刘达荣，张远平，汤茂斌，李福芳

(广州大学 计算机科学与教育软件学院，广东 广州 510006)

1 概 述

验证码[1]作为区分人类和机器的测试工具，在图灵测试上占有一席之地。如铁道部在高铁票购买过程中，进行验证码识别以防止黄牛党抢票；论坛注册时，提供的验证码测试防止脚本自动注册。目前，比较常用的验证码都会包含一些扭曲变形的字符进行测试，测试者必须能看懂并输入正确的字符串才能通过。对于人类来说，扭曲变形的字符并不难识别，但对于机器就相当困难，一个好的验证码可以有80%的概率被人类识别[2]，但对于机器只有0.01%的概率被识别。一个典型的验证码样例[3]如图1所示。

图1 谷歌提供的验证码样例

传统的光学字符识别[4]的方法是：首先定位字符的位置，然后进行分割[5]和识别。Mori等[6-7]提出先分割，后使用字典来解决验证码识别问题。然而，如图1所示，因为这种验证码的字符发生重叠或者变形，已经不能用垂直线分割。目前，相关工作者已经开始利用人工智能[8]研究自动化方法去解决验证码识别问题，如Goodfellow等[9]使用深度卷积神经网络(CNN)成功解决了该问题。但是训练一个深度卷积神经网络需要非常大的数据集[10]，如ImageNet[11]数据集需要大量的图片数据：训练数据集126万张图像，验证集5万张，测试集10万张。对于验证码识别，具有人工标签的训练数据并不多，而且与自然图片中的对象不同，验证码的变化空间非常大。

由于变形验证码的特征与手写字符类似，因此文中借鉴LeCun等[12]提出的卷积神经网络架构进行识别。……