CN109697353A - 一种点击验证码的验证方法和装置 - Google Patents
一种点击验证码的验证方法和装置 Download PDFInfo
- Publication number
- CN109697353A CN109697353A CN201811418963.8A CN201811418963A CN109697353A CN 109697353 A CN109697353 A CN 109697353A CN 201811418963 A CN201811418963 A CN 201811418963A CN 109697353 A CN109697353 A CN 109697353A
- Authority
- CN
- China
- Prior art keywords
- target
- identifying code
- sample
- model
- image
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
- G06F21/31—User authentication
- G06F21/36—User authentication by graphic or iconic representation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2221/00—Indexing scheme relating to security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F2221/21—Indexing scheme relating to G06F21/00 and subgroups addressing additional information or applications relating to security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F2221/2133—Verifying human interaction, e.g., Captcha
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Security & Cryptography (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供一种点击验证码的验证方法和装置,其中所述方法包括:将点击验证码的验证码图像输入至目标检测模型,获取目标检测模型输出的若干个目标位置;目标检测模型是基于样本图像和样本图像的样本目标位置训练得到的;从验证码图像中裁剪每一目标位置对应的目标对象;将任一目标对象输入至目标识别模型,获取目标识别模型输出的该目标对象的分类标志;其中,目标识别模型是基于样本目标对象和样本目标对象的样本分类标志训练得到的;基于点击验证码的验证码提示文本和每一目标对象的分类标志,对点击验证码进行验证。本发明实施例提供的方法和装置,验证速度快,准确率高,且具备广泛适用性,能有效节省用户时间,优化用户体验。
Description
技术领域
本发明实施例涉及计算机视觉技术领域,尤其涉及一种点击验证码的验证方法和装置。
背景技术
验证码是当前很多网站和软件通行的一种公共全自动程序,以区分计算机操作和人的操作。其中,点击验证码作为新一代的互联网验证码,通过点击的形式完成验证。为了防止破解密码、刷票和论坛灌水等恶意行为,通常将点击验证码的验证图片设置得非常模糊,对验证图片中的目标进行形变旋转并加入复杂的干扰。然而上述操作导致用户难以从验证图片中准确找出目标,降低了用户体验。
当前用于点击验证码的方法主要包括如下两种:其一是通过传统图像处理,如灰度处理、二值化、腐蚀和膨胀等操作,提取关键目标。并通过机器学习算法匹配答案;其二是通过OCR(Optical Character Recognition,光学字符识别)工具识别文字点击验证码。
然而,由于点击验证码的目标干扰复杂,背景丰富,传统图像处理手段中难以找到合适的方法进行目标提取。此外,OCR工具仅能够分类文字目标,无法进行图案目标的分类,且在文字目标高度变形的情况下,OCR工具的识别效果欠佳。由此,现有的点击验证码的验证技术难以实现准确的验证,且适应性差。
