CN109257168A

CN109257168A - 一种图片验证码的生成方法、装置、设备及介质

Info

Publication number: CN109257168A
Application number: CN201811108026.2A
Authority: CN
Inventors: 刘均; 潘洋
Original assignee: Shenzhen Launch Technology Co Ltd
Current assignee: Shenzhen Launch Technology Co Ltd
Priority date: 2018-09-21
Filing date: 2018-09-21
Publication date: 2019-01-22

Abstract

本申请公开了一种图片验证码的生成方法、装置、设备及介质，该方法的步骤包括：将预设字符嵌入至预设背景图片的目标区域，生成内容图片；获取风格图片，并通过卷积神经网络模型对风格图片的特征进行迭代提取，以生成风格图片模型；利用风格图片模型对内容图片进行迭代训练，生成图片验证码。本方法所生成的图片验证码，是在背景图片与字符融合的基础进一步融入了另外的风格特征，能够对字符与背景图片之间的不连续性造成一定的掩饰效果，因此能够相对提高机器识别出图片验证码中字符内容的难度，进而相对保证了使用该图片验证码的网站被访问时的安全性。此外，本申请还提供一种图片验证码的生成装置、设备及介质，有益效果同上所述。

Description

一种图片验证码的生成方法、装置、设备及介质

技术领域

本申请涉及数据安全领域，特别是涉及一种图片验证码的生成方法、装置、设备及介质。

背景技术

网站作为用户获取网络数据的途径，能够向用户提供丰富的数据内容。但是在提供便利的同时，网站通常也面临着一些黑客通过运行计算机程序对网站的源代码进行解析，并根据网站的源代码内容模拟人工操作，以对网站进行反复且大量的恶意操作。

验证码的产生是为了避免网站受到反复大量的恶意操作，是一种区分访问网站的访问者是计算机程序或用户本人的公共全自动程序，当用户在网站中进行某些关键操作时，网站会产生验证码，用户需要先输入与验证码一致的文字内容才能够进行相应的关键操作，以此保证网站的运行稳定以及数据安全。

当前最主流的验证码形式是在随机的背景图片中分布设置有字符的图片验证码，进而用户在获取到图片验证码时，需要在图片验证码的背景图片中分辨出其中的字符，并将字符录入至验证码输入框进行身份验证。这种以图片承载验证码的方式虽然能够在一定程度上避免计算机程序根据网页的源代码获取到背景图片中的字符内容，但是随着人工智能以及机器识别技术的不断发展，当前逐渐产生通过计算机程序对于验证码进行解析的手段，其主要的操作内容，是通过对图片验证码进行调整对比度或灰度处理，并在经过灰度处理后的图片验证码中通过机器识别对图片验证码中的字符进行轮廓的解析，进而获得图片验证码中的字符。当前的验证码解析方法主要是利用了经过灰度处理后的图片验证码因色彩被过滤掉，而导致的字符与背景图片之间出现不连续性更加明显的特点，进而能够通过机器识别字符与背景图片之间的差异轮廓获得图片验证码中的字符。综上所述，根据当前方法所产生的图片验证码更容易被机器识别出具体的字符内容，导致该图片验证码难以保证网站被访问时的安全性。

由此可见，提供一种图片验证码的生成方法，以提高所生成的图片验证码被机器识别出字符内容的难度，进而相对保证使用该图片验证码的网站被访问时的安全性，是本领域技术人员亟待解决的问题。

申请内容

本申请的目的是提供一种图片验证码的生成方法、装置、设备及介质，以提高所生成的图片验证码被机器识别出字符内容的难度，进而相对保证使用该图片验证码的网站被访问时的安全性。

