CN106485261A - 一种图像识别的方法和装置 - Google Patents
一种图像识别的方法和装置 Download PDFInfo
- Publication number
- CN106485261A CN106485261A CN201610811647.1A CN201610811647A CN106485261A CN 106485261 A CN106485261 A CN 106485261A CN 201610811647 A CN201610811647 A CN 201610811647A CN 106485261 A CN106485261 A CN 106485261A
- Authority
- CN
- China
- Prior art keywords
- image
- label
- record
- category label
- event
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
Abstract
本公开是关于一种图像识别的方法和装置,属于计算机技术领域。所述方法包括:将第一图像和第一类别标签对应的添加到图像验证码数据库中;在基于所述图像验证码数据库对终端进行验证码验证的过程中,如果向所述终端发送的所述第一类别标签对应的正确验证码图像中包括所述第一图像,且所述终端选择的验证码图像中不包括所述第一图像,则记录所述第一图像出现类别标签不匹配事件;当记录的所述第一图像对应的类别标签不匹配事件的次数满足第一预设数量条件时,标记所述第一图像与所述第一类别标签不匹配。采用本公开,可以提高识别类别标签错误的图像的效率。
Description
技术领域
本发明涉及计算机技术领域,特别涉及一种图像识别的方法和装置。
背景技术
随着计算机技术的发展,可以基于深度学习算法,对样本图像数据库中的图像进行训练得到图像识别模型(如可以基于卷积神经网络算法,对样本图像数据库中的图像进行训练得到CNN(Convolutional Neural Network,卷积神经网络)训练模型)),图像识别模型可以识别图片的类别,并为图片添加相应的类别标签。
一般图像识别模型的识别准确率不会达到百分之百,如果图像识别模型要识别的大量的图片,相应的大量的图片中被添加了错误类别标签的图片也比较多,技术人员需要从大量的图片中找出添加了错误类别标签的图片,从而导致获取类别标签错误的图片的效率比较低。
发明内容
为了克服相关技术中存在的问题,本公开提供了一种图像识别的方法和装置。技术方案如下:
根据本公开实施例的第一方面,提供一种图像识别的方法,所述方法包括:
将第一图像和第一类别标签对应的添加到图像验证码数据库中;
在基于所述图像验证码数据库对终端进行验证码验证的过程中,如果向所述终端发送的所述第一类别标签对应的正确验证码图像中包括所述第一图像,且所述终端选择的验证码图像中不包括所述第一图像,则记录所述第一图像出现类别标签不匹配事件;
当记录的所述第一图像对应的类别标签不匹配事件的次数满足第一预设数量条件时,标记所述第一图像与所述第一类别标签不匹配。
可选的,所述方法还包括:
在基于所述图像验证码数据库对终端进行验证码验证的过程中,如果向所述终端发送的错误验证码图像中包括所述第一图像,且所述终端选择的验证码图像中包括所述第一图像,则记录所述第一图像出现类别标签不匹配事件。
可选的,如果向所述终端发送的错误验证码图像中包括所述第一图像,且所述终端选择的验证码图像中包括所述第一图像,所述方法还包括:
确定当前验证码验证的过程中正确验证码图像对应的第二类别标签,记录所述第二类别标签与所述第一图像的匹配事件;
当记录的所述第二类别标签与所述第一图像的匹配事件的次数满足第二预设数量条件时,将所述第二类别标签记录为所述第一图像的类别标签。
这样,可以自动为图像添加标签。
可选的,所述第一类别标签是通过图像识别模型对所述第一图像进行识别得到的类别标签;
所述方法还包括:
将所述第一图像和所述第二类别标签对应的添加到样本图像数据库中;
基于所述样本图像数据库中的图像和对应的类别标签,以及深度学习算法,对所述图像识别模型进行更新。
这样,可以在线更新图像识别模型。
可选的,所述当记录的所述第一图像对应的类别标签不匹配事件的次数满足第一预设数量条件时,标记所述第一图像与所述第一类别标签不匹配,包括:
当记录的所述第一图像对应的类别标签不匹配事件的次数大于或等于预设阈值时,标记所述第一图像与所述第一类别标签不匹配。
这样,可以提高查找错误标签的图像的效率
可选的,所述方法还包括:
当记录的所述第一图像对应的类别标签不匹配事件的次数满足第一预设数量条件时,将所述第一图像从所述图像验证码数据库中删除。
根据本公开实施例的第二方面,提供一种图像识别的装置,所述装置包括:
添加模块,用于将第一图像和第一类别标签对应的添加到图像验证码数据库中;
记录模块,用于在基于所述图像验证码数据库对终端进行验证码验证的过程中,如果向所述终端发送的所述第一类别标签对应的正确验证码图像中包括所述第一图像,且所述终端选择的验证码图像中不包括所述第一图像,则记录所述第一图像出现类别标签不匹配事件;
标记模块,用于当记录的所述第一图像对应的类别标签不匹配事件的次数满足第一预设数量条件时,标记所述第一图像与所述第一类别标签不匹配。
可选的,所述记录模块还用于:
在基于所述图像验证码数据库对终端进行验证码验证的过程中,如果向所述终端发送的错误验证码图像中包括所述第一图像,且所述终端选择的验证码图像中包括所述第一图像,则记录所述第一图像出现类别标签不匹配事件。
可选的,所述装置还包括:
