CN109711136A - 存储设备、验证码图片生成方法和装置 - Google Patents

Abstract

本发明公开了存储设备、验证码图片生成方法和装置，其中所述验证码图片生成方法包括步骤：分别获取风格图片和内容图片；对风格图片进行风格提取，包括确定风格层并计算生成风格层的特征图；对内容图片进行内容提取，包括确定内容层并生成内容层的特征图；以风格层的特征图和内容层的特征图为参数，通过预设的图像处理模型对内容图片进行风格图片的风格赋予，生成用于验证码的验证码图片。由于验证码图片中的内容元素得到了尽量的保留，所以人类可以容易的识别出验证码图片中的验证信息；由于验证码图片加入了其他图片的风格元素，所以增加了计算机的辨识时的计算量和计算难度，有效的降低了计算机识别验证码图片中验证信息的成功几率。

Description

存储设备、验证码图片生成方法和装置

技术领域

本发明涉及互联网信息安全领域，特别是涉及存储设备、验证码图片生成方法和装置。

背景技术

验证码，又称全自动区分计算机和人类的图灵测试（Completely AutomatedPublic Turing test to tell Computers and Humans Apart ，CAPTCHA），是一种区分用户是计算机还是人的公共全自动程序。

通过验证码技术对用户身份进行验证，可以滤除恶意破解密码、刷票和论坛灌水等恶意行为。

验证码技术的基本工作方式包括：在用户界面中，向用户显示验证码图片，验证码图片中包括有计算机不容易辨识的字符、数字或是事物的照片等验证信息。

为了减低计算机辨识上述验证信息的可能性，来提高对于计算机的恶意行为的滤除效果，现有技术中，对验证码图片中的验证信息作了越来越复杂的处理；比如，通过增加用户的操作难度、加入更多的噪音数据或是对图片内容进行较大幅度的变形等多种手段，来提高通过计算机手段进行辨识验证信息的难度。

发明人经过研究发现，现有技术中的验证码图片至少存在以下缺陷：

随着计算机的图形识别技术和处理能力的不断发展，需要对验证信息作更加复杂的图形处理才能降低计算机的识别率以保证应有的安全性，由此带来的问题是，增加了真实的人类用户辨识和输入正确验证信息的难度，从而降低了用户体验。

发明内容

本发明所要解决的技术问题是如何在不提高人工识别的难度的前提下，降低计算机成功识别验证码图片中验证信息的可能性，具体的：

本发明实施例提供了一种验证码图片生成方法，包括步骤：

S11、分别获取用于进行风格赋予的风格图片，和，用于进行内容赋予的内容图片；

S12、根据基于多层卷积神经网络的深度学习模型对所述风格图片进行风格提取，包括：将所述风格图片的预设卷积层确定为风格层，并计算生成所述风格层的特征图；

S13、根据基于多层卷积神经网络的深度学习模型对所述内容图片进行内容提取，包括：将所述内容图片的预设卷积层确定为内容层，并生成所述内容层的特征图；

S14、以所述风格层的特征图和所述内容层的特征图为参数，通过预设的图像处理模型对所述内容图片进行所述风格图片的风格赋予，生成用于验证码的验证码图片；以缩小所述验证码图片与所述风格层的特征图和所述内容层的特征图的差距为目的，通过生成对抗神经网络和残差学习进行预设次数的模型学习，生成用于对图片进行风格赋予的所述图像处理模型。

优选的，在本发明实施例中，所述基于多层卷积神经网络的深度学习模型包括VGG19模型或VGG16模型。

优选的，在本发明实施例中，所述风格层包括1-2层、 2-1层、3-1层、4-1层和5-1层。

优选的，在本发明实施例中，所述内容层包括3-2层。

优选的，在本发明实施例中，所述预设次数包括800-1000次。

优选的，在本发明实施例中，所述生成用于对图片进行风格赋予的图像处理模型，包括：

每当学习次数达到预设次数后，生成一个备选模型；

当所述备选模型达到预设个数时，从中确定所述图像处理模型。

优选的，在本发明实施例中，所述以缩小所述初级结果图与所述风格层的特征图和所述内容层的特征图的差距为目的，通过生成对抗神经网络和残差学习进行预设次数的模型学习，包括：

S501、用一个64×3×3的过滤层对格式为3×344×344的训练图进行卷积，生成格式为64×344×344的第一特征图；

S502、对所述第一特征图进行均值池化层计算生成格式为64×172×172的第一矩阵，且，对所述第一特征图进行均值池化层计算生成格式为64×86×86的第二矩阵；