为解决上述技术问题，本申请提供一种图片验证码的生成方法，包括：

将预设字符嵌入至预设背景图片的目标区域，生成内容图片；

获取风格图片，并通过卷积神经网络模型对风格图片的特征进行迭代提取，以生成风格图片模型；

利用风格图片模型对内容图片进行迭代训练，生成图片验证码。

优选的，在将预设字符嵌入至预设背景图片的目标区域前，该方法进一步包括：

计算目标区域内各像素点的RGB平均值，并将预设字符的RGB值设置为RGB平均值；其中，目标区域内的像素点的RGB值存在差异。

优选的，预设字符对应的目标区域在预设背景图片内呈分散式分布。

优选的，在将预设字符嵌入至预设背景图片的目标区域后，该方法进一步包括：

在目标区域内添加图像噪声。

对预设字符进行拉伸变形处理。

在目标区域内添加干扰线。

优选的，卷积神经网络模型具体为VGG-19卷积神经网络模型。

此外，本申请还提供一种图片验证码的生成装置，包括：

内容图片生成模块，用于将预设字符嵌入至预设背景图片的目标区域，生成内容图片；

风格模型生成模块，用于获取风格图片，并通过卷积神经网络模型对风格图片的特征进行迭代提取，以生成风格图片模型；

验证码生成模块，用于利用风格图片模型对内容图片进行迭代训练，生成图片验证码。

优选的，该装置进一步包括：

RGB运算设置模块，用于计算目标区域内各像素点的RGB平均值，并将预设字符的RGB值设置为RGB平均值；其中，目标区域内的像素点的RGB值存在差异。

优选的，该装置进一步包括：

噪声添加模块，用于在目标区域内添加图像噪声。

优选的，该装置进一步包括：

变换模块，用于对预设字符进行拉伸变形处理。

优选的，该装置进一步包括：

干扰线添加模块，用于在目标区域内添加干扰线。

此外，本申请还提供一种图片验证码的生成设备，包括：

存储器，用于存储计算机程序；

处理器，用于执行计算机程序时实现如上述的图片验证码的生成方法的步骤。

此外，本申请还提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现如上述的图片验证码的生成方法的步骤。

本申请所提供的图片验证码的生成方法，首先将供用户辨别的预设字符嵌入至预设背景图片中的目标区域内，生成内容图片，进而获取风格图片，并通过卷积神经网络模型对风格图片中的风格特征进行迭代提取，并产生具有风格图片特征的算法模型，即风格图片模型，进而通过风格图片模型对内容图片进行迭代训练，以使内容图片中存在有风格图片的特征，最终将迭代训练的结果作为图片验证码。本方法中所生成的内容图片相当于预设字符与背景图片之间的融合，风格图片模型相当于对风格图片中的特征内容的提取，在此基础上将内容图片作为一个整体，利用风格图片模型对其进行迭代训练，相当于是将风格图片中的特征融合至内容图片，本方法所生成的图片验证码相比于现有技术所生成的图片验证码而言，是在背景图片与字符融合的基础进一步融入了另外的风格特征，新融入的风格特征能够对字符与背景图片之间的不连续性造成一定的掩饰效果，因此能够相对提高机器识别出图片验证码中字符内容的难度，进而相对保证了使用该图片验证码的网站被访问时的安全性。此外，本申请还提供一种图片验证码的生成装置、设备及介质，有益效果同上所述。

附图说明

为了更清楚地说明本申请实施例，下面将对实施例中所需要使用的附图做简单的介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种图片验证码的生成方法的流程图；

图2为本发明实施例提供的另一种图片验证码的生成方法的流程图；

图3为本发明实施例提供的一种图片验证码的生成装置的结构图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下，所获得的所有其他实施例，都属于本申请保护范围。

本申请的核心是提供一种图片验证码的生成方法，以提高所生成的图片验证码被机器识别出字符内容的难度，进而相对保证使用该图片验证码的网站被访问时的安全性。本发明的另一核心是提供一种图片验证码的生成装置、设备及介质。

