基于GPU的CAPTCHA机器识别技术研究与应用
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第10-19页 |
| 1.1 课题背景 | 第10-14页 |
| 1.1.1 CAPTCHA | 第10-12页 |
| 1.1.2 GPGPU | 第12-14页 |
| 1.2 研究意义 | 第14-15页 |
| 1.3 国内外研究现状 | 第15-16页 |
| 1.3.1 基于图像处理的 CAPTCHA 识别 | 第15-16页 |
| 1.3.2 基于神经网络的 CAPTCHA 识别 | 第16页 |
| 1.4 本文研究工作与特色 | 第16-17页 |
| 1.4.1 研究目标 | 第16页 |
| 1.4.2 研究内容与特色 | 第16-17页 |
| 1.5 本文组织结构 | 第17-19页 |
| 第二章 相关技术介绍 | 第19-34页 |
| 2.1 HTM 算法 | 第19-25页 |
| 2.1.1 HTM 概述 | 第19-20页 |
| 2.1.2 HTM 节点 | 第20-22页 |
| 2.1.3 HTM 算法流程 | 第22-25页 |
| 2.2 CUDA 架构 | 第25-32页 |
| 2.2.1 CUDA 硬件结构 | 第26-27页 |
| 2.2.2 CUDA 软件结构 | 第27-30页 |
| 2.2.3 CUDA 并行原语 | 第30-32页 |
| 2.3 高斯模糊 | 第32-33页 |
| 2.4 本章小结 | 第33-34页 |
| 第三章 P-HTM 识别算法设计 | 第34-47页 |
| 3.1 概述 | 第34页 |
| 3.2 图像预处理 | 第34-35页 |
| 3.3 P-HTM 推理过程 | 第35-36页 |
| 3.4 P-HTM 学习过程 | 第36-40页 |
| 3.4.1 组合更新策略 | 第36-38页 |
| 3.4.2 组团更新策略 | 第38-40页 |
| 3.4.3 PCG 更新策略 | 第40页 |
| 3.5 基于概率分布的识别过程 | 第40-44页 |
| 3.5.1 双向扫描 | 第40-42页 |
| 3.5.2 基于概率分布的识别 | 第42-44页 |
| 3.6 算法流程 | 第44-45页 |
| 3.7 算法复杂度分析 | 第45-46页 |
| 3.8 本章小结 | 第46-47页 |
| 第四章 CAPTCHA 识别系统概要设计 | 第47-52页 |
| 4.1 系统需求分析 | 第47-49页 |
| 4.1.1 系统功能分析 | 第47页 |
| 4.1.2 系统用例分析 | 第47-48页 |
| 4.1.3 软硬件平台 | 第48-49页 |
| 4.2 系统流程 | 第49-51页 |
| 4.3 本章小结 | 第51-52页 |
| 第五章 CAPTCHA 识别系统设计与实现 | 第52-65页 |
| 5.1 系统各模块设计 | 第52-57页 |
| 5.1.1 系统管理模块 | 第52-53页 |
| 5.1.2 算法处理模块 | 第53-54页 |
| 5.1.3 图像学习模块 | 第54-56页 |
| 5.1.4 图像识别模块 | 第56-57页 |
| 5.2 用户界面设计 | 第57-60页 |
| 5.2.1 一级界面设计 | 第58页 |
| 5.2.2 二级界面设计 | 第58-60页 |
| 5.3 模块结构 | 第60页 |
| 5.4 核心代码解析 | 第60-64页 |
| 5.5 本章小结 | 第64-65页 |
| 第六章 系统测试 | 第65-74页 |
| 6.1 测试目标 | 第65-66页 |
| 6.1.1 libCapt | 第65页 |
| 6.1.2 USPS | 第65-66页 |
| 6.2 功能测试 | 第66-70页 |
| 6.2.1 交互功能实现 | 第66-68页 |
| 6.2.2 识别功能实现 | 第68-70页 |
| 6.3 算法性能测试 | 第70-73页 |
| 6.3.1 libCapt 性能测试 | 第70-71页 |
| 6.3.2 USPS 性能测试 | 第71-72页 |
| 6.3.3 参数影响 | 第72-73页 |
| 6.4 系统应用 | 第73页 |
| 6.5 本章小结 | 第73-74页 |
| 第七章 总结与展望 | 第74-75页 |
| 致谢 | 第75-76页 |
| 参考文献 | 第76-78页 |
