摘 要：互联网时代，验证码是互联网安全的重要保证。文章应用图像处理与深度学习方法，通过灰度化、OTSU阈值分割法、腐蚀与膨胀充分提取图像特征。结合卷积神经网络（CNN）、GRU单元，构建神经网络模型。实现对验证码中大小写英文字母和阿拉伯数字的精确识别，验证码平均识别准确率达到93%左右，具有一定的实际意义。

关键词：OTSU阈值分割;腐蚀与膨胀;CNN;GRU

0 引言

在互联网时代，网络安全是人们日益关注的话题。而验证码，就是保护人民网络安全中的重要一环。验证码是一种区别当前用户是人或是计算机的测试方法，广泛应用于互联网中，常见于交通系统的票务购买，可以有效防止计算机程序的自动购买，破坏公平。

验证码通常由英文字母与阿拉伯数字组成，并且为了防止被机器自动识别，验证码图片往往像素較小，伴随大量噪点与噪声线，同时字符存在一定程度的扭曲与粘连，识别难度较大。

本文主要研究由26个大写字母、26个小写字母与10个阿拉伯数字组成的4位验证码，采用结合CNN与GRU的神经网络架构，对验证码进行识别。

1 相关研究工作

近年来，随着网络信息科技的高度发展，越来越多的学者在验证码识别领域上进行广泛的探索与研究。文献[1-5]均应用卷积神经网络，通过调整学习率和网络层数对图像验证码进行识别。文献[6]采取字符分割算法，通过预处理把粘连的验证码字符切分为独立的字符，再利用卷积神经网络进行识别。文献[7]提出了一种对抗学习方法，有效解决了分割过程中因信息丢失而无法识别的问题。……