为了使本技术领域的人员更好地理解本申请方案，下面结合附图和具体实施方式对本申请作进一步的详细说明。

实施例一

图1为本发明实施例提供的一种图片验证码的生成方法的流程图。请参考图1，图片验证码的生成方法的具体步骤包括：

步骤S10：将预设字符嵌入至预设背景图片的目标区域，生成内容图片。

需要说明的是，本步骤中的预设字符即为用户在验证码中进行辨别的内容，预设字符的类型可以为数字、汉字、字母或符号等，并且具体的字符内容是随机生成的。另外，在预设背景图片中嵌入的预设字符，其数量可以大于或等于1，当预设字符的数量大于1时，目标区域的数量可以仅为1，进而全部的预设字符均嵌入至预设背景图片单独的目标区域中，另外，目标区域的数量也可以与预设字符的数量相同，进而各预设字符分别嵌入其各自对应的目标区域，除此之外，目标区域的数量不为1且小于预设字符的总数量，进而各预设字符平均分布在各目标区域中。当预设字符分别嵌入其各自对应的目标区域时，各预设字符的字体应小于其对应目标区域的空间，以确保预设字符不超出目标区域的范围；当多个预设字符嵌入一个目标区域时，考虑到各预设字符可能在目标区域中出现重叠的情况，目标区域应相对大于各预设字符的总字体大小，进而避免预设字符之间的重叠程度较大造成用户辨别困难的情况。

在预设字符的数量大于1的情况下，各个预设字符的类型可以完全不同，例如当预设字符的数量为4时，这四个预设字符的类型可以分别为数字、汉字、字母以及符号；各个预设字符的类型可以部分不同，例如当预设字符的数量为4时，这四个预设字符的类型可以分别数字、数字、汉字以及汉字。预设字符的类型越多，对于机器识别的难度则相对越大，所生成的图片验证码可靠性越高。对于背景图片中预设字符的类型，用户应根据验证码生成过程的实际需求而定，在此不做具体限定。

本步骤将预设字符嵌入至预设背景图片的目标区域后，生成了以背景图片及预设字符为整体的内容图片。

步骤S11：获取风格图片，并通过卷积神经网络模型对风格图片的特征进行迭代提取，以生成风格图片模型。

需要说明的是，卷积神经网络，是一种前馈神经网络，人工神经元可以响应周围单元，可以进行大型图像处理。卷积神经网络的实际工作是基于卷积神经网络模型进行的，卷积神经网络模型是卷积神经网络的图像处理逻辑所对应的算法代码的集合，当前相对主流的卷积神经网络模型主要包括AlexNet模型、VGGNet模型、ResNet模型等，用户可以根据实际的特征提取需求选取相应的卷积神经网络模型进行使用，本步骤通过卷积申请网络模型对风格图片的特征进行迭代提取的本质目的是，通过反复获取并分析风格图片的像素内容，学习风格图片中RGB值相近的像素点的聚集特点，进而获取到风格图片所具有的特征，卷积神经网络模型由于具有了风格图片的特征，因此在原有基础上进行了算法内容的增加，生成为风格图片模型。

步骤S12：利用风格图片模型对内容图片进行迭代训练，生成图片验证码。

可以理解的是，本步骤是利用具有风格图片特征的风格图片模型对内容图片进行迭代训练，目的是在内容图片中融入风格图片所具有的特征，以此生成具有内容图片与风格图片各自特征的图片验证码。

需要说明的是，由于内容图片相比于背景图片而言是一个具有预设字符的新图片，因此风格图片即使与背景图片相同，也与内容图片之间存在特征差异，因此在理论上，风格图片的内容可以与背景图片的内容相同，但是由于内容图片与背景图片之间的特征差异仅在于预设字符，因此其二者的特征差异较小，但是为了确保能在内容图片的基础上融入较大的特征差异，以更大程度的掩饰背景图片与预设字符之间的不连续性，风格图片与背景图片应为内容不同的图片。