发明内容
本发明实施例提供一种点击验证码的验证方法和装置,用以解决现有的点击验证码的验证方法准确率低、适应性差的问题。
第一方面,本发明实施例提供一种点击验证码的验证方法,包括:
将点击验证码的验证码图像输入至目标检测模型,获取目标检测模型输出的若干个目标位置;其中,目标检测模型是基于样本图像和样本图像的样本目标位置训练得到的;
从验证码图像中裁剪每一目标位置对应的目标对象;
将任一目标对象输入至目标识别模型,获取目标识别模型输出的该目标对象的分类标志;其中,目标识别模型是基于样本目标对象和样本目标对象的样本分类标志训练得到的;
基于点击验证码的验证码提示文本和每一目标对象的分类标志,对点击验证码进行验证。
第二方面,本发明实施例提供一种点击验证码的验证装置,包括:
目标检测单元,用于将点击验证码的验证码图像输入至目标检测模型,获取目标检测模型输出的若干个目标位置;其中,目标检测模型是基于样本图像和样本图像的样本目标位置训练得到的;
对象裁剪单元,用于从验证码图像中裁剪每一目标位置对应的目标对象;
目标识别单元,用于将任一目标对象输入至目标识别模型,获取目标识别模型输出的该目标对象的分类标志;其中,目标识别模型是基于样本目标对象和样本目标对象的样本分类标志训练得到的;
验证单元,用于基于点击验证码的验证码提示文本和每一目标对象的分类标志,对点击验证码进行验证。
第三方面,本发明实施例提供一种电子设备,包括处理器、通信接口、存储器和总线,其中,处理器,通信接口,存储器通过总线完成相互间的通信,处理器可以调用存储器中的逻辑指令,以执行如第一方面所提供的方法的步骤。
第四方面,本发明实施例提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如第一方面所提供的方法的步骤。
本发明实施例提供的一种点击验证码的验证方法和装置,通过目标检测模型获取目标对象,无需人工设置图像处理方法,降低了目标对象的定位难度;通过目标识别模型获取目标对象的分类标志,从而基于验证码提示文本和目标对象的分类标志实现对点击验证码的验证,验证速度快,准确率高,且具备广泛的适用性,能够有效节省用户时间,优化用户体验。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,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点击验证码的验证方法的流程示意图;
图2为本发明实施例提供的点击验证码的示意图;
图3为本发明又一实施例提供的点击验证码的验证方法的流程示意图;
图4为本发明实施例提供的点击验证码的验证装置的结构示意图;
图5为本发明实施例提供的电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
针对当前的点击验证码的验证方法普遍存在的准确率低、适应性差的问题,本发明实施例提供了一种点击验证码的验证方法。图1为本发明实施例提供的点击验证码的验证方法的流程示意图,如图1所示,该方法包括:
110,将点击验证码的验证码图像输入至目标检测模型,获取目标检测模型输出的若干个目标位置;其中,目标检测模型是基于样本图像和样本图像的样本目标位置训练得到的。
具体地,点击验证码包括验证码图像和验证码提示文本,验证码提示文本用于提示通过点击验证码图像中的指定的验证对象进行验证,验证对象可以是文字,也可以是图案。在执行步骤110之前,需要从点击验证码中获取验证码图像。随后,将验证码图像输入目标检测模型,目标检测模型对验证码图像进行特征提取,得到验证码图像中的目标位置。此处,目标位置是指验证码图像中,点击验证码验证时可能作为验证对象的位置,本发明实施例中将在点击验证码验证时可能的验证对象称为目标对象。目标位置可以包括目标对象的中心坐标,还可以包括目标对象的尺寸大小,以及尺寸的偏移量等,本发明实施例对此不作具体限定。此外,目标检测模型输出的目标位置可以是一个,也可以是多个,本发明实施例对此不作具体限定。
另外,在执行步骤110之前,还可预先训练得到目标检测模型,具体可通过如下方式训练得到:首先,收集大量样本图像与样本图像的样本目标位置;其中,样本图像为从大量点击验证码中获取的验证码图像,样本图像的样本目标位置是预先确定的,且样本目标位置为样本图像中验证对象的位置。基于样本图像和样本目标位置对初始模型进行训练,从而得到目标检测模型。其中,初始模型可以是单一神经网络模型,也可以是多个神经网络模型的组合,本发明实施例不对初始模型的类型和结构作具体限定。