S503、通过分别对所述第一特征图、所述第一矩阵和所述第二矩阵进行残差结构的卷积计算，分别生成格式为64×344×344的第二特征图、格式为64×172×172的第三矩阵和格式为64×86×86的第四矩阵；

S504、分别对所述第三矩阵和所述第四矩阵进行升采样，分别生成格式为64×172×172和格式为64×172×172的两个升采样结果，并将两个升采样结果进行相加生成格式为64×172×172的第五矩阵；

S505、对所述第五矩阵进行升采样后与所述第二矩阵进行相加，生成格式为64×344×344的第六矩阵；

S506、对所述第六矩阵进行两次卷积，生成格式为3×344×344的每次模型学习的学习结果。

优选的，在本发明实施例中，所述获取用于进行内容赋予的内容图片，包括：

将验证码识别所需的验证信息进行预处理；所述验证信息包括字符、数字或预设事物的图像；所述预处理包括倒置、模糊、倾斜和仿射变换中的一种及其任意组合；

将进行预处理后的验证信息以图像融合的方式融入预设图片，生成所述内容图片。

在本发明实施例的另一面，还提供了一种存储设备，包括软件程序，所述软件程序适于由处理器执行验证码图片生成方法中的步骤：

S11、分别获取用于进行风格赋予的风格图片，和，用于进行内容赋予的内容图片；

S12、根据基于多层卷积神经网络的深度学习模型对所述风格图片进行风格提取，包括：将所述风格图片的预设卷积层确定为风格层，并计算生成所述风格层的特征图；

S13、根据基于多层卷积神经网络的深度学习模型对所述内容图片进行内容提取，包括：将所述内容图片的预设卷积层确定为内容层，并生成所述内容层的特征图；

S14、以所述风格层的特征图和所述内容层的特征图为参数，通过预设的图像处理模型对所述内容图片进行所述风格图片的风格赋予，生成用于验证码的验证码图片；以缩小所述验证码图片与所述风格层的特征图和所述内容层的特征图的差距为目的，通过生成对抗神经网络和残差学习进行预设次数的模型学习，生成用于对图片进行风格赋予的所述图像处理模型。

在本发明实施例的另一面，还提供了一种验证码图片生成装置，包括总线、处理器和存储设备；

所述总线用于连接所述存储器和所述处理器；

所述处理器用于执行所述存储设备中的软件程序；

所述软件程序适于由处理器执行验证码图片生成方法中的步骤：

S11、分别获取用于进行风格赋予的风格图片，和，用于进行内容赋予的内容图片；

S12、根据基于多层卷积神经网络的深度学习模型对所述风格图片进行风格提取，包括：将所述风格图片的预设卷积层确定为风格层，并计算生成所述风格层的特征图；

S13、根据基于多层卷积神经网络的深度学习模型对所述内容图片进行内容提取，包括：将所述内容图片的预设卷积层确定为内容层，并生成所述内容层的特征图；

S14、以所述风格层的特征图和所述内容层的特征图为参数，通过预设的图像处理模型对所述内容图片进行所述风格图片的风格赋予，生成用于验证码的验证码图片；以缩小所述验证码图片与所述风格层的特征图和所述内容层的特征图的差距为目的，通过生成对抗神经网络和残差学习进行预设次数的模型学习，生成用于对图片进行风格赋予的所述图像处理模型。

由上可以看出，为了在不提高人工识别的难度的前提下，有效的降低计算机成功识别验证码图片中验证信息的可能性，在本发明实施例中，利用了基于多层卷积神经网络的深度学习模型的neural art技术，通过对内容图片进行风格赋予，以生成混合了其他图片风格的验证码图片，这样，生成的验证码图片可在尽量保持原有图片中内容元素的情况下，使图片的画面的表现形式发生成较大的变化；由于验证码图片中的内容元素得到了尽量的保留，所以人类可以容易的识别出验证码图片中的验证信息；另一方面，验证码图片加入了其他图片的风格元素，这样，通过计算机进行验证信息的识别时，由于验证码图片中的验证信息（如文字、字符等）融合了风格特征后，需要对测试图进行大量的标注才能进行识别，而且，通过本发明实施例，可以通过对验证码图片中的验证信息进行不同的风格赋予来不断地更新，这样，计算机就需要不断地重新对验证信息进行大量的识别训练学习，所以增加了大量的计算机辨识时的计算量和计算难度，进而可以在不增加用户通过视觉进行辨识难度的前提下，有效的降低了计算机识别验证码图片中验证信息成功的可能性。