本申请所提供的图片验证码的生成方法，首先将供用户辨别的预设字符嵌入至预设背景图片中的目标区域内，生成内容图片，进而获取风格图片，并通过卷积神经网络模型对风格图片中的风格特征进行迭代提取，并产生具有风格图片特征的算法模型，即风格图片模型，进而通过风格图片模型对内容图片进行迭代训练，以使内容图片中存在有风格图片的特征，最终将迭代训练的结果作为图片验证码。本方法中所生成的内容图片相当于预设字符与背景图片之间的融合，风格图片模型相当于对风格图片中的特征内容的提取，在此基础上将内容图片作为一个整体，利用风格图片模型对其进行迭代训练，相当于是将风格图片中的特征融合至内容图片，本方法所生成的图片验证码相比于现有技术所生成的图片验证码而言，是在背景图片与字符融合的基础进一步融入了另外的风格特征，新融入的风格特征能够对字符与背景图片之间的不连续性造成一定的掩饰效果，因此能够相对提高机器识别出图片验证码中字符内容的难度，进而相对保证了使用该图片验证码的网站被访问时的安全性。

实施例二

在上述实施例的基础上，本发明还提供以下一系列优选的实施方式。

图2为本发明实施例提供的另一种图片验证码的生成方法的流程图。图2中步骤S10-S12与图1相同，在此不再赘述。

如图2所示，作为一种优选的实施方式，在将预设字符嵌入至预设背景图片的目标区域前，该方法进一步包括：

步骤S20：计算目标区域内各像素点的RGB平均值，并将预设字符的RGB值设置为RGB平均值。

其中，目标区域内的像素点的RGB值存在差异。

需要说明的是，RGB色彩模式是工业界的一种颜色标准，是通过对红(R)、绿(G)、蓝(B)三个颜色通道的变化以及它们相互之间的叠加来得到各式各样的颜色的，RGB即是代表红、绿、蓝三个通道的颜色，不同的RGB值对应不同的颜色，RGB标准几乎包括了人类视力所能感知的所有颜色，是目前运用最广的颜色系统之一。本实施方式在将预设字符嵌入至预设背景图片的目标区域前，先计算目标区域里各个像素点的RGB平均值，并将预设字符的RGB值设置为该RGB平均值，进而预设字符的字体颜色就能够与目标区域中的整体颜色进一步相近，以此提高预设字符在目标区域中的隐蔽性。但是如果在目标区域中的像素点均为同一RGB值时，则会出现RGB平均值与目标区域像素点的RBG值相同的情况，进而导致预设字符的颜色与目标区域的颜色完全一致，因此需要注意的是，在本实施方式的目标区域中，各像素点的RGB值应该存在差异，以确保预设字符的轮廓能够在目标区域中有所体现。

此外，在上述实施方式的基础上，作为一种优选的实施方式，在将预设字符嵌入至目标区域前，可以预先在目标区域中选定像素坐标点的坐标值(x值，y值)，进而以该像素坐标点作为放置预设字符的中心点，在此基础上可以将每个预设字符所在的像素坐标点与预设字符的RGB值整合成为位置颜色对，用以表征预设字符在目标区域中的相关属性，位置颜色对的形式如“((像素点x值，像素点y值)：预设字符RGB值)”，进而系统能够通过参考该位置颜色对，更加高效地将预设字符以正确的颜色嵌入至目标区域中的正确位置。

此外，在上述实施方式的基础上，作为一种优选的实施方式，预设字符对应的目标区域在预设背景图片内呈分散式分布。

需要说明的是，本实施方式是考虑到，当预设字符的数量仅为1时，所生成的图片验证码中的内容相对简单且单一，被机器识别的难度较低，因此本实施方式中的预设字符数量大于1，在此基础上，为了确保各个预设字符之间不出现重叠干扰的情况，各个预设字符所对应的目标区域相互分散，降低了用户辨别预设字符的难度。

此外，作为一种优选的实施方式，在将预设字符嵌入至预设背景图片的目标区域后，该方法进一步包括：

在目标区域内添加图像噪声。

需要说明的是，图像噪声是指存在于图像数据中的不必要的或多余的干扰信息，图像噪声的存在能够影响图像的呈现质量，其主要的存在形式是具有较强视觉效果的孤立像素点或像素块。

在目标区域中添加图像噪声不会对图片验证码的肉眼识别造成较大影响，但是能够对经过灰度处理后的图片验证码的呈现质量造成影响，因此对于机器识别而言，在目标区域内添加图像噪声能够进一步增加识别预设字符的难度，提高了图片验证码的可靠性。