确定模块,用于确定当前验证码验证的过程中正确验证码图像对应的第二类别标签,记录所述第二类别标签与所述第一图像的匹配事件;
所述记录模块,还用于当记录的所述第二类别标签与所述第一图像的匹配事件的次数满足第二预设数量条件时,将所述第二类别标签记录为所述第一图像的类别标签。
可选的,所述第一类别标签是通过图像识别模型对所述第一图像进行识别得到的类别标签;
所述装置还包括:
添加模块,用于将所述第一图像和所述第二类别标签对应的添加到样本图像数据库中;
更新模块,用于基于所述样本图像数据库中的图像和对应的类别标签,以及深度学习算法,对所述图像识别模型进行更新。
可选的,所述标记模块,用于:
当记录的所述第一图像对应的类别标签不匹配事件的次数大于或等于预设阈值时,标记所述第一图像与所述第一类别标签不匹配。
可选的,所述装置还包括:
删除模块,用于当记录的所述第一图像对应的类别标签不匹配事件的次数满足第一预设数量条件时,将所述第一图像从所述图像验证码数据库中删除。
本公开的实施例提供的技术方案可以包括以下有益效果:
本公开实施例中,将第一图像和第一类别标签对应的添加到图像验证码数据库中,在基于图像验证码数据库对终端进行验证码验证的过程中,如果向终端发送的第一类别标签对应的正确验证码图像中包括第一图像,且终端选择的验证码图像中不包括第一图像,则记录第一图像出现类别标签不匹配事件,当记录的第一图像对应的类别标签不匹配事件的次数满足第一预设数量条件时,标记第一图像与第一类别标签不匹配。这样,可以直接获取到类别标签与图像不对应的图像,而不需要人工去识别,从而可以提高识别类别标签错误的图像的效率。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。在附图中:
图1是根据一示例性实施例示出的一种图像识别的方法流程图;
图2是根据一示例性实施例示出的一种图像识别的界面示意图;
图3是根据一示例性实施例示出的一种图像识别装置的结构示意图;
图4是根据一示例性实施例示出的一种图像识别装置的结构示意图;
图5是根据一示例性实施例示出的一种图像识别装置的结构示意图;
图6是根据一示例性实施例示出的一种图像识别装置的结构示意图;
图7是根据一示例性实施例示出的一种服务器的结构示意图。
通过上述附图,已示出本公开明确的实施例,后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本公开构思的范围,而是通过参考特定实施例为本领域技术人员说明本公开的概念。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
本公开一示例性实施例提供了一种图像识别的方法,该方法可以由服务器实现。服务器可以是使用图像验证码的应用程序的后台服务器。该服务器中可以设置有处理器、存储器、收发器等,处理器可以用于对进行图像识别的过程进行处理,存储器可以用于存储下述处理过程中需要的数据以及产生的数据,收发器可以用于接收以及发送消息。
如图1所示,该方法的处理流程可以包括如下的步骤:
在步骤101中,将第一图像和第一类别标签对应的添加到图像验证码数据库中。
其中,第一图像为任意图像,第一类别标签为图像识别模型识别出对应第一图像的类别标签。
在实施中,服务器中设置有图像识别模型(如CNN训练模型等),图像识别模型可以基于深度学习算法,对样本图像数据库中的图像进行训练得到(如CNN训练模型可以基于卷积神经网络算法,对样本图像数据库中的图像进行训练得到),图像识别模型可以识别图像的类别标签,并且服务器中设置有图像验证码数据库,图像验证码数据库可以用于存储图像与对应的类别标签。服务器中还存储有多张图像,图像识别模型识别到第一图像对应的类别标签为第一类别标签,然后将第一图像和第一类别标签添加到图像验证码的数据库中。
在步骤102中,在基于图像验证码数据库对终端进行验证码验证的过程中,如果向终端发送的第一类别标签对应的正确验证码图像中包括第一图像,且终端选择的验证码图像中不包括第一图像,则记录第一图像出现类别标签不匹配事件。
其中,正确验证码图像是被图像识别模型识别出的对应第一类别标签的图像。
在实施中,终端在登录应用程序需要通过服务器的验证时,终端可以向服务器发送验证请求,服务器接收到终端发送的验证请求时,可以从图像验证码数据库中随机获取第一类别标签、以及第一类别标签对应的正确验证码图像,第一类别标签对应的正确验证码图像中包括第一图像,服务器还可以从图像数据库中获取与第一类别标签不对应的错误标签图像,服务器可以将第一类别标签、第一类别标签对应的正确验证码图像、以及错误验证码图像发送至终端。终端接收到第一类别标签、第一类别标签对应的正确验证码图像、以及错误验证码图像后,可以显示第一类别标签、第一类别标签对应的正确验证码图像、以及错误验证码像,用户可以选择与第一类别标签对应的验证码图像,终端向服务器发送选择的验证码图像的标识。服务器接收到终端发送的选择的验证码图像的标识后,可以查看选择的验证码图像的标识中是否包括第一图像的标识,如果确定终端发送的验证码图像的标识中不包括第一图像的标识,服务器可以记录第一图像出现类别不匹配事件。例如,如图2所示,终端可以为手机,终端登录第一应用程序时需要通过服务器验证,用户可以点击第一应用程序的图标,终端则会检测到第一应用程序的启动指令,终端显示第一应用程序的登录界面,并向服务器发送验证请求,服务器接收到验证请求后,可以从图像验证码数据库中随机获取第一类别标签为“猫”,并且获取“猫”对应的两张正确验证码图像(一个是“猫”的图像,另一个实际上是“豹”的图像),然后获取与“猫”不对应的两张图像验证码图像(一个是“老虎”的图像,一个是“狗”的图像),然后将“猫”、以及“猫”对应的正确验证码图像、与“猫”不对应的两张错误验证码图像发送至终端,终端则会显示第一类别标签“猫”,以及“猫”对应的正确验证码图像,与“猫”不对应的两张错误验证码图像,用户仅选取了“猫”的图像,而没有选取“豹”的图像,终端接收到用户的选取图像指令后,可以向服务器发送用户选取的图像的标识,服务器接收到终端发送的选取的图像的标识后,确定终端没有选择“豹”的图像,则记录“豹”的图像与类别标签“猫”的不匹配事件。