120,从验证码图像中裁剪每一目标位置对应的目标对象。
具体地,每一目标位置用于指示一个目标对应的位置,基于目标位置从验证码图像中裁剪得到对应的目标对象。每一目标位置对应一个目标对象。
130,将任一目标对象输入至目标识别模型,获取目标识别模型输出的该目标对象的分类标志;其中,目标识别模型是基于样本目标对象和样本目标对象的样本分类标志训练得到的。
具体地,分别将每一目标对象输入至目标识别模型,从而得到每一目标对象的分类标志。此处,目标识别模型用于对输入的目标对象进行分类,分类标志用于指示目标对象的类别。
此外,在执行步骤130之前,还可预先训练得到目标识别模型,具体可通过如下方式训练得到:首先,收集大量样本目标对象与样本目标对象的样本分类标志;其中,样本目标为从大量点击验证码中获取的验证对象,样本目标对象的样本分类标志是预先确定的,且样本分类标志为样本目标对象的分类标志,用于指示样本目标对象的类别。基于样本目标对象和样本分类标志对初始模型进行训练,从而得到目标识别模型。其中,初始模型可以是单一神经网络模型,也可以是多个神经网络模型的组合,本发明实施例不对初始模型的类型和结构作具体限定。
140,基于点击验证码的验证码提示文本和每一目标对象的分类标志,对点击验证码进行验证。
具体地,基于验证码提示文本给出的指示,根据每一目标对象的分类标志确定其中的一个或多个目标对象为验证码提示文本中指示的验证对象,通过点击验证对象实现对点击验证码的验证。
本发明实施例提供的方法,通过目标检测模型获取目标对象,无需人工设置图像处理方法,降低了目标对象的定位难度;通过目标识别模型获取目标对象的分类标志,从而基于验证码提示文本和目标对象的分类标志实现对点击验证码的验证,验证速度快,准确率高,且具备广泛的适用性,能够有效节省用户时间,优化用户体验。
基于上述任一实施例,目标检测模型为YOLO模型。YOLO(You Only Look Once)是基于单个神经网络的目标检测系统,速度快,能够达到实时的要求,使用全图作为网络输入,背景错误少,泛化能力强。
对应地,步骤110之前还包括:100,基于样本图像和样本图像的样本目标位置对YOLO模型进行训练,直至YOLO模型输出的样本图像的目标位置满足第一预设条件。
此处,样本图像的样本目标位置是预先确定的,YOLO模型输出的样本图像的目标位置是训练过程中的YOLO模型基于样本图像预测的目标位置,第一预设条件是预先确定的YOLO模型预测目标位置的准确性条件。例如,目标位置为目标对象的中心坐标时,第一预设条件可以是YOLO模型输出的样本图像的中心坐标与样本目标位置中的中心坐标之间的损失函数小于预设坐标损失值;又例如,当目标位置包括目标对象的中心坐标和尺寸大小时,第一预设条件可以是YOLO模型输出的样本图像的中心坐标与样本目标位置中的中心坐标之间的损失函数小于预设坐标损失值,且YOLO模型输出的样本图像的尺寸与样本目标位置中的尺寸之间的损失函数小于预设尺寸损失值,本发明实施例对此不作具体限定。
本发明实施例提供的方法,通过YOLO模型进行目标检测,无需人为设置图像处理算法,降低了目标对象定位的难度。
基于上述任一实施例,步骤100之前还包括:对样本图像进行图像增强;图像增强包括缩放、亮度调节、对比度调节和裁剪中的至少一种。
此处,图像增强是数字图像处理常用的技术之一,通过除去图像中的噪声,使边缘清晰以及突出图像中的某些性质等提高图像质量和可判读性。在将样本图像应用于YOLO模型的训练,获取目标检测模型之前,需要对样本图像进行图像增强,使得训练得到的目标检测模型具备更强的泛化能力。
基于上述任一实施例,目标识别模型为VGG模型。VGG模型(Visual GeometryGroup Network,VGGNet)是一种深度卷积网络,VGG模型探索了卷积神经网络的深度与其性能之间的关系,通过反复堆叠3*3的小型卷积核和2*2的最大池化层,构筑了16~19层深的卷积神经网络。VGG模型相比state-of-the-art的网络结构,错误率大幅下降。此外,VGG模型的拓展性很强,泛化性好,可用于在特定的图像分类任务上进行再训练。
