基于深度学习的图片验证码识别算法研究
| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 1 绪论 | 第8-15页 |
| 1.1 课题的背景及意义 | 第8-9页 |
| 1.2 图片验证码及其识别技术的发展现状 | 第9-14页 |
| 1.2.1 验证码的主要类型 | 第9-13页 |
| 1.2.2 验证码识别的研究现状 | 第13-14页 |
| 1.3 本文主要研究内容 | 第14-15页 |
| 2 深度学习及神经网络的原理 | 第15-28页 |
| 2.1 深度学习的研究历程及其现状 | 第15-16页 |
| 2.2 神经网络 | 第16-21页 |
| 2.2.1 神经网络的前向传播 | 第17-18页 |
| 2.2.2 神经网络的反向传播 | 第18-21页 |
| 2.3 卷积神经网络 | 第21-27页 |
| 2.3.1 卷积神经网络的卷积过程 | 第21-23页 |
| 2.3.2 卷积神经网络的池化过程 | 第23-25页 |
| 2.3.3 卷积神经网络的全连接 | 第25页 |
| 2.3.4 卷积神经网络的输入输出关系 | 第25-26页 |
| 2.3.5 卷积神经网络的特点及优点 | 第26-27页 |
| 2.4 本章小结 | 第27-28页 |
| 3 易分割验证码的识别 | 第28-50页 |
| 3.1 深度学习框架的介绍 | 第28-32页 |
| 3.1.1 环境搭建 | 第31-32页 |
| 3.2 验证码的获取及预处理 | 第32-41页 |
| 3.2.1 验证码的获取 | 第32-33页 |
| 3.2.2 灰度化处理 | 第33-34页 |
| 3.2.3 验证码的二值化 | 第34-35页 |
| 3.2.4 去噪处理 | 第35-39页 |
| 3.2.5 图像分割 | 第39-40页 |
| 3.2.6 归一化处理 | 第40页 |
| 3.2.7 归类标记 | 第40-41页 |
| 3.3 建模及分析 | 第41-48页 |
| 3.3.1 卷积神经网络模型的建立 | 第41-43页 |
| 3.3.2 模型分析 | 第43-44页 |
| 3.3.3 结果分析 | 第44页 |
| 3.3.4 深度神经网络模型的建立 | 第44-45页 |
| 3.3.5 模型分析 | 第45-47页 |
| 3.3.6 结果分析 | 第47页 |
| 3.3.7 两种模型之间的对比分析 | 第47-48页 |
| 3.4 本章小结 | 第48-50页 |
| 4 不易分割验证码的识别 | 第50-64页 |
| 4.1 端到端卷积神经网络模型的建立 | 第52-53页 |
| 4.2 结果分析 | 第53页 |
| 4.3 递归神经网络 | 第53-61页 |
| 4.3.1 递归神经网络的原理 | 第54-55页 |
| 4.3.2 长短期记忆网络 | 第55-59页 |
| 4.3.3 长短期记忆网络模型的建立 | 第59-60页 |
| 4.3.4 模型及结果分析 | 第60-61页 |
| 4.4 两种方法的对比 | 第61-63页 |
| 4.5 本章小结 | 第63-64页 |
| 5 总结与展望 | 第64-66页 |
| 参考文献 | 第66-69页 |
| 致谢 | 第69-70页 |
| 攻读学位期间发表的学术论文 | 第70-71页 |