在步骤103中,当记录的第一图像对应的类别标签不匹配事件的次数满足第一预设数量条件时,标记第一图像与第一类别标签不匹配。
在实施中,第一预设数量条件可以是由技术人员预设,并且存储至服务器,服务器记录第一图像出现类别标签不匹配事件,可以将第一图像对应的类别标签不匹配事件的次数增加1,当服务器检测到记录的第一图像对应的类别标签不匹配事件的次数满足第一预设数量条件时,可以标记第一图像与第一类别标签不匹配。
可选的,当记录的第一图像对应的类别标签不匹配事件的次数大于或等于预设阈值时,标记第一图像与第一类别标签不匹配。
在实施中,预设阈值可以是由技术人员预设,并且存储至服务器,服务器记录第一图像出现类别标签不匹配事件,可以将第一图像对应的类别标签不匹配事件的次数增加1,当服务器检测到记录的第一图像对应的类别标签不匹配事件的次数大于或等于预设阈值时,可以标记第一图像与第一类别标签不匹配。例如,预设阈值为200次,服务器检测到记录的第一图像对应的类别标签不匹配的事件的次数达到200次时,服务器可以标记第一图像与第一类别标签不匹配。
可选的,当记录的第一图像对应的类别标签不匹配事件的次数满足第一预设数量条件时,将第一图像从图像验证码数据库中删除。
在实施中,服务器记录第一图像出现类别标签不匹配事件,可以将第一图像对应的类别标签不匹配事件的次数增加1,当服务器检测到记录的第一图像对应的类别标签不匹配事件的次数满足第一预设数量条件时,将第一图像从图像验证码数据库中删除,这样,可以减少添加了错误类别标签的图像。
本公开实施例中还提供了根据错误验证码图像,确定第一图像出现类别标签不匹配事件的方法,相应的处理可以如下:
在基于图像验证码数据库对终端进行验证码验证的过程中,如果向终端发送的错误验证码图像中包括第一图像,且终端选择的验证码图像中包括第一图像,则记录第一图像出现类别标签不匹配事件。
在实施中,终端在登录应用程序需要通过服务器的验证时,终端可以向服务器发送验证请求,服务器接收到终端发送的验证请求时,可以从图像验证码数据库中随机获取第二类别标签、第二类别标签对应的正确验证码图像、以及与第二类别标签不对应的错误验证码图像,与第二类别标签不对应的错误验证码图像中包括第一图像,服务器可以将第二类别标签、第二类别标签对应的正确验证码图像、以及错误验证码图像发送至终端。终端接收到第二类别标签、第二类别标签对应的正确验证码图像、以及与第二类别标签不对应的错误验证码图像后,可以显示第二类别标签、第二类别标签对应的正确验证码图像、以及与第二类别标签不对应的错误验证码像,用户可以选择与第二类别标签对应的验证码图像,终端向服务器发送选择的验证码图像的标识。服务器接收到终端发送的选择的验证码图像的标识后,可以查看选择的验证码图像的标识中是否包括第一图像的标识,如果确定终端发送的验证码图像的标识中包括第一图像的标识,确定第二类别标签有可能与第一图像对应,此时服务器可以记录第一图像出现类别不匹配事件。例如,终端可以为手机,终端登录第一应用程序时需要通过服务器验证,用户可以点击第一应用程序的图标,终端则会检测到第一应用程序的启动指令,终端显示第一应用程序的登录界面,并向服务器发送验证请求,服务器接收到验证请求后,可以从图像验证码数据库中随机获取第二类别标签为“猫”,并且获取“猫”对应的两张正确验证码图像(一个是“猫”的图像,另一个也是“猫”的图像),然后获取与“猫”不对应的两张图像验证码图像(一个是“老虎”的图像,一个是类别标签为“豹”实际上是“猫”的图像),然后将“猫”、以及“猫”对应的正确验证码图像、与“猫”不对应的两张错误验证码图像发送至终端,终端则会显示第二类别标签“猫”,以及“猫”对应的正确验证码图像,与“猫”不对应的两张错误验证码图像,用户选取了正确验证码图像中“猫”的图像和错误验证码图像中“猫”的图像,终端接收到用户的选取图像指令后,可以向服务器发送用户选取的图像的标识,服务器接收到终端发送的选取的图像的标识后,确定终端选择了错误验证码图像中类别标签为“豹”的图像,则记录这张类别标签为“豹”的图像与类别标签“豹”的不匹配事件。
可选的,服务器还可以自动修改第一图像的类别标签,相应的处理可以如下:如果向终端发送的错误验证码图像中包括第一图像,且终端选择的验证码图像中包括第一图像,确定当前验证码验证的过程中正确验证码图像对应的第二类别标签,记录第二类别标签与第一图像的匹配事件;
当记录的第二类别标签与第一图像的匹配事件的次数满足第二预设数量条件时,将第二类别标签记录为第一图像的类别标签。
在实施中,第二预设数量条件可以由技术人员预设,并且存储至服务器中,服务器向终端发送的错误验证码图像中包括第一图像,服务器接收到终端发送的选择的验证码图像的标识后,可以查看选择的验证码图像的标识中是否包括第一图像的标识,如果确定终端发送的验证码图像的标识中包括第一图像的标识,则可以确定在此次验证过程中正确验证码图像对应的第二类别标签,然后记录第二类别标签与第一图像的匹配事件,并将第二类别标签与第一图像的匹配事件的次数加1。每当第二类别标签与第一图像的匹配事件的次数加1时,服务器可以确定此时第二类别标签与第一图像的匹配事件的次数,然后判断第二类别标签与第一图像的匹配事件的次数是否满足第二预设数量条件,如果第二类别标签与第一图像的匹配事件的次数满足第二预设数量条件,服务器将第二类别标签记录为第一图像的类别标签。