此外，作为一种优选的实施方式，在将预设字符嵌入至预设背景图片的目标区域前，该方法进一步包括：

对预设字符进行拉伸变形处理。

需要说明的是，本实施方式是考虑到，将预设字符进行拉伸变形处理后，预设字符的轮廓会发生较大的变化，因此对于机器识别而言，在目标区域内添加图像噪声能够进一步增加识别预设字符的难度，提高了图片验证码的可靠性。实现预设字符的拉伸变形时，可以采用傅里叶变换算法、几何变换算法、空间变化算法等，核心的目的是改变预设字符的像素的空间位置，估算新空间位置上的像素值，以此实现对预设字符的形变处理。

在目标区域内添加干扰线。

需要说明的是，本实施方式是考虑到在目标区域内添加干扰线，能够对于预设字符的显示造成一定的干扰，进一步提高了机器识别出预设字符具体内容的难度。本实施方式中的在目标区域内添加干扰线的操作与上述实施方式中在目标区域内添加图像噪声的操作可以一起使用，以进一步提高图片验证码的可靠性。

在上述实施方式的基础上，作为一种优选的实施方式，卷积神经网络模型具体为VGG-19卷积神经网络模型。

需要说明的是，VGG-19卷积神经网络模型属于VGGNet模型，是当前用于挖掘图片特征所经常采用的卷积神经网络模型，其具有更深层次的特征挖掘能力，能够提高对于图片特征的深度获取，进而应用于本实施方式中，能够加深内容图片与风格图片之间的融合程度，能够相对提高对内容图片中字符与背景的不连续性的掩饰效果。

下面就VGG-19卷积神经网络模型进行内容图片与风格图片之间的特征融合时的相关操作进行具体阐述：

首先风格图片经过VGG-19卷积神经网络模型，对风格图片的特征进行迭代提取，风格图片经过每个卷积层的处理后会生成相应的特征图(feature maps)，进而组成集合A。例如，将梵高的绘画作品《星月夜》作为风格图片进行特征迭代提取时，该风格图片在经过每个卷积层时，都会生成包含有将该图片中星空轮廓的特征图，各个特征图对于轮廓描绘的侧重点各异；

利用风格图片模型对内容图片进行迭代训练的内容也是对内容图片进行每个卷积层的处理，并生成相应的特征图(feature maps)，进而组成集合P。例如，将风景照片作为内容图片时，风景照片经过每个卷积层时，也会生成包含有该风景照片中的各细节轮廓的特征图。此处的迭代训练是指反复地执行卷积层的特征提取的操作步骤，其目的用不同的数值来代替同一个变量，从而使得内容图片特征的函数表达式变得精简，基本思想是通过逐次逼近的方法，先取一个粗糙的近似值，然后用同一个递推公式，反复校正此近似值，直至达到预定精度要求为止；

生成其各自对应的噪声图像x，进而对噪声图像x进行每个卷积层的处理，并将特征图(feature maps)并构成集合G与F分别对应集合A与P。可以理解的是，生成噪声图像的目的是将内容图片(风景照片)与风格图片(《星月夜》图)所具有的特征分别映射至各自的噪声图像中；

最终根据集合A、P、G、F生成目标函数。目标函数的目的是通过调整噪声图像x使噪声图像x既保持内容图片的内容，又具有一定风格图片的风格特征，即实现《星月夜》图与风景照片之间的特征融合。

在建立目标函数之前，需要先给出一些定义：在卷积神经网络中，假设某一层含有N×N个过滤器,那么将会生成N×N个特征图(feature maps)，每个特征图(feature maps)的维度为M×M，M×M是特征图(feature maps)的高与宽的乘积。所以每一层特征图(feature maps)的集合可以表示为F∈R^N×M，内容图片的损失函数如下：

