基于人臉的圖像驗證碼自動識別方法研究.pdf

1、驗證碼是用來區(qū)分計算機和人類的一種圖靈機制，可以防止惡意程序攻擊登陸口令、接收垃圾郵件以及用暴力的方式不斷嘗試登陸，現(xiàn)已成為許多網(wǎng)站的通行方式。由于文本驗證碼已被大部分攻擊程序破解，現(xiàn)今圖像驗證碼得到了越來越廣泛的應(yīng)用。
　　人臉識別是模式識別領(lǐng)域較熱門的研究領(lǐng)域，它包括人臉檢測和識別兩個階段。人臉檢測主要是利用人臉的某些已知特征從圖像中檢測并標(biāo)記出人臉，而人臉識別是對檢測出的人臉利用特征匹配或?qū)W習(xí)的方法進(jìn)行身份的鑒別?，F(xiàn)有的人臉

2、識別算法眾多，但是都存在一定的局限性，容易受到內(nèi)在變化（例如不同的表情姿態(tài)或者部分器官被遮擋）和外在干擾（如圖像的背景干擾或者噪線干擾，光照條件等）兩個方面的影響從而導(dǎo)致性能的下降。
　　基于人臉識別的圖像驗證碼技術(shù)就是利用當(dāng)前大部分人臉識別算法的局限性，對人臉進(jìn)行各種程度的扭曲，旋轉(zhuǎn)并加入各種背景干擾，假臉干擾等，在保證人類識別率的前提下，大大增加了計算機程序的破解難度。
　　在本文中，我們主要對基于人臉識別的圖像驗證碼進(jìn)

3、行了深入的研究和探討。針對Gaurav和Brian等提出的FaceDCAPTCHA和FR-CAPTCHA進(jìn)行了深入的分析，利用圖像處理和模式識別的相關(guān)算法對這兩種驗證碼進(jìn)行了破解，并破解成功。
　　FaceDCAPTCHA每個驗證碼圖像包含4到6個人臉和非人臉小圖片，它需要用戶找到其中所有的人臉。FaceDCAPTCHA破解的關(guān)鍵就在于區(qū)分人臉和非人臉。我們首先利用邊緣檢測將驗證碼圖像中的人臉和非人臉小圖片提取出來，之后利用四種不

4、同的特征提取方法—顏色特征，結(jié)構(gòu)紋理特征，基于LBP和PCA的特征，Laws Masks特征分別提取了圖像的特征，并利用SVM分類器進(jìn)行了訓(xùn)練和識別。此外，由于卷積神經(jīng)網(wǎng)絡(luò)可以在無需手動提取特征的前提下達(dá)到比較好的分類效果，我們對邊緣檢測后得到的人臉和非人臉小圖片也直接利用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行了識別。最后，我們對各種方法的破解結(jié)果進(jìn)行了時間和成功率上的比較。
　　FR-CAPTCHA包含10種不同的設(shè)計集合，每個集合都有不同的抵抗自動

5、識別的機制，如人臉旋轉(zhuǎn)，人臉與背景融合，噪線干擾等。FR-CAPTCHA每個驗證碼圖像包含4到6個人臉，它需要用戶在整個驗證碼圖片中找到同一個人的臉。其破解有兩個難點：人臉檢測提取人臉區(qū)域和人臉匹配在所有人臉中找到同一個人的臉。我們首先利用基于Haar特征的adaboost分類器將所有人臉從復(fù)雜的背景中提取出來，之后利用三種不同的匹配算法—直方圖對比，幾何特征匹配和彈性圖匹配對檢測出的人臉兩兩進(jìn)行了比較，特征間距離最小的兩個人臉圖像即認(rèn)