可选的,还可以对已有的图像识别模型进行更新,相应的处理可以如下:第一类别标签是通过图像识别模型对第一图像进行识别得到的类别标签,将第一图像和第二类别标签对应的添加到样本图像数据库中;基于样本图像数据库中的图像和对应的类别标签,以及深度学习算法,对图像识别模型进行更新。
其中,服务器中还存储有样本图像数据库,样本图像数据库中包括多个样本图像、以及对应的类别标签。
在实施中,步骤101中已经提到第一类别标签是由图像识别模型对第一图像进行识别得到的类别标签,此处不再赘述。服务器将第二类别标签记录为第一图像的类别标签后,服务器可以将第一图像和第二类别标签对应的添加到样本图像数据库中,然后服务器可以使用深度学习算法,将样本图像数据库中的每一个样本图像作为深度学习算法的输入,训练得到图像识别模型包含的各个参数的训练值,将图像识别模型包含的各个参数的训练值代入已有的图像识别模型,得到更新后的图像识别模型。这样,就提供了一种在线更新图像识别模型的方法。例如,深度学习算法可以是卷积神经网络算法,得到的图像识别模型为CNN训练模型,CNN训练模型识别出第一图像的类别标签为第一类别标签,第一图像作为验证码图像后,对应的类别标签被确定为第二类别标签,服务器可以将第一图像和第二类别标签对应的添加到样本图像数据库中,服务器可以基于样本图像数据库中每个样本图像,使用卷积神经网络算法,训练得到CNN训练模型的各个参数值,并代入已有的CNN训练模型中,得到更新后的CNN训练模型。
本公开实施例中,将第一图像和第一类别标签对应的添加到图像验证码数据库中,在基于图像验证码数据库对终端进行验证码验证的过程中,如果向终端发送的第一类别标签对应的正确验证码图像中包括第一图像,且终端选择的验证码图像中不包括第一图像,则记录第一图像出现类别标签不匹配事件,当记录的第一图像对应的类别标签不匹配事件的次数满足第一预设数量条件时,标记第一图像与第一类别标签不匹配。这样,可以直接获取到类别标签与图像不对应的图像,而不需要人工去识别,从而可以提高识别类别标签错误的图像的效率。
基于相同的技术构思,本公开另一实施例提供了一种图像识别的装置,如图3所示,该装置包括:
添加模块310,用于将第一图像和第一类别标签对应的添加到图像验证码数据库中;
记录模块320,用于在基于所述图像验证码数据库对终端进行验证码验证的过程中,如果向所述终端发送的所述第一类别标签对应的正确验证码图像中包括所述第一图像,且所述终端选择的验证码图像中不包括所述第一图像,则记录所述第一图像出现类别标签不匹配事件;
标记模块330,用于当记录的所述第一图像对应的类别标签不匹配事件的次数满足第一预设数量条件时,标记所述第一图像与所述第一类别标签不匹配。
可选的,所述记录模块320还用于:
在基于所述图像验证码数据库对终端进行验证码验证的过程中,如果向所述终端发送的错误验证码图像中包括所述第一图像,且所述终端选择的验证码图像中包括所述第一图像,则记录所述第一图像出现类别标签不匹配事件。
可选的,如图4所示,所述装置还包括:
确定模块340,用于确定当前验证码验证的过程中正确验证码图像对应的第二类别标签,记录所述第二类别标签与所述第一图像的匹配事件;
所述记录模块320,还用于当记录的所述第二类别标签与所述第一图像的匹配事件的次数满足第二预设数量条件时,将所述第二类别标签记录为所述第一图像的类别标签。
可选的,所述第一类别标签是通过图像识别模型对所述第一图像进行识别得到的类别标签;
如图5所示,所述装置还包括:
添加模块350,用于将所述第一图像和所述第二类别标签对应的添加到样本图像数据库中;
更新模块360,用于基于所述样本图像数据库中的图像和对应的类别标签,以及深度学习算法,对所述图像识别模型进行更新。
可选的,所述标记模块330,用于:
当记录的所述第一图像对应的类别标签不匹配事件的次数大于或等于预设阈值时,标记所述第一图像与所述第一类别标签不匹配。
可选的,如图6所示,所述装置还包括:
删除模块370,用于当记录的所述第一图像对应的类别标签不匹配事件的次数满足第一预设数量条件时,将所述第一图像从所述图像验证码数据库中删除。
本公开实施例中,将第一图像和第一类别标签对应的添加到图像验证码数据库中,在基于图像验证码数据库对终端进行验证码验证的过程中,如果向终端发送的第一类别标签对应的正确验证码图像中包括第一图像,且终端选择的验证码图像中不包括第一图像,则记录第一图像出现类别标签不匹配事件,当记录的第一图像对应的类别标签不匹配事件的次数满足第一预设数量条件时,标记第一图像与第一类别标签不匹配。这样,可以直接获取到类别标签与图像不对应的图像,而不需要人工去识别,从而可以提高识别类别标签错误的图像的效率。
图7是本公开实施例中服务器的结构示意图。该服务器700可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上中央处理器(central processing units,CPU)1922(例如,一个或一个以上处理器)和存储器1932,一个或一个以上存储应用程序1942或数据1944的存储介质1930(例如一个或一个以上海量存储设备)。其中,存储器1932和存储介质1930可以是短暂存储或持久存储。存储在存储介质1930的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对服务器中的一系列指令操作。更进一步地,中央处理器1922可以设置为与存储介质1930通信,在服务器700上执行存储介质1930中的一系列指令操作。