对应地,步骤130之前还包括:101,基于样本目标对象和样本目标对象的样本分类标志对VGG模型进行训练,直至VGG模型输出的样本目标对象的分类标志满足第二预设条件。
此处,样本目标对象的样本分类标志是预先确定的,VGG模型输出的样本目标对象的分类标志是训练过程中的VGG模型基于样本目标对象预测的分类标志,第二预设条件是预先确定的VGG模型预测分类标志的准确性条件。例如,第二预设条件可以是VGG模型输出的样本目标对象的分类标志与样本分类标志之间的损失函数小于预设分类损失值。
本发明实施例提供的方法,VGG模型具有强拟合能力,通过VGG模型进行目标识别,能够有效针对变形的目标对象进行分类,提高分类准确率。
基于上述任一实施例,步骤101之前还包括:对样本目标对象进行图像增强;图像增强包括缩放、亮度调节、对比度调节和裁剪中的至少一种。在将样本目标对象应用于VGG模型的训练,获取目标识别模型之前,需要对样本目标对象进行图像增强,使得训练得到的目标识别模型具备更强的泛化能力。
需要说明的是,除此以外,还存在对样本图像进行图像增强后,通过对图像增强后的样本图像进行裁剪得到样本目标对象的状态。该状态下的样本目标对象可视为已经经过图像增强的样本目标对象。
基于上述任一实施例,步骤140具体包括:141,基于验证码提示文本获取验证序列,验证序列包括若干个验证对象;142,依次选取分类标志与验证序列中的验证对象匹配的目标对象,构成目标序列;143,基于目标序列对点击验证码进行验证。
具体地,验证码提示文本用于提示通过点击验证码图像中的指定的验证对象进行验证,验证码提示文本的语义中包含有验证对象和验证对象之间的先后顺序。基于验证码提示文本获取的验证序列中,各个验证对象按照验证码提示文本指示的先后顺序排列。随后基于各个目标对象通过目标识别模型得到的分类标志,依次选取与验证序列中验证对象匹配的目标对象,构成目标序列。此处,目标序列中的目标对象与验证序列的验证对象一一对应,且相匹配的目标对象和验证对象在目标序列和验证序列中的序号是一致的。
基于上述任一实施例,步骤143具体包括:依次点击目标序列中每一目标对象对应的目标位置,实现对点击验证码的验证。
图2为本发明实施例提供的点击验证码的示意图,如图2所述,将验证码图像210输入至目标检测模型,获取验证码图像210的四个目标位置,分别对应四个目标对象A、B、C和D。随后分别将四个目标位置输入至目标识别模型,得到目标对象A的分类标志为“地图”,目标对象B的分类标志为“书本”,目标对象C的分类标志为“写作”,目标对象D的分类标志为“画画”。
验证码提示文本220为:依次点击“地图”和“画画”。根据验证码提示文本220获取验证序列[地图,画画]。验证对象“地图”与分类标志为“地图”的目标对象A匹配,验证对象“画画”与分类标志为“画画”的目标对象D匹配,由此构成目标序列[目标对象A,目标对象D]。基于目标序列依次点击目标对象A和目标对象D,实现对点击验证码的验证。
基于上述任一实施例,图3为本发明又一实施例提供的点击验证码的验证方法的流程示意图,如图3所示,点击验证码的验证方法按照流程箭头的虚线和实线分为两个部分。其中,虚线箭头部分的流程用于执行目标检测模型和目标识别模型的训练,实线箭头部分的流程用于执行点击验证码的验证。
首先,对样本图像进行图像增强,并将图像增强后的样本图像通过裁剪得到样本目标对象。通过图像增强后的样本图像和基于样本图像预设确定的样本目标位置,对YOLO模型进行训练,直至YOLO模型输出的样本图像的中心坐标与样本目标位置中的中心坐标之间的损失函数小于预设坐标损失值,且YOLO模型输出的样本图像的尺寸与样本目标位置中的尺寸之间的损失函数小于预设尺寸损失值。将训练完成后的YOLO模型作为目标检测模型。此外,通过图像增强后裁剪得到的样本目标对象和基于样本目标对象预设预定的样本分类标志,对VGG模型进行训练,直至VGG模型输出的样本目标对象的分类标志与样本分类标志之间的损失函数小于预设分类损失值。将训练完成后的VGG模型作为目标识别模型。
在完成目标检测模型和目标识别模型的训练后,将需要进行验证的点击验证码的验证码图像输入至目标检测模型,并获取目标检测模型输出的若干个目标位置。在获取目标位置后,基于目标位置对验证码图像进行裁剪,得到目标位置对应的目标对象。随后,将各个目标对象分别输入至目标识别模型,并获取目标识别模型输出的目标对象的分类标志。在得到各个目标对象的分类标志后,依次选取分类标志与验证序列中的每一验证对象匹配的目标对象,构成目标序列。此处的验证序列是基于验证码提示文本获取的,验证序列包括若干个验证对象。最后,依次点击目标序列中每一目标对象对应的目标位置,实现对点击验证码的验证。