L_{content(p，x，l)}＝1/2∑i_j(F^li_j-P^l _ij)；

其中，F_ij表示在第l卷积层中第i个过滤器在图像位置j上的激活值，P^l _ij表示在第l卷积层中第i个过滤器在图像位置j上的图像原值。

为了建立风格图片的表示方式，需要利用Gram matrix去表示每一层各个特征图(feature maps)之间的关系，G∈R^N×N，G^l _ij是第l卷积层特征图(feature maps)上i与j的内积：

G_ij＝∑_kF^l _ikF^l _jk；

利用Gram matrix，还可以建立每一层的关于风格的损失：

结合所有层，可以得到总的损失：

L_style(a，x)＝∑w_lE_l；其中，w_l为权重；

最后将内容图片和风格图片的损失相结合得到目标函数：

L_{total(p，a，x)}＝αL_{content(p，x)}+βL_style(a，x)；

其中α，β分别表示权值，x表示噪声图像。在建立L_content时，用到了VGG-19卷积神经网络模型中的卷积层conv4_2卷积层，而在建立L_style时，用到了VGG-19卷积神经网络模型的conv1_1、conv2_1、conv3_1、conv4_1以及conv5_1卷积层。

实施例三

在上文中对于图片验证码的生成方法的实施例进行了详细的描述，本发明还提供一种与该方法对应的图片验证码的生成装置，由于装置部分的实施例与方法部分的实施例相互对应，因此装置部分的实施例请参见方法部分的实施例的描述，这里暂不赘述。

图3为本发明实施例提供的一种图片验证码的生成装置的结构图。本发明实施例提供的图片验证码的生成装置，包括：

内容图片生成模块10，用于将预设字符嵌入至预设背景图片的目标区域，生成内容图片。

风格模型生成模块11，用于获取风格图片，并通过卷积神经网络模型对风格图片的特征进行迭代提取，以生成风格图片模型。

验证码生成模块12，用于利用风格图片模型对内容图片进行迭代训练，生成图片验证码。

本申请所提供的图片验证码的生成装置，首先将供用户辨别的预设字符嵌入至预设背景图片中的目标区域内，生成内容图片，进而获取风格图片，并通过卷积神经网络模型对风格图片中的风格特征进行迭代提取，并产生具有风格图片特征的算法模型，即风格图片模型，进而通过风格图片模型对内容图片进行迭代训练，以使内容图片中存在有风格图片的特征，最终将迭代训练的结果作为图片验证码。本装置中所生成的内容图片相当于预设字符与背景图片之间的融合，风格图片模型相当于对风格图片中的特征内容的提取，在此基础上将内容图片作为一个整体，利用风格图片模型对其进行迭代训练，相当于是将风格图片中的特征融合至内容图片，本装置所生成的图片验证码相比于现有技术所生成的图片验证码而言，是在背景图片与字符融合的基础进一步融入了另外的风格特征，新融入的风格特征能够对字符与背景图片之间的不连续性造成一定的掩饰效果，因此能够相对提高机器识别出图片验证码中字符内容的难度，进而相对保证了使用该图片验证码的网站被访问时的安全性。

在实施例三的基础上，该装置还包括：

噪声添加模块，用于在目标区域内添加图像噪声。

在实施例三的基础上，该装置还包括：

变换模块，用于通过对预设字符进行拉伸变形处理。

在实施例三的基础上，该装置还包括：

干扰线添加模块，用于在目标区域内添加干扰线。

实施例四

本发明还提供一种图片验证码的生成设备，包括：

存储器，用于存储计算机程序；

本申请所提供的图片验证码的生成设备，首先将供用户辨别的预设字符嵌入至预设背景图片中的目标区域内，生成内容图片，进而获取风格图片，并通过卷积神经网络模型对风格图片中的风格特征进行迭代提取，并产生具有风格图片特征的算法模型，即风格图片模型，进而通过风格图片模型对内容图片进行迭代训练，以使内容图片中存在有风格图片的特征，最终将迭代训练的结果作为图片验证码。本设备中所生成的内容图片相当于预设字符与背景图片之间的融合，风格图片模型相当于对风格图片中的特征内容的提取，在此基础上将内容图片作为一个整体，利用风格图片模型对其进行迭代训练，相当于是将风格图片中的特征融合至内容图片，本设备所生成的图片验证码相比于现有技术所生成的图片验证码而言，是在背景图片与字符融合的基础进一步融入了另外的风格特征，新融入的风格特征能够对字符与背景图片之间的不连续性造成一定的掩饰效果，因此能够相对提高机器识别出图片验证码中字符内容的难度，进而相对保证了使用该图片验证码的网站被访问时的安全性。

