基于KNN技术的校内网验证码识别

doi:10.3969/j.issn.1006-2475.2017.02.019

计算机与现代化 ›› 2017, Vol. 0 ›› Issue (2): 93-97.doi: 10.3969/j.issn.1006-2475.2017.02.019

基于KNN技术的校内网验证码识别

(1.武汉邮电科学研究院，湖北武汉430074；2.烽火通信科技股份有限公司，江苏南京210019）

收稿日期:2016-07-06 出版日期:2017-03-09 发布日期:2017-03-20
作者简介:汪洋(1978-),男,江苏南京人,武汉邮电科学研究院、烽火通信科技股份有限公司高级工程师,硕士,研究方向:大数据分析,网络行为学; 许映秋(1990-),男,江苏如皋人,硕士研究生,研究方向:数据分析,多媒体图像处理; 彭艳兵(1974-),男,高级工程师,博士,研究方向:海量数据分析,网络行为分析。

KNN-based Verification Code Recognition Technology on Campus Network

(1.Wuhan Research Institute of Posts and Telecommunications, Wuhan 430074, China;

2.FiberHome Communications Science & Technology Development Co. Ltd., Nanjing 210019, China)

Received:2016-07-06 Online:2017-03-09 Published:2017-03-20

摘要/Abstract

摘要：

随着科技日新月异的发展，验证码技术在网络防护和信息安全方面有着广泛的应用。由于网络攻击手段的提升，验证码技术也在改进。本文采用的校内网验证码是当前网络中最普遍的字符验证码类型，它多元化的背景噪音和字符扭曲粘连的特点，使得验证码很难实现程序自动识别。针对这些特点，本文在背景去噪阶段，提出RGB三原色去噪法；在单个字符切割阶段，采用轮廓差投影法与水滴算法相结合的分割方法。最后得到所有字符模型，再利用KNN算法，进行字符识别，从而得到识别结果。实验结果表明，该方法对有背景噪声和字符扭曲粘连的验证码有很好的识别效果。

关键词: 验证码, RGB三原色背景去噪, 上下轮廓差投影法, 水滴算法, KNN

Abstract:

With the rapid development of technology, verification code technology in the network protection and information security has a wide range of applications. Since the means of network attacks are upgraded, verification code technology is also continuously improved. The campus network verification code used in this paper is the most common type of character verification codes of the current network. It is of the characteristics of diversified background noise and character distortion adhesion, so the code is difficult to achieve automatic recognition program. For these characteristics, this paper proposes a RGB de-noising method in the background de-noising stage, and adopts a segmentation method which combines contour difference projection method with the water droplets algorithm in the single character cutting stage. Finally, all the character models are get, KNN algorithm is used for character recognition so as to receive recognition results. Experiments show that the method is of good recognition effects for the verification code with background noise and distortion adhesion character.

Key words: verification code, RGB color background denoising, difference between the upper and lower contour projection, water droplets algorithm, KNN

中图分类号:

TN919.8

汪洋1,2，许映秋1,2，彭艳兵1,2. 基于KNN技术的校内网验证码识别[J]. 计算机与现代化, 2017, 0(2): 93-97.

WANG Yang1,2， XU Ying-qiu1,2， PENG Yan-bing1,2. KNN-based Verification Code Recognition Technology on Campus Network[J]. Computer and Modernization, 2017, 0(2): 93-97.

[1]	田丰, 邓晓平, 张桂青, 王保义. 基于改进kNN算法与暂稳态特征的非侵入式负荷监测方法[J]. 计算机与现代化, 2022, 0(10): 29-35.
[2]	刘斌, 李笑. 基于数字内容偏好的多标签分类应用[J]. 计算机与现代化, 2021, 0(02): 45-50.
[3]	杜薇，周武能. 基于CTC模型的无分割文本验证码识别[J]. 计算机与现代化, 2018, 0(09): 48-.
[4]	赵命燕，李泽平. 一种基于视频特征及历史数据的流行度预测算法[J]. 计算机与现代化, 2018, 0(02): 49-.
[5]	王晓，赵丽. 基于待测样本标记的加速K-NN分类方法[J]. 计算机与现代化, 2017, 0(9): 102-105.
[6]	黄建理,杜金燃,谢家全,秦科. 一种基于改进KNN的大数据离群点检测算法[J]. 计算机与现代化, 2017, 0(5): 67-70,75.
[7]	张舒雅，吴科艳，黄炎子，刘守印. 基于SVM_KNN的老人跌倒检测算法[J]. 计算机与现代化, 2017, 0(12): 49-55.
[8]	邓曦辉，赵丽. 基于数据块混合度量的加速K-近邻分类方法[J]. 计算机与现代化, 2016, 0(12): 47-50.
[9]	李龙姣;程国达. 基于直方图和FP增长的高维空间离群点挖掘[J]. 计算机与现代化, 2013, 1(1): 47-52.
[10]	胡光中欧阳鸿志. 基于PIL的验证码快速识别框架的研究[J]. 计算机与现代化, 2012, 1(201): 64-66.
[11]	刘林浩. 网络新闻信息挖掘与分析模型的建立与探讨[J]. 计算机与现代化, 2012, 1(200): 64-04.
[12]	邵莉. 基于粗糙集与改进KNN算法的文本分类方法的研究[J]. 计算机与现代化, 2012, 198(2): 86-89.
[13]	陈琳;王箭. 三种中文文本自动分类算法的比较和研究[J]. 计算机与现代化, 2012, 198(2): 1-4.
[14]	王伟范姝琼. 用Spring Security和JCaptcha整合技术实现验证码登录[J]. 计算机与现代化, 2011, 1(5): 35-37.
[15]	胡征兵路红廖龙龙. 基于多图层的图形验证码生成技术研究[J]. 计算机与现代化, 2011, 1(2): 1-4.

基于KNN技术的校内网验证码识别

KNN-based Verification Code Recognition Technology on Campus Network

可视化

被引次数

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价