人工智能安全：原理与实践 课件 第3章 卷积神经网络的安全应用(3.4 基于卷积神经网络的验证码识别-实践).pptx

李剑博士，教授，博士生导师网络空间安全学院lijian@bupt.edu.cnJanuary23,2025第三章卷积神经网络的安全应用实践3-3基于卷积神经网络的验证码识别

本实践介绍本小节介绍如何使用卷积神经网络技术对身份验证时使用的验证码进行识别。

1.验证码识别介绍验证码通过要求用户输入一组从图像中显示的字符、识别图像中的对象或解决简单的逻辑题，以此来证明用户是真实的人类而非自动化程序。这些字符或图像通常会以一种对计算机识别算法构成挑战的方式展示，例如字符扭曲、遮挡、不同字体和颜色、复杂背景以及噪声等。如图所示为使用验证码进行身份识别的例子。

1.验证码识别介绍验证码主要可分为以下四类：1.文本验证码2.图像识别验证码3.音频验证码4.逻辑或问题解答验证码

2.实践目的本小节实践的目的如下：1.结合验证码识别具体特点，自主设计适合的CNN训练模型，加深对深度学习神经网络的理解。2.设计卷积神经网络训练流程。3.理解验证码识别的基本原理，完成程序设计。

3.验证码识别实践框架本小节实践

4.实践环境 python版本：3.8-3.12 库版本：torch：2.2.1;tqdm:4.66.2;captcha:0.5.0;torchvision:0.17.1 运行平台：VSCode

5.实践过程第1步：定义CNN模型定义一个名为mymodel的函数，用于构建一个基于CNN网络结构的小型卷积神经网络模型。

5.实践过程第2步：编写图片生成程序

5.实践过程第3步：编写预处理程序

5.实践过程第4步：编写独热编码向量与文本转换函数

5.实践过程第5步：编写训练程序

5.实践过程第6步：编写预测程序

6.实践结果1.使用训练好的模型对测试集预测并给出正确率。运行predict.py，测试训练好的模型的性能情况。

6.实践结果从上述验证码识别结果可以得到，模型正确率达到了84.80%，表明模型在识别验证码方面表现相当出色。在具体错误样本中，可以看到预测值与实际值往往只有一到两个字符的差异，例如“zmfp”预测为“zmn”，“zhco”预测为“zhon”。这种错误通常表明模型在某些字符上可能存在混淆，可能是由于字符形态相似或者噪音影响导致的。

小结本实践内容讲述如何使用卷积神经网络来实现验证码识别。

祝同学们学习进步！致谢