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简单地介绍，显而易见地，下面描述中的附图仅仅是本发明中记载的一些实施例，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为本发明中所述验证码图片生成方法的步骤示意图；

图2为本发明中所述验证码图片生成方法的又一步骤示意图；

图3为本发明中所述验证码图片生成装置的结构示意图。

具体实施方式

为了使本领域的技术人员更好地理解本发明方案，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，所描述的实施例仅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，都属于本发明保护的范围。

为了在不提高人工识别的难度的前提下，降低计算机识别验证码图片中验证信息的成功可能性，如图1所示，本发明实施例提供了一种验证码图片生成方法，包括步骤：

S11、分别获取用于进行风格赋予的风格图片，和，用于进行内容赋予的内容图片；

本发明实施例中，内容图片是指包括了验证信息的图片，内容图片中的验证信息等内容是人类用户的识别目标。具体来说，验证信息可以是字符、数字或预设事物的图像等，用户需要通过识别验证信息来进行验证。

另一方面，本发明实施例中的风格图片是指用于对内容图片进行处理的辅助图片；通过将风格图片的风格元素赋予内容图片，可以改变内容图片的显示风格。

S12、根据基于多层卷积神经网络的深度学习模型对风格图片进行风格提取，包括：将风格图片的预设卷积层确定为风格层，并计算生成风格层的特征图；

本发明实施例中借鉴了基于多层卷积神经网络的深度学习模型的neural art技术；基于neural art技术，我们可以从一幅具有一定风格的图片（如某个画家的绘画作品）中提取出某些隐藏的风格特征，通过这些风格特征的赋予，可以将别的图片的表现形式也可以体现出与原图片具有相同的风格；

进一步的，在本发明实施例中，基于多层卷积神经网络的深度学习模型中，常见的网络结构可以包括VGG19模型或VGG16模型等；这些包括多个卷积层的模型中，某些特定层（即，预设卷积层）中的特征能够较好的表征风格图片的风格特性，所以可以将这些层定义为风格层，以VGG19模型为例，其风格层可以是1-2层、 2-1层、3-1层、4-1层和5-1层；需要说明的是，不同的基于多层卷积神经网络的深度学习模型，风格层的选用还可以根据本领域技术人员根据其需要设定，在此并不做具体的限定。

通过获取风格层中的特征，可以将风格特征从图片中提取出来，这些风格特征不是主要用于表征图片的具体内容，而是用于表征风格；具体来说，在获取了某个画家的某个典型的美术作品中的风格特征后，将这些风格特征赋予到与该画家无关的其他内容的图片中后，该图片也会被认为具有该作家的风格。

S13、根据基于多层卷积神经网络的深度学习模型对内容图片进行内容提取，包括：将内容图片的预设卷积层确定为内容层，并生成内容层的特征图；

基于多层卷积神经网络的深度学习模型中，这些包括多个卷积层的模型中，某些特定层（即，预设卷积层）中的特征能够较好的表征内容图片的内容元素，所以可以将这些层定义为内容层，以VGG19模型为例，其内容层可以是3-2层；需要说明的是，不同的基于多层卷积神经网络的深度学习模型，内容层的选用还可以根据本领域技术人员根据其需要设定，在此并不做具体的限定。

通过获取内容层中的特征，可以将内容特征从图片中提取出来，这样，只要保留了内容层的数据，就可以较好的表征原内容图片中的内容元素，从而使用户还可以通过其视觉方便的识别出由内容层生成的图片中的数字、符号或预设事物的图像等内容。

S14、以风格层的特征图和内容层的特征图为参数，通过预设的图像处理模型对内容图片进行风格图片的风格赋予，生成用于验证码的验证码图片；以缩小验证码图片与风格层的特征图和内容层的特征图的差距为目的，通过生成对抗神经网络和残差学习进行预设次数的模型学习，生成用于对图片进行风格赋予的图像处理模型。

本发明实施的目的是生成便于用户通过其视觉方便的识别，但计算机不容易识别的验证码图片；所采用的核心技术方案是通过预设的图像处理模型对内容图片进行风格图片的风格赋予，来使生成的验证码图片既保留内容元素，又增加了风格特征；具体的，本发明实施例中图像处理模型可以用来缩小验证码图片与风格层的特征图和内容层的特征图的差距，这样可以使验证码图片最大程度的同时保留内容元素和风格特征，这样既最大程度上的修改了原内容图片的外在表现形式，又同时可以让用户方便的识别出原有内容图片中的字符、数字或预设事物的图像等验证信息。本发明实施例中的图像处理模型基于生成对抗神经网络和残差学习技术，来通过预设次数的模型学习的方式来逐步的获取较优的学习结果，从而根据学习结果来确定最终的图像处理模型。