服务器700还可以包括一个或一个以上电源1926,一个或一个以上有线或无线网络接口1950,一个或一个以上输入输出接口1958,一个或一个以上键盘1956,和/或,一个或一个以上操作系统1941,例如Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM等等。
在本实施例中,服务器700可以包括有存储器,以及一个或者一个以上的程序,其中一个或者一个以上程序存储于存储器中,且经配置以由一个或者一个以上处理器执行所述一个或者一个以上程序包含用于进行以下操作的指令:
将第一图像和第一类别标签对应的添加到图像验证码数据库中;
在基于所述图像验证码数据库对终端进行验证码验证的过程中,如果向所述终端发送的所述第一类别标签对应的正确验证码图像中包括所述第一图像,且所述终端选择的验证码图像中不包括所述第一图像,则记录所述第一图像出现类别标签不匹配事件;
当记录的所述第一图像对应的类别标签不匹配事件的次数满足第一预设数量条件时,标记所述第一图像与所述第一类别标签不匹配。
可选的,所述方法还包括:
在基于所述图像验证码数据库对终端进行验证码验证的过程中,如果向所述终端发送的错误验证码图像中包括所述第一图像,且所述终端选择的验证码图像中包括所述第一图像,则记录所述第一图像出现类别标签不匹配事件。
可选的,如果向所述终端发送的错误验证码图像中包括所述第一图像,且所述终端选择的验证码图像中包括所述第一图像,所述方法还包括:
确定当前验证码验证的过程中正确验证码图像对应的第二类别标签,记录所述第二类别标签与所述第一图像的匹配事件;
当记录的所述第二类别标签与所述第一图像的匹配事件的次数满足第二预设数量条件时,将所述第二类别标签记录为所述第一图像的类别标签。
可选的,所述第一类别标签是通过图像识别模型对所述第一图像进行识别得到的类别标签;
所述方法还包括:
将所述第一图像和所述第二类别标签对应的添加到样本图像数据库中;
基于所述样本图像数据库中的图像和对应的类别标签,以及深度学习算法,对所述图像识别模型进行更新。
可选的,所述当记录的所述第一图像对应的类别标签不匹配事件的次数满足第一预设数量条件时,标记所述第一图像与所述第一类别标签不匹配,包括:
当记录的所述第一图像对应的类别标签不匹配事件的次数大于或等于预设阈值时,标记所述第一图像与所述第一类别标签不匹配。
可选的,所述方法还包括:
当记录的所述第一图像对应的类别标签不匹配事件的次数满足第一预设数量条件时,将所述第一图像从所述图像验证码数据库中删除。
本公开实施例中,将第一图像和第一类别标签对应的添加到图像验证码数据库中,在基于图像验证码数据库对终端进行验证码验证的过程中,如果向终端发送的第一类别标签对应的正确验证码图像中包括第一图像,且终端选择的验证码图像中不包括第一图像,则记录第一图像出现类别标签不匹配事件,当记录的第一图像对应的类别标签不匹配事件的次数满足第一预设数量条件时,标记第一图像与第一类别标签不匹配。这样,可以直接获取到类别标签与图像不对应的图像,而不需要人工去识别,从而可以提高识别类别标签错误的图像的效率。
尽管前面公开的内容示出了本公开的示例性实施例,但是应当注意,在不背离权利要求限定的本公开的范围的前提下,可以进行多种改变和修改。根据这里描述的公开实施例的方法权利要求的功能、步骤和/或动作不需以任何特定顺序执行。此外,尽管本公开的元素可以以个体形式描述或要求,但是也可以设想多个,除非明确限制为单数。
以上所述的具体实施方式,对本公开的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本公开的具体实施方式而已,并不用于限定本公开的保护范围,凡在本公开的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本公开的保护范围之内。
Claims (13)
1.一种图像识别的方法,其特征在于,所述方法包括:
将第一图像和第一类别标签对应的添加到图像验证码数据库中;
在基于所述图像验证码数据库对终端进行验证码验证的过程中,如果向所述终端发送的所述第一类别标签对应的正确验证码图像中包括所述第一图像,且所述终端选择的验证码图像中不包括所述第一图像,则记录所述第一图像出现类别标签不匹配事件;
当记录的所述第一图像对应的类别标签不匹配事件的次数满足第一预设数量条件时,标记所述第一图像与所述第一类别标签不匹配。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
在基于所述图像验证码数据库对终端进行验证码验证的过程中,如果向所述终端发送的错误验证码图像中包括所述第一图像,且所述终端选择的验证码图像中包括所述第一图像,则记录所述第一图像出现类别标签不匹配事件。
3.根据权利要求2所述的方法,其特征在于,如果向所述终端发送的错误验证码图像中包括所述第一图像,且所述终端选择的验证码图像中包括所述第一图像,所述方法还包括:
确定当前验证码验证的过程中正确验证码图像对应的第二类别标签,记录所述第二类别标签与所述第一图像的匹配事件;
当记录的所述第二类别标签与所述第一图像的匹配事件的次数满足第二预设数量条件时,将所述第二类别标签记录为所述第一图像的类别标签。
4.根据权利要求3所述的方法,其特征在于,所述第一类别标签是通过图像识别模型对所述第一图像进行识别得到的类别标签;
所述方法还包括:
将所述第一图像和所述第二类别标签对应的添加到样本图像数据库中;
