網(wǎng)絡(luò)是將圖像進(jìn)行分類的模型構(gòu)架[18]，它由多個卷積層加池化層構(gòu)成，每個卷積層后接池化層，最后一個卷積層后接密集層，密集層可能有多個，其作用是執(zhí)行分類任務(wù)，該層輸出節(jié)點個數(shù)應(yīng)與類別數(shù)對應(yīng)。之后應(yīng)用Softmax激活函數(shù)[19]將輸出節(jié)點的值轉(zhuǎn)化為0～1之間的值，該值即可作為輸入圖像可能屬于某個類別的概率。

本文使用交叉熵[20]函數(shù)刻畫實際輸出概率和期望輸出概率分布之間的距離，交叉熵值越小，兩個概率分布越接近，識別準(zhǔn)確率越高。假設(shè)概率分布[p]為期望輸出概率分布，[q]為實際輸出概率分布，[H（p，q）]為交叉熵，則交叉熵函數(shù)為：

3.2 數(shù)據(jù)集擴(kuò)展

本文構(gòu)建的數(shù)據(jù)集包括0-9的數(shù)字及英文字母A-Z共計36個字符類別。其類別較多，工作量龐大，因此本文選用一種效率較高的方法構(gòu)建數(shù)據(jù)集?，F(xiàn)有mnist數(shù)據(jù)集包含0-9數(shù)字字符，本文將nist數(shù)據(jù)庫中的英文字符圖片格式修改成與mnist數(shù)據(jù)集圖片格式一致，并添加到mnist數(shù)字?jǐn)?shù)據(jù)集中，構(gòu)建一個完整的驗證碼識別數(shù)據(jù)集。

訓(xùn)練數(shù)據(jù)集合由兩個文件組成，一個是訓(xùn)練圖像文件，里面存放所有訓(xùn)練圖片，另一個是圖像標(biāo)簽文件，記錄每個訓(xùn)練圖片最終標(biāo)記類型。訓(xùn)練圖像文件的前16個字節(jié)分為4個整型數(shù)據(jù)，每個4字節(jié)，分別代表：數(shù)據(jù)信息、圖像數(shù)目，圖像行數(shù)、圖像列數(shù)，第5到第8字節(jié)保存的是整個訓(xùn)練數(shù)據(jù)集的圖片數(shù)目，從第9個字節(jié)開始存放訓(xùn)練圖像，每個圖像占用784個字節(jié)，每個字節(jié)代表一個灰度值。

向訓(xùn)練圖片集中添加圖片的步驟包括：①將圖片處理成28像素×28像素的灰度圖;②新建一個一維數(shù)組暫存該圖各點像素值，將該數(shù)組以uint8的數(shù)據(jù)類型格式寫進(jìn)一個空白矩陣中，最后將這個28×28的矩陣轉(zhuǎn)換成1×784的矩陣;③以二進(jìn)制格式打開mnist訓(xùn)練圖片集，將一維矩陣添加到訓(xùn)練集末尾;④修改訓(xùn)練圖片集圖片數(shù)目。

訓(xùn)練標(biāo)簽文件第4～8個字節(jié)記錄的是標(biāo)簽數(shù)目信息，第8個字節(jié)后記錄的是標(biāo)簽信息，修改標(biāo)簽數(shù)目信息并添加標(biāo)簽信息。至此，可構(gòu)建一個完整的數(shù)據(jù)集。

4 實驗分析與結(jié)果

從一張浮動驗證碼中截取9張圖，如圖3所示;使用SIFT、SURF特征檢測算法，找到圖3（a）、（b）中的特征點;對得到的特征點使用暴力匹配法，如圖6所示，可得到大量匹配結(jié)果，其中包含一些錯誤的匹配點;結(jié)合交叉匹配法與最近鄰匹配法，濾除錯誤匹配點，篩選后的匹配結(jié)果如圖7所示。

如圖3所示，隨著干擾字符的不斷運(yùn)動，干擾字符可能消失在驗證碼圖片中，而待識別字符一直在驗證碼圖片中。根據(jù)該特點，對圖3（a）與圖3（c）、（d）、（e）、（f）、（g）、（i）分別重復(fù)上述步驟，進(jìn)行特征匹配，得到匹配的特征點。使用投票算法，將特征點按重復(fù)出現(xiàn)的次數(shù)排序，保留出現(xiàn)次數(shù)前20位的特征點，濾除出現(xiàn)次數(shù)較少的特征點。經(jīng)過對干擾字符特征點的濾除操作，可以將干擾字符的特征點與待識別字符的特征點有效區(qū)分開來。

給所有保留類的特征點作最小矩形框，將驗證碼圖片盡可能地縮小識別范圍，如圖9所示。利用Huang等[21]提出的分割算法處理圖9，得到的分割字符如圖10所示。

利用上述方法創(chuàng)建一個包含數(shù)字和字母的訓(xùn)練集。訓(xùn)練集圖片共計138 000張，包含0-9字符，每類分別有 ?6 000張訓(xùn)練圖片，英文字母（A-Z）每類有3 000張訓(xùn)練圖片，訓(xùn)練集由單一字符構(gòu)成（見圖11）。同時采集10 000張浮動驗證碼圖片作為測試集，如圖12所示。由此構(gòu)建了一個完整的浮動驗證碼數(shù)據(jù)集。

