验证码识别论文总结---外文篇

为了了解国际形势，先来篇近几年的综述报告：

《A Survey on Breaking Technique of Text-Based CAPTCHA》

基于文本验证码的破解技术综述
2017
基于文本验证码的主要特点

1. 足够大的数据集，使其足以抵抗暴力求解
2. 具有变形，粘贴，重叠等字符。达到不容易分割的目的
3. 同一字符的大小，宽高，位置，字体不同
4. 具有大量噪声

各大网站种类以及特点汇总

主要内容

• 验证码的识别，主要针对于验证码是否切割而分为两种派系
• 早期文本验证码的破解技术主要是“预处理+分割+识别”。而随着验证码字符的粘连，现在出现了更多的处理框架比如：预处理+识别+后处理、预处理+分割+组合+识别，预处理+分割+组合+识别+后处理
• 本文主要是分别对预处理，分割，组合，识别，后处理等各大模块的研究进展进行了一个描述
• 每个模块的研究情况如下：
  

当前形势存在的一些问题以及发展方向

• 目前市面上还有一个标准的数据库，进而没法对领域内的各种方法进行一个统一的评估
• 目前只有在训练集和测试集属于同一类型下，才能够有效的识别
• 拒绝的概念还未被熟知

---

《Selective Learning Confusion Class for Text-Based CAPTCHA Recognition》

2019
基于选择性学习的文本验证码识别

拟解决的问题
由于深度神经网络对混淆类的较低的识别准确率，而提出的一种选择性学习混淆类的新方法
大多数DCNN有统一处理训练样本，且在训练过程中不断迭代，并且随着误差率越来越小，趋于稳定后停止训练（其实这里放弃了学习混淆样本的能力，因为混淆类别对降低错误率没有影响）

内容概要
总的来说的话，就是建立了一种新的架构SLCC（Selective Learning Confusion Class）,将混淆样本和普通样本分开，训练出两个模型，然后再结合。

针对混淆类的问题，开始的时候，文中提到了一种方法Dropsample：
简单的来说就是通过样本不同类别的置信度，动态改变训练集中每个样本取出用以学习的概率分布。（具体参看论文：W. Yang, L. Jin,D. Tao, Z. Xie, and Z. Feng, ``Dropsample: A newtraining method to enhance deep convolutional neural networks for large-scale unconstrained handwritten chinese character recognition’’ PatternRecognit., vol. 58, pp. 190-203, Oct.2016.），但是这种方法吧普通训练集和混淆样本结合放在一起训练，这样会很大程度上影响收敛速度，以及模型准确性。

1. 提出了一个具有两级DCNN的架构：全级DCNN和混淆级DCNN。
2. 用全级DCNN的输出构造混淆关系矩阵以显示类之间的混淆关系
3. 提出了一种分区算法（根据混淆矩阵，将一些有混淆关系的类别合在一起，形成新的样本集合），每个样本​​集对应一个新的混淆级DCNN。
4. 为提高混淆级DCNN中混淆字符的识别准确性，提出了训练和验证交互式学习算法。
5. 将两个阶段的输出结合起来作为最终识别结果。
   

结果：
作者用了两种定义的混淆集合方法，第一种是把所有混淆集合放在一起（SLCC-A），第二种是把这个大的混淆集合分开，就是上述的说的每个混淆子集合中的所有元素都存在混淆（SLCC-M）。得到集合如下：

错误率与迭代次数的变化如下：

一些细节问题

• basic DCNN采用的网络结构：leNet-5
  
• 数据集的来源：QQ and BotDetect CAPTCHA，这两种数据集分别得到了1000张（人工打码），然后再根据文中提到的针对非均匀数据集的处理方法，得到比较均匀的数据集。
• 其实生成的混淆集合不会很多，