在实际应用中，可以将预设次数确定为800-1000次，从而可以以一个较为合理的计算量来获得较优的学习结果。

进一步的，在本发明实施例中，还可以生成多个备选模型的方式，来获得更佳的图像处理模型，具体来说，可以将通过预设次模型学习后的学习模型确定为备选模型；通过重复获得备选模型的方式，来获得多个备选模型，然后再在多个备选模型中选出最好的备选模型来作为最终的图像处理模型。

优选的，在本发明实施例中，以缩小初级结果图与风格层的特征图和内容层的特征图的差距为目的，通过生成对抗神经网络和残差学习进行预设次数的模型学习，如图2所示，可以包括步骤：

S501、用一个64×3×3的过滤层对格式为3×344×344的训练图进行卷积，生成格式为64×344×344的第一特征图；

在本步骤中，通过扩大每一张图的层数，以达到增加其数据参数的目的。

S502、对所述第一特征图进行均值池化层计算生成格式为64×172×172的第一矩阵，且，对所述第一特征图进行均值池化层计算生成格式为64×86×86的第二矩阵；

接着，通过对每个像素点进行avgpool，以提取第一特征图图像中像素的特征。

S503、通过分别对所述第一特征图、所述第一矩阵和所述第二矩阵进行残差结构的卷积计算，分别生成格式为64×344×344的第二特征图、格式为64×172×172的第三矩阵和格式为64×86×86的第四矩阵；

通过残差神经网络，可以进一步的计算获得图像特征；

S504、分别对所述第三矩阵和所述第四矩阵进行升采样，分别生成格式为64×172×172和格式为64×172×172的两个升采样结果，并将两个升采样结果进行相加生成格式为64×172×172的第五矩阵；

S505、对所述第五矩阵进行升采样后与所述第二矩阵进行相加，生成格式为64×344×344的第六矩阵；

通过上述S504和S505两个步骤，可以将较小图像的特征，扩张到与原图（第一特征图）相同大小的规格。

S506、对所述第六矩阵进行两次卷积，生成格式为3×344×344的每次模型学习的学习结果。

最后，再通过反卷积计算，将64层的图片恢复为3层，这样就完成了一次模型学习的学习结果，这样就完成了一次的模型学习；

接着，以本次模型学习的学习结果为训练图，重复步骤S501至S506，当重复次数达到预设次数的时候，生成学习模型，可以将该学习模型作为图像处理模型或备选模型；其中，备用模型可以生成多个，然后，在多个备用模型确定最适用的为图像处理模型。

综上所述，为了在不提高人工识别的难度的前提下，有效的降低计算机识别验证码图片中验证信息成功的可能性，在本发明实施例中，利用了基于多层卷积神经网络的深度学习模型的neural art技术，通过对内容图片进行风格赋予，以生成混合了其他图片风格的验证码图片，这样，生成的验证码图片可在尽量保持原有图片中内容元素的情况下，使图片的画面的表现形式发生成较大的变化；由于验证码图片中的内容元素得到了尽量的保留，所以人类可以容易的识别出验证码图片中的验证信息；另一方面，验证码图片加入了其他图片的风格元素，这样，通过计算机进行验证信息的识别时，由于验证码图片中的验证信息（如文字、字符等）融合了风格特征后，需要对测试图进行大量的标注才能进行识别，而且，通过本发明实施例，可以通过对验证码图片中的验证信息进行不同的风格赋予来不断地更新，这样，计算机就需要不断地重新对验证信息进行大量的识别训练学习，所以增加了大量的计算机辨识时的计算量和计算难度，进而可以在不增加用户通过视觉进行辨识难度的前提下，有效的降低了计算机识别验证码图片中验证信息成功的可能性。

在本发明实施例中，还提供了一种存储设备，和，包括有该存储设备的验证码图片生成装置；其中，存储设备包括软件程序，软件程序适于处理器执行图1所对应的验证码图片生成方法中的各个步骤。

本发明实施例可以通过软件程序的方式来实现，即，通过编写用于实现1所对应的验证码图片生成方法中的各个步骤的软件程序（及指令集），所述软件程序存储于存储设备中，存储设备设于验证码图片生成装置中，从而可以由验证码图片生成装置的处理器调用该软件程序以实现本发明实施例的目的。