基于所述样本图像数据库中的图像和对应的类别标签,以及深度学习算法,对所述图像识别模型进行更新。
5.根据权利要求1所述的方法,其特征在于,所述当记录的所述第一图像对应的类别标签不匹配事件的次数满足第一预设数量条件时,标记所述第一图像与所述第一类别标签不匹配,包括:
当记录的所述第一图像对应的类别标签不匹配事件的次数大于或等于预设阈值时,标记所述第一图像与所述第一类别标签不匹配。
6.根据权利要求1所述的方法,其特征在于,所述方法还包括:
当记录的所述第一图像对应的类别标签不匹配事件的次数满足第一预设数量条件时,将所述第一图像从所述图像验证码数据库中删除。
7.一种图像识别的装置,其特征在于,所述装置包括:
添加模块,用于将第一图像和第一类别标签对应的添加到图像验证码数据库中;
记录模块,用于在基于所述图像验证码数据库对终端进行验证码验证的过程中,如果向所述终端发送的所述第一类别标签对应的正确验证码图像中包括所述第一图像,且所述终端选择的验证码图像中不包括所述第一图像,则记录所述第一图像出现类别标签不匹配事件;
标记模块,用于当记录的所述第一图像对应的类别标签不匹配事件的次数满足第一预设数量条件时,标记所述第一图像与所述第一类别标签不匹配。
8.根据权利要求7所述的装置,其特征在于,所述记录模块还用于:
在基于所述图像验证码数据库对终端进行验证码验证的过程中,如果向所述终端发送的错误验证码图像中包括所述第一图像,且所述终端选择的验证码图像中包括所述第一图像,则记录所述第一图像出现类别标签不匹配事件。
9.根据权利要求8所述的装置,其特征在于,所述装置还包括:
确定模块,用于确定当前验证码验证的过程中正确验证码图像对应的第二类别标签,记录所述第二类别标签与所述第一图像的匹配事件;
所述记录模块,还用于当记录的所述第二类别标签与所述第一图像的匹配事件的次数满足第二预设数量条件时,将所述第二类别标签记录为所述第一图像的类别标签。
10.根据权利要求9所述的装置,其特征在于,所述第一类别标签是通过图像识别模型对所述第一图像进行识别得到的类别标签;
所述装置还包括:
添加模块,用于将所述第一图像和所述第二类别标签对应的添加到样本图像数据库中;
更新模块,用于基于所述样本图像数据库中的图像和对应的类别标签,以及深度学习算法,对所述图像识别模型进行更新。
11.根据权利要求7所述的装置,其特征在于,所述标记模块,用于:
当记录的所述第一图像对应的类别标签不匹配事件的次数大于或等于预设阈值时,标记所述第一图像与所述第一类别标签不匹配。
12.根据权利要求7所述的装置,其特征在于,所述装置还包括:
删除模块,用于当记录的所述第一图像对应的类别标签不匹配事件的次数满足第一预设数量条件时,将所述第一图像从所述图像验证码数据库中删除。
13.一种图像识别的装置,其特征在于,所述装置包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:
将第一图像和第一类别标签对应的添加到图像验证码数据库中;
在基于所述图像验证码数据库对终端进行验证码验证的过程中,如果向所述终端发送的所述第一类别标签对应的正确验证码图像中包括所述第一图像,且所述终端选择的验证码图像中不包括所述第一图像,则记录所述第一图像出现类别标签不匹配事件;
当记录的所述第一图像对应的类别标签不匹配事件的次数满足第一预设数量条件时,标记所述第一图像与所述第一类别标签不匹配。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610811647.1A CN106485261B (zh) | 2016-09-08 | 2016-09-08 | 一种图像识别的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610811647.1A CN106485261B (zh) | 2016-09-08 | 2016-09-08 | 一种图像识别的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106485261A true CN106485261A (zh) | 2017-03-08 |
CN106485261B CN106485261B (zh) | 2020-06-02 |
Family
ID=58273611
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610811647.1A Active CN106485261B (zh) | 2016-09-08 | 2016-09-08 | 一种图像识别的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106485261B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108303920A (zh) * | 2018-01-18 | 2018-07-20 | 周晔 | 一种基于食材识别的智能电器综合管理方法及系统 |
CN109063456A (zh) * | 2018-08-02 | 2018-12-21 | 浙江大学 | 图像型验证码的安全性检测方法及系统 |
CN109460652A (zh) * | 2018-11-09 | 2019-03-12 | 连尚(新昌)网络科技有限公司 | 用于标注图像样本的方法、设备及计算机可读介质 |
CN110348199A (zh) * | 2019-07-17 | 2019-10-18 | 上海图趣信息科技有限公司 | 基于验证码的图片标注系统、方法、存储介质及图片识别自学习系统 |