此外，本发明还提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现如上述的图片验证码的生成方法的步骤。

本申请所提供的计算机可读存储介质，首先将供用户辨别的预设字符嵌入至预设背景图片中的目标区域内，生成内容图片，进而获取风格图片，并通过卷积神经网络模型对风格图片中的风格特征进行迭代提取，并产生具有风格图片特征的算法模型，即风格图片模型，进而通过风格图片模型对内容图片进行迭代训练，以使内容图片中存在有风格图片的特征，最终将迭代训练的结果作为图片验证码。本计算机可读存储介质中所生成的内容图片相当于预设字符与背景图片之间的融合，风格图片模型相当于对风格图片中的特征内容的提取，在此基础上将内容图片作为一个整体，利用风格图片模型对其进行迭代训练，相当于是将风格图片中的特征融合至内容图片，本计算机可读存储介质所生成的图片验证码相比于现有技术所生成的图片验证码而言，是在背景图片与字符融合的基础进一步融入了另外的风格特征，新融入的风格特征能够对字符与背景图片之间的不连续性造成一定的掩饰效果，因此能够相对提高机器识别出图片验证码中字符内容的难度，进而相对保证了使用该图片验证码的网站被访问时的安全性。

以上对本申请所提供的一种图片验证码的生成方法、装置、设备及介质进行了详细介绍。说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置、设备及介质而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以对本申请进行若干改进和修饰，这些改进和修饰也落入本申请权利要求的保护范围内。

还需要说明的是，在本说明书中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

Claims

1.一种图片验证码的生成方法，其特征在于，包括：

获取风格图片，并通过卷积神经网络模型对所述风格图片的特征进行迭代提取，以生成风格图片模型；

利用所述风格图片模型对所述内容图片进行迭代训练，生成图片验证码。

2.根据权利要求1所述的方法，其特征在于，在所述将预设字符嵌入至预设背景图片的目标区域前，该方法进一步包括：

计算所述目标区域内各像素点的RGB平均值，并将所述预设字符的RGB值设置为所述RGB平均值；其中，所述目标区域内的所述像素点的RGB值存在差异。

3.根据权利要求2所述的方法，其特征在于，所述预设字符对应的所述目标区域在所述预设背景图片内呈分散式分布。

4.根据权利要求1所述的方法，其特征在于，在所述将预设字符嵌入至预设背景图片的目标区域后，该方法进一步包括：

在所述目标区域内添加图像噪声。

5.根据权利要求1所述的方法，其特征在于，在所述将预设字符嵌入至预设背景图片的目标区域前，该方法进一步包括：

对所述预设字符进行拉伸变形处理。

6.根据权利要求1所述的方法，其特征在于，在所述将预设字符嵌入至预设背景图片的目标区域后，该方法进一步包括：

在所述目标区域内添加干扰线。

7.根据权利要求1至6任意一项所述的方法，其特征在于，所述卷积神经网络模型具体为VGG-19卷积神经网络模型。

8.一种图片验证码的生成装置，其特征在于，包括：

风格模型生成模块，用于获取风格图片，并通过卷积神经网络模型对所述风格图片的特征进行迭代提取，以生成风格图片模型；

验证码生成模块，用于利用所述风格图片模型对所述内容图片进行迭代训练，生成图片验证码。

9.一种图片验证码的生成设备，其特征在于，包括：

存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序时实现如权利要求1至7任一项所述的图片验证码的生成方法的步骤。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的图片验证码的生成方法的步骤。