本发明实施例提供的方法,通过目标检测模型获取目标对象,无需人工设置图像处理方法,降低了目标对象的定位难度;通过目标识别模型获取目标对象的分类标志,从而基于验证码提示文本和目标对象的分类标志实现对点击验证码的验证,验证速度快,准确率高,且具备广泛的适用性,能够有效节省用户时间,优化用户体验。
基于上述任一方法实施例,图4为本发明实施例提供的点击验证码的验证装置的结构示意图,如图4所示,该装置包括目标检测单元410、对象裁剪单元420、目标识别单元430和验证单元440;
目标检测单元410,用于将点击验证码的验证码图像输入至目标检测模型,获取目标检测模型输出的若干个目标位置;其中,目标检测模型是基于样本图像和样本图像的样本目标位置训练得到的;
对象裁剪单元420,用于从验证码图像中裁剪每一目标位置对应的目标对象;
目标识别单元430,用于将任一目标对象输入至目标识别模型,获取目标识别模型输出的该目标对象的分类标志;其中,目标识别模型是基于样本目标对象和样本目标对象的样本分类标志训练得到的;
验证单元440,用于基于点击验证码的验证码提示文本和每一目标对象的分类标志,对点击验证码进行验证。
本发明实施例提供的装置,通过目标检测模型获取目标对象,无需人工设置图像处理方法,降低了目标对象的定位难度;通过目标识别模型获取目标对象的分类标志,从而基于验证码提示文本和目标对象的分类标志实现对点击验证码的验证,验证速度快,准确率高,且具备广泛的适用性,能够有效节省用户时间,优化用户体验。
基于上述任一实施例,目标检测模型为YOLO模型;
对应地,该装置还包括目标检测训练单元,目标检测训练单元用于基于样本图像和样本图像的样本目标位置对YOLO模型进行训练,直至YOLO模型输出的样本图像的目标位置满足第一预设条件。
基于上述任一实施例,该装置还包括第一增强单元,第一增强单元用于对样本图像进行图像增强;图像增强包括缩放、亮度调节、对比度调节和裁剪中的至少一种。
基于上述任一实施例,目标识别模型为VGG模型;
对应地,该装置还包括目标识别训练单元,目标识别训练单元用于基于样本目标对象和样本目标对象的样本分类标志对VGG模型进行训练,直至VGG模型输出的样本目标对象的分类标志满足第二预设条件。
基于上述任一实施例,该装置还包括第二增强单元,第二增强单元用于对样本目标对象进行图像增强;图像增强包括缩放、亮度调节、对比度调节和裁剪中的至少一种。
基于上述任一实施例,验证单元440包括验证序列获取子单元、目标序列获取子单元和验证子单元;
其中,验证序列获取子单元用于基于验证码提示文本获取验证序列,验证序列包括若干个验证对象;
目标序列获取子单元用于依次选取分类标志与验证序列中的每一验证对象匹配的目标对象,构成目标序列;
验证子单元用于基于目标序列对点击验证码进行验证。
基于上述任一实施例,验证子单元具体用于依次点击目标序列中每一目标对象对应的目标位置,实现对点击验证码的验证。
图5为本发明实施例提供的电子设备的实体结构示意图,如图5所示,该电子设备可以包括:处理器(processor)501、通信接口(Communications Interface)502、存储器(memory)503和通信总线504,其中,处理器501,通信接口502,存储器503通过通信总线504完成相互间的通信。处理器501可以调用存储在存储器503上并可在处理器501上运行的计算机程序,以执行上述各实施例提供的点击验证码的验证方法,例如包括:将点击验证码的验证码图像输入至目标检测模型,获取目标检测模型输出的若干个目标位置;其中,目标检测模型是基于样本图像和样本图像的样本目标位置训练得到的;从验证码图像中裁剪每一目标位置对应的目标对象;将任一目标对象输入至目标识别模型,获取目标识别模型输出的该目标对象的分类标志;其中,目标识别模型是基于样本目标对象和样本目标对象的样本分类标志训练得到的;基于点击验证码的验证码提示文本和每一目标对象的分类标志,对点击验证码进行验证。