構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)模型，將數(shù)據(jù)集輸入訓(xùn)練模型，根據(jù)交叉熵的計算結(jié)果得到正確率，并據(jù)此結(jié)果不斷調(diào)整訓(xùn)練模型參數(shù)以獲得較高的識別準(zhǔn)確率。在數(shù)據(jù)集訓(xùn)練階段，訓(xùn)練步數(shù)趨于20 000步時，訓(xùn)練準(zhǔn)確率逐漸穩(wěn)定，訓(xùn)練完成后保存模型，在識別驗證碼字符時直接調(diào)用。

調(diào)用保存的模型，輸入字符進(jìn)行識別。如圖11所示，雖然分割后的待識別字符存在部分干擾，但卷積神經(jīng)網(wǎng)絡(luò)分類器仍能將其正確識別出來。經(jīng)驗證，本文方法最終在測試集10 000張動圖上的測試準(zhǔn)確率達(dá)95%。

5 結(jié)語

隨著驗證碼技術(shù)的不斷成熟，驗證碼識別研究備受關(guān)注，但是浮動驗證碼相關(guān)研究較少。本文針對浮動驗證碼，構(gòu)建了一個識別模型。通過對浮動字符進(jìn)行特征匹配，得到字符特征點，使用聚類算法初步提取出待識別字符，再進(jìn)行分割得到單個待識別字符，最終在mnist數(shù)據(jù)集的基礎(chǔ)上擴(kuò)充英文字符，使用深度學(xué)習(xí)方法構(gòu)建模型，提高了識別率。下一步工作將在分割階段根據(jù)兩種類型字符傾斜與完整程度進(jìn)行分割，以進(jìn)一步提高識別率。

參考文獻(xiàn)：

[1] 于志良. 簡單驗證碼的模板匹配實現(xiàn)[J]. 電腦知識與技術(shù)，2011，7（26）：6375-6376.

[2] 殷光，陶亮. 一種SVM驗證碼識別算法[J]. 計算機(jī)工程與應(yīng)用，2011，47（18）：188-190，194.

[3] 田懷川. 基于神經(jīng)網(wǎng)絡(luò)的圖形驗證碼識別及防識別的研究與應(yīng)用[D]. 哈爾濱：哈爾濱工業(yè)大學(xué)，2010.

[4] 張濤，張樂樂. 基于卷積神經(jīng)網(wǎng)絡(luò)的圖片驗證碼識別[J]. 電子測量技術(shù)，2018，41（14）：83-87.

[5] LIN D，LIN F，LV Y P，et al. Chinese character CAPTCHA recognition and performance estimation via deep neural network[J]. Neurocomputing，2018，288：11-19.

[6] ONDREJ B，JAN K. Recognition of CAPTCHA characters by supervised machine learning algorithms[J]. IFAC Papers Online，2018，51（6）：1-6.

[7] 肖春寶，馮大政. 基于K近鄰一致性的特征匹配內(nèi)點選擇算法[J]. 計算機(jī)科學(xué)，2016，43（1）：290-293.

[8] 王千，王成，馮振，等. K-means聚類算法研究綜述[J]. 電子設(shè)計工程，2012，20（7）：21-24.

[9] LOWE D G. Distinctive image features from scale-invariant keypoints[J]. ?International Journal of Computer Vision，2004，60（2）：91-110.

[10] 姜靚，詹永照. 基于高斯金字塔與差分法的多目標(biāo)檢測和跟蹤算法[J]. 微電子學(xué)與計算機(jī)，2011，28（11）：129-132，136.

[11] 索春寶，楊東清，劉云鵬.多種角度比較SIFT、SURF、BRISK、ORB、FREAK算法[J]. 北京測繪，2014（4）：23-26，22.

[12] BAY H，ESS A，TUYTELAARS T，et al.Speeded-up robust features （SURF）[J]. Computer Vision and Image Understanding，2007，110（3）：346-359.

[13] ERLEBEN K，ANDREWS S. Solving inverse kinematics using exact Hessian matrices[J]. Computers &Graphics，2019，78：1-11.

[14] NEUBECK A，GOOL V. Efficient non-maximum suppression[C]. ?Hongkong：The 18th International Conference on Pattern Recognition， 2006.

[15] BROWN M，LOWE D. Invariant features from interest point groups[C]. Cardiff：The British Machine Vision Conference， 2002.

[16] 劉悅. 基于Harr特征的運(yùn)動車輛跟蹤[J]. 廣東公安科技，2019，27（1）：45-47，61.

[17] 賈迪，朱寧丹，楊寧華，等. 圖像匹配方法研究綜述[J]. 中國圖象圖形學(xué)報，2019，24（5）：677-699.

[18] RYU S H，NOH J，KIM H. Deep neural network based demand side short term load forecasting[J]. Energies，2016，10（1）：1-20.

[19] 陳翠平. 基于深度信念網(wǎng)絡(luò)的文本分類算法[J]. 計算機(jī)系統(tǒng)應(yīng)用，2015（2）：121-126.

[20] 趙宏，郭萬鵬. 深度神經(jīng)網(wǎng)絡(luò)代價函數(shù)選擇與性能評測研究[J]. 軟件，2018，39（1）：14-20.

[21] HUANG S Y，LEE Y K，BELL G，e al. An efficient segmentation algorithm for captchas with line cluttering and character warping[J]. ?Multimedia Tools and Applications，2010，48（2）：267-289.

（責(zé)任編輯：江 艷）