基于人臉的圖像驗(yàn)證碼自動(dòng)識(shí)別方法研究.pdf

1、驗(yàn)證碼是用來(lái)區(qū)分計(jì)算機(jī)和人類的一種圖靈機(jī)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(yàn)證碼已被大部分攻擊程序破解，現(xiàn)今圖像驗(yàn)證碼得到了越來(lái)越廣泛的應(yīng)用。
　　人臉識(shí)別是模式識(shí)別領(lǐng)域較熱門的研究領(lǐng)域，它包括人臉檢測(cè)和識(shí)別兩個(gè)階段。人臉檢測(cè)主要是利用人臉的某些已知特征從圖像中檢測(cè)并標(biāo)記出人臉，而人臉識(shí)別是對(duì)檢測(cè)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(shí)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(gè)方面的影響從而導(dǎo)致性能的下降。
　　基于人臉識(shí)別的圖像驗(yàn)證碼技術(shù)就是利用當(dāng)前大部分人臉識(shí)別算法的局限性，對(duì)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(shí)別率的前提下，大大增加了計(jì)算機(jī)程序的破解難度。
　　在本文中，我們主要對(duì)基于人臉識(shí)別的圖像驗(yàn)證碼進(jìn)

3、行了深入的研究和探討。針對(duì)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(shí)別的相關(guān)算法對(duì)這兩種驗(yàn)證碼進(jìn)行了破解，并破解成功。
　　FaceDCAPTCHA每個(gè)驗(yàn)證碼圖像包含4到6個(gè)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(cè)將驗(yàn)證碼圖像中的人臉和非人臉小圖片提取出來(lái)，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(shí)別。此外，由于卷積神經(jīng)網(wǎng)絡(luò)可以在無(wú)需手動(dòng)提取特征的前提下達(dá)到比較好的分類效果，我們對(duì)邊緣檢測(cè)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(shí)別。最后，我們對(duì)各種方法的破解結(jié)果進(jìn)行了時(shí)間和成功率上的比較。
　　FR-CAPTCHA包含10種不同的設(shè)計(jì)集合，每個(gè)集合都有不同的抵抗自動(dòng)

5、識(shí)別的機(jī)制，如人臉旋轉(zhuǎn)，人臉與背景融合，噪線干擾等。FR-CAPTCHA每個(gè)驗(yàn)證碼圖像包含4到6個(gè)人臉，它需要用戶在整個(gè)驗(yàn)證碼圖片中找到同一個(gè)人的臉。其破解有兩個(gè)難點(diǎn)：人臉檢測(cè)提取人臉區(qū)域和人臉匹配在所有人臉中找到同一個(gè)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(lái)，之后利用三種不同的匹配算法—直方圖對(duì)比，幾何特征匹配和彈性圖匹配對(duì)檢測(cè)出的人臉兩兩進(jìn)行了比較，特征間距離最小的兩個(gè)人臉圖像即認(rèn)