以验证码图片生成装置为计算机终端为例来说明本发明实施例，如图3所示，计算机终端包括总线201、存储设备202和处理器203；

总线201用于连接存储设备202和处理器203；处理器203用于执行存储设备202中的软件程序。

由于本发明实施例中的存储设备和验证码应用装置的工作原理和有益效果已经在图1所对应的验证码图片生成方法的实施例中做了详尽的记载和描述，这样，就可以参照图1所对应的验证码图片生成方法的实施例来理解本发明实施例中的存储设备和验证码图片生成装置，因此，在此就不再赘述。

在本发明实施例所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

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单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以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全部或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-OnlyMemory）、随机存取存储器（RAM，Random Access Memory）、ReRAM、MRAM、PCM、NAND Flash，NOR Flash， Memristor、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，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)

1.一种验证码图片生成方法，其特征在于，包括步骤：

S11、分别获取用于进行风格赋予的风格图片，和，用于进行内容赋予的内容图片；

S12、根据基于多层卷积神经网络的深度学习模型对所述风格图片进行风格提取，包括：将所述风格图片的预设卷积层确定为风格层，并计算生成所述风格层的特征图；

S13、根据基于多层卷积神经网络的深度学习模型对所述内容图片进行内容提取，包括：将所述内容图片的预设卷积层确定为内容层，并生成所述内容层的特征图；

S14、以所述风格层的特征图和所述内容层的特征图为参数，通过预设的图像处理模型对所述内容图片进行所述风格图片的风格赋予，生成用于验证码的验证码图片；以缩小所述验证码图片与所述风格层的特征图和所述内容层的特征图的差距为目的，通过生成对抗神经网络和残差学习进行预设次数的模型学习，生成用于对图片进行风格赋予的所述图像处理模型。

2.根据权利要求1中所述验证码图片生成方法，其特征在于，所述基于多层卷积神经网络的深度学习模型包括VGG19模型或VGG16模型。

3.根据权利要求1中所述验证码图片生成方法，其特征在于，所述风格层包括1-2层、2-1层、3-1层、4-1层和5-1层。

4.根据权利要求1中所述图像处理方法，其特征在于，所述内容层包括3-2层。

5.根据权利要求1中所述验证码图片生成方法，其特征在于，所述预设次数包括800-1000次。

6.根据权利要求1中所述验证码图片生成方法，其特征在于，所述生成用于对图片进行风格赋予的图像处理模型，包括：

每当学习次数达到预设次数后，生成一个备选模型；

当所述备选模型达到预设个数时，从中确定所述图像处理模型。

7.根据权利要求1中所述验证码图片生成方法，其特征在于，所述以缩小所述初级结果图与所述风格层的特征图和所述内容层的特征图的差距为目的，通过生成对抗神经网络和残差学习进行预设次数的模型学习，包括：

S501、用一个64×3×3的过滤层对格式为3×344×344的训练图进行卷积，生成格式为64×344×344的第一特征图；

S502、对所述第一特征图进行均值池化层计算生成格式为64×172×172的第一矩阵，且，对所述第一特征图进行均值池化层计算生成格式为64×86×86的第二矩阵；

S503、通过分别对所述第一特征图、所述第一矩阵和所述第二矩阵进行残差结构的卷积计算，分别生成格式为64×344×344的第二特征图、格式为64×172×172的第三矩阵和格式为64×86×86的第四矩阵；

S504、分别对所述第三矩阵和所述第四矩阵进行升采样，分别生成格式为64×172×172和格式为64×172×172的两个升采样结果，并将两个升采样结果进行相加生成格式为64×172×172的第五矩阵；

S505、对所述第五矩阵进行升采样后与所述第二矩阵进行相加，生成格式为64×344×344的第六矩阵；

S506、对所述第六矩阵进行两次卷积，生成格式为3×344×344的每次模型学习的学习结果。

8.根据权利要求1中所述验证码图片生成方法，其特征在于，所述获取用于进行内容赋予的内容图片，包括：

将验证码识别所需的验证信息进行预处理；所述验证信息包括字符、数字或预设事物的图像；所述预处理包括倒置、模糊、倾斜和仿射变换中的一种及其任意组合；

将进行预处理后的验证信息以图像融合的方式融入预设图片，生成所述内容图片。

9.一种存储设备，其特征在于，包括软件程序，所述软件程序适于由处理器执行如权利要求1至8中任一所述验证码图片生成方法中的步骤。

10.一种验证码图片生成装置，其特征在于，包括总线、处理器和如权利要求9中所述存储设备；

所述总线用于连接所述存储器和所述处理器；

所述处理器用于执行所述存储设备中的软件程序。