CN111383302A (zh) * | 2018-12-29 | 2020-07-07 | 中兴通讯股份有限公司 | 一种图像配文方法及装置、终端和计算机可读存储介质 |
CN111680708A (zh) * | 2019-03-18 | 2020-09-18 | 上海铼锶信息技术有限公司 | 一种给图片加标签的方法和系统 |
CN112989312A (zh) * | 2020-11-30 | 2021-06-18 | 北京金堤科技有限公司 | 验证码的识别方法、装置、电子设备和存储介质 |
CN114761134A (zh) * | 2019-09-17 | 2022-07-15 | 佩里格林科技(控股)有限公司 | 平板显示器的回收 |
CN112989312B (zh) * | 2020-11-30 | 2024-04-30 | 北京金堤科技有限公司 | 验证码的识别方法、装置、电子设备和存储介质 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102761611A (zh) * | 2012-06-29 | 2012-10-31 | 宋超 | 一种云平台图形验证码验证方法 |
CN102841996A (zh) * | 2012-06-29 | 2012-12-26 | 宋超 | 一种点击式验证图片和点击式验证方法 |
CN103078745A (zh) * | 2013-02-04 | 2013-05-01 | 马骏 | 基于图片的登陆验证码 |
CN103139204A (zh) * | 2012-12-19 | 2013-06-05 | 姚爱军 | 一种网络验证码的方法及系统 |
CN103854031A (zh) * | 2012-11-28 | 2014-06-11 | 伊姆西公司 | 用于识别图像内容的方法和装置 |
CN104346557A (zh) * | 2013-08-06 | 2015-02-11 | 深圳市腾讯计算机系统有限公司 | 验证码的生成方法及装置、验证码的显示控制方法及装置 |
CN104468101A (zh) * | 2013-09-12 | 2015-03-25 | 深圳市腾讯计算机系统有限公司 | 一种用户身份的验证方法、装置和验证服务系统 |
CN104657653A (zh) * | 2013-11-19 | 2015-05-27 | 博雅网络游戏开发(深圳)有限公司 | 图像验证码的验证方法及验证装置 |
CN104899499A (zh) * | 2015-05-29 | 2015-09-09 | 南京理工大学 | 基于互联网图片搜索的Web验证码生成方法 |
CN104917722A (zh) * | 2014-03-11 | 2015-09-16 | 腾讯科技(深圳)有限公司 | 身份验证的方法、装置及系统 |
CN104951188A (zh) * | 2015-06-18 | 2015-09-30 | 烟台朱葛软件科技有限公司 | 可视信息交互的方法及控制系统 |
CN105354480A (zh) * | 2014-08-20 | 2016-02-24 | 阿里巴巴集团控股有限公司 | 验证码图片生成方法及装置 |
-
2016
- 2016-09-08 CN CN201610811647.1A patent/CN106485261B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102761611A (zh) * | 2012-06-29 | 2012-10-31 | 宋超 | 一种云平台图形验证码验证方法 |
CN102841996A (zh) * | 2012-06-29 | 2012-12-26 | 宋超 | 一种点击式验证图片和点击式验证方法 |
CN103854031A (zh) * | 2012-11-28 | 2014-06-11 | 伊姆西公司 | 用于识别图像内容的方法和装置 |
CN103139204A (zh) * | 2012-12-19 | 2013-06-05 | 姚爱军 | 一种网络验证码的方法及系统 |
CN103078745A (zh) * | 2013-02-04 | 2013-05-01 | 马骏 | 基于图片的登陆验证码 |
CN104346557A (zh) * | 2013-08-06 | 2015-02-11 | 深圳市腾讯计算机系统有限公司 | 验证码的生成方法及装置、验证码的显示控制方法及装置 |
CN104468101A (zh) * | 2013-09-12 | 2015-03-25 | 深圳市腾讯计算机系统有限公司 | 一种用户身份的验证方法、装置和验证服务系统 |
CN104657653A (zh) * | 2013-11-19 | 2015-05-27 | 博雅网络游戏开发(深圳)有限公司 | 图像验证码的验证方法及验证装置 |
CN104917722A (zh) * | 2014-03-11 | 2015-09-16 | 腾讯科技(深圳)有限公司 | 身份验证的方法、装置及系统 |
CN105354480A (zh) * | 2014-08-20 | 2016-02-24 | 阿里巴巴集团控股有限公司 | 验证码图片生成方法及装置 |
CN104899499A (zh) * | 2015-05-29 | 2015-09-09 | 南京理工大学 | 基于互联网图片搜索的Web验证码生成方法 |