此外,上述的存储器503中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明实施例还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各实施例提供的点击验证码的验证方法,例如包括:将点击验证码的验证码图像输入至目标检测模型,获取目标检测模型输出的若干个目标位置;其中,目标检测模型是基于样本图像和样本图像的样本目标位置训练得到的;从验证码图像中裁剪每一目标位置对应的目标对象;将任一目标对象输入至目标识别模型,获取目标识别模型输出的该目标对象的分类标志;其中,目标识别模型是基于样本目标对象和样本目标对象的样本分类标志训练得到的;基于点击验证码的验证码提示文本和每一目标对象的分类标志,对点击验证码进行验证。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种点击验证码的验证方法,其特征在于,包括:
将点击验证码的验证码图像输入至目标检测模型,获取所述目标检测模型输出的若干个目标位置;其中,所述目标检测模型是基于样本图像和所述样本图像的样本目标位置训练得到的;
从所述验证码图像中裁剪每一所述目标位置对应的目标对象;
将任一所述目标对象输入至目标识别模型,获取所述目标识别模型输出的所述任一目标对象的分类标志;其中,所述目标识别模型是基于样本目标对象和所述样本目标对象的样本分类标志训练得到的;
基于所述点击验证码的验证码提示文本和每一所述目标对象的分类标志,对所述点击验证码进行验证。
2.根据权利要求1所述的方法,其特征在于,所述目标检测模型为YOLO模型;
所述将点击验证码的验证码图像输入至目标检测模型,获取所述目标检测模型输出的若干个目标位置,之前还包括:
基于所述样本图像和所述样本图像的样本目标位置对所述YOLO模型进行训练,直至所述YOLO模型输出的所述样本图像的目标位置满足第一预设条件。
3.根据权利要求2所述的方法,其特征在于,所述基于所述样本图像和所述样本图像的样本目标位置对所述YOLO模型进行训练,直至所述YOLO模型输出的所述样本图像的目标位置满足第一预设条件,之前还包括:
对所述样本图像进行图像增强;所述图像增强包括缩放、亮度调节、对比度调节和裁剪中的至少一种。
4.根据权利要求1所述的方法,其特征在于,所述目标识别模型为VGG模型;
所述将任一所述目标对象输入至目标识别模型,获取所述目标识别模型输出的所述任一目标对象的分类标志,之前还包括:
基于所述样本目标对象和所述样本目标对象的样本分类标志对所述VGG模型进行训练,直至所述VGG模型输出的所述样本目标对象的分类标志满足第二预设条件。
5.根据权利要求4所述的方法,其特征在于,所述基于所述样本目标对象和所述样本目标对象的样本分类标志对所述VGG模型进行训练,直至所述VGG模型输出的所述样本目标对象的分类标志满足第二预设条件,之前还包括:
对所述样本目标对象进行图像增强;所述图像增强包括缩放、亮度调节、对比度调节和裁剪中的至少一种。
6.根据权利要求1所述的方法,其特征在于,所述基于所述点击验证码的验证码提示文本和每一所述目标对象的分类标志,对点击验证码进行验证,具体包括:
基于所述验证码提示文本获取验证序列,所述验证序列包括若干个验证对象;
依次选取所述分类标志与所述验证序列中的所述验证对象匹配的所述目标对象,构成目标序列;
基于所述目标序列对所述点击验证码进行验证。
7.根据权利要求6所述的方法,其特征在于,所述基于所述目标序列对所述点击验证码进行验证,具体包括:
依次点击所述目标序列中每一所述目标对象对应的目标位置,实现对所述点击验证码的验证。
8.一种点击验证码的验证装置,其特征在于,包括:
目标检测单元,用于将点击验证码的验证码图像输入至目标检测模型,获取所述目标检测模型输出的若干个目标位置;其中,所述目标检测模型是基于样本图像和所述样本图像的样本目标位置训练得到的;
对象裁剪单元,用于从所述验证码图像中裁剪每一所述目标位置对应的目标对象;
目标识别单元,用于将任一所述目标对象输入至目标识别模型,获取所述目标识别模型输出的所述任一目标对象的分类标志;其中,所述目标识别模型是基于样本目标对象和所述样本目标对象的样本分类标志训练得到的;
验证单元,用于基于所述点击验证码的验证码提示文本和每一所述目标对象的分类标志,对所述点击验证码进行验证。
9.一种电子设备,其特征在于,包括处理器、通信接口、存储器和总线,其中,处理器,通信接口,存储器通过总线完成相互间的通信,处理器可以调用存储器中的逻辑指令,以执行如权利要求1至7任一所述的方法。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至7任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811418963.8A CN109697353A (zh) | 2018-11-26 | 2018-11-26 | 一种点击验证码的验证方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811418963.8A CN109697353A (zh) | 2018-11-26 | 2018-11-26 | 一种点击验证码的验证方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109697353A true CN109697353A (zh) | 2019-04-30 |
Family
ID=66230171
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811418963.8A Pending CN109697353A (zh) | 2018-11-26 | 2018-11-26 | 一种点击验证码的验证方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109697353A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111783062A (zh) * | 2020-05-28 | 2020-10-16 | 苏宁金融科技(南京)有限公司 | 验证码识别方法、装置、计算机设备和存储介质 |
CN112487394A (zh) * | 2020-11-30 | 2021-03-12 | 携程旅游网络技术(上海)有限公司 | 图形推理验证码识别方法、系统、设备及介质 |
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 |
CN113282905A (zh) * | 2021-04-23 | 2021-08-20 | 新华三信息安全技术有限公司 | 一种登录测试方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105760891A (zh) * | 2016-03-02 | 2016-07-13 | 上海源庐加佳信息科技有限公司 | 一种中文字符验证码的识别方法 |
US20170366566A1 (en) * | 2014-03-28 | 2017-12-21 | Amazon Technologies, Inc. | Token based automated agent detection |
CN107844794A (zh) * | 2016-09-21 | 2018-03-27 | 北京旷视科技有限公司 | 图像识别方法和装置 |
CN107862340A (zh) * | 2017-11-16 | 2018-03-30 | 深圳市华尊科技股份有限公司 | 一种车型识别方法及装置 |
CN108182437A (zh) * | 2017-12-29 | 2018-06-19 | 北京金堤科技有限公司 | 一种点选验证码识别方法、装置和用户终端 |
-
2018
- 2018-11-26 CN CN201811418963.8A patent/CN109697353A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170366566A1 (en) * | 2014-03-28 | 2017-12-21 | Amazon Technologies, Inc. | Token based automated agent detection |
CN105760891A (zh) * | 2016-03-02 | 2016-07-13 | 上海源庐加佳信息科技有限公司 | 一种中文字符验证码的识别方法 |
CN107844794A (zh) * | 2016-09-21 | 2018-03-27 | 北京旷视科技有限公司 | 图像识别方法和装置 |
CN107862340A (zh) * | 2017-11-16 | 2018-03-30 | 深圳市华尊科技股份有限公司 | 一种车型识别方法及装置 |
CN108182437A (zh) * | 2017-12-29 | 2018-06-19 | 北京金堤科技有限公司 | 一种点选验证码识别方法、装置和用户终端 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111783062A (zh) * | 2020-05-28 | 2020-10-16 | 苏宁金融科技(南京)有限公司 | 验证码识别方法、装置、计算机设备和存储介质 |
CN111783062B (zh) * | 2020-05-28 | 2023-05-02 | 苏宁金融科技(南京)有限公司 | 验证码识别方法、装置、计算机设备和存储介质 |
CN112487394A (zh) * | 2020-11-30 | 2021-03-12 | 携程旅游网络技术(上海)有限公司 | 图形推理验证码识别方法、系统、设备及介质 |
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 |
CN113282905A (zh) * | 2021-04-23 | 2021-08-20 | 新华三信息安全技术有限公司 | 一种登录测试方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110309706B (zh) | 人脸关键点检测方法、装置、计算机设备及存储介质 | |
CN109697353A (zh) | 一种点击验证码的验证方法和装置 | |
Mori et al. | Recognizing objects in adversarial clutter: Breaking a visual CAPTCHA | |
CN103390156B (zh) | 一种车牌识别方法及装置 | |
CN107305630B (zh) | 文本序列识别方法和装置 | |
CN109146892A (zh) | 一种基于美学的图像裁剪方法及装置 | |
CN110598686B (zh) | 发票的识别方法、系统、电子设备和介质 | |
CN107679997A (zh) | 医疗理赔拒付方法、装置、终端设备及存储介质 | |
CN112001403B (zh) | 一种图像轮廓检测方法及系统 | |
CN104143185A (zh) | 一种污点区域检测方法 | |
JP2022532177A (ja) | 偽造された顔の認識方法、装置、および非一時的コンピュータ可読記憶媒体 | |
CN108921031A (zh) | 汉字模型训练方法、手写字识别方法、装置、设备及介质 | |
CN107679872A (zh) | 基于区块链的艺术品鉴别方法及装置、电子设备 | |
CN112613553B (zh) | 图片样本集生成方法、装置、计算机设备和存储介质 | |
CN110827297A (zh) | 基于改进的条件生成对抗网络的绝缘子分割方法 | |
CN109800559B (zh) | 滑块验证码的生成方法、装置、计算机设备及存储介质 | |
CN112966685B (zh) | 用于场景文本识别的攻击网络训练方法、装置及相关设备 | |
CN110288007A (zh) | 数据标注的方法、装置及电子设备 | |
CN105404885B (zh) | 一种二维字符图形验证码复杂背景噪音干扰去除方法 | |
CN111583180B (zh) | 一种图像的篡改识别方法、装置、计算机设备及存储介质 | |
CN109543674A (zh) | 一种基于生成对抗网络的图像拷贝检测方法 | |
CN107273890A (zh) | 针对字符组合的图形验证码识别方法及装置 | |
CN110443269A (zh) | 一种文档比对方法及装置 | |
CN113111880A (zh) | 证件图像校正方法、装置、电子设备及存储介质 | |
CN108171229A (zh) | 一种空心粘连验证码的识别方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190430 |