CN104951188A (zh) * | 2015-06-18 | 2015-09-30 | 烟台朱葛软件科技有限公司 | 可视信息交互的方法及控制系统 |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108303920A (zh) * | 2018-01-18 | 2018-07-20 | 周晔 | 一种基于食材识别的智能电器综合管理方法及系统 |
CN109063456A (zh) * | 2018-08-02 | 2018-12-21 | 浙江大学 | 图像型验证码的安全性检测方法及系统 |
CN109063456B (zh) * | 2018-08-02 | 2021-10-08 | 浙江大学 | 图像型验证码的安全性检测方法及系统 |
CN109460652A (zh) * | 2018-11-09 | 2019-03-12 | 连尚(新昌)网络科技有限公司 | 用于标注图像样本的方法、设备及计算机可读介质 |
CN109460652B (zh) * | 2018-11-09 | 2022-05-20 | 连尚(新昌)网络科技有限公司 | 用于标注图像样本的方法、设备及计算机可读介质 |
CN111383302A (zh) * | 2018-12-29 | 2020-07-07 | 中兴通讯股份有限公司 | 一种图像配文方法及装置、终端和计算机可读存储介质 |
CN111680708A (zh) * | 2019-03-18 | 2020-09-18 | 上海铼锶信息技术有限公司 | 一种给图片加标签的方法和系统 |
CN110348199A (zh) * | 2019-07-17 | 2019-10-18 | 上海图趣信息科技有限公司 | 基于验证码的图片标注系统、方法、存储介质及图片识别自学习系统 |
CN114761134A (zh) * | 2019-09-17 | 2022-07-15 | 佩里格林科技(控股)有限公司 | 平板显示器的回收 |
CN112989312A (zh) * | 2020-11-30 | 2021-06-18 | 北京金堤科技有限公司 | 验证码的识别方法、装置、电子设备和存储介质 |
CN112989312B (zh) * | 2020-11-30 | 2024-04-30 | 北京金堤科技有限公司 | 验证码的识别方法、装置、电子设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN106485261B (zh) | 2020-06-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106485261A (zh) | 一种图像识别的方法和装置 | |
CN112417439B (zh) | 账号检测方法、装置、服务器及存储介质 | |
CN109510737B (zh) | 协议接口测试方法、装置、计算机设备和存储介质 | |
CN109936561B (zh) | 用户请求的检测方法、装置、计算机设备及存储介质 | |
CN109922032B (zh) | 用于确定登录账户的风险的方法、装置、设备及存储介质 | |
EP3178011B1 (en) | Method and system for facilitating terminal identifiers | |
CN108959370B (zh) | 一种基于知识图谱中实体相似度的社区发现方法及装置 | |
CN107085616B (zh) | Lbsn中一种基于多维属性挖掘的虚假评论可疑地点检测方法 | |
CN107491536B (zh) | 一种试题校验方法、试题校验装置及电子设备 | |
CN111858242A (zh) | 一种系统日志异常检测方法、装置及电子设备和存储介质 | |
CN109194689B (zh) | 异常行为识别方法、装置、服务器及存储介质 | |
WO2021174812A1 (zh) | 用于画像的数据的清洗方法、装置、介质及电子设备 | |
CN112860676B (zh) | 应用于大数据挖掘和业务分析的数据清洗方法及云服务器 | |
CN112069069A (zh) | 缺陷自动定位分析方法、设备及可读存储介质 | |
CN109783459A (zh) | 从日志中提取数据的方法、装置及计算机可读存储介质 | |
CN111723870B (zh) | 基于人工智能的数据集获取方法、装置、设备和介质 | |
CN105117340B (zh) | 用于iOS浏览器应用质量评估的URL检测方法和装置 | |
CN112966081A (zh) | 处理问答信息的方法、装置、设备和存储介质 | |
CN107517180A (zh) | 登录方法和装置 | |
CN113312258A (zh) | 一种接口测试方法、装置、设备及存储介质 | |
CN112671614B (zh) | 关联系统连通性测试方法、系统、装置及存储介质 | |
CN109766678A (zh) | 面向移动端设备指纹识别认证方法、系统、介质及设备 | |
CN109829713B (zh) | 一种基于知识与数据共同驱动的移动支付方式识别方法 | |
CN111488269B (zh) | 数据仓库的指标检测方法、装置和系统 | |
CN113672389A (zh) | 一种服务器兼容方法、系统、设备及计算机可读存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |