CN109902471A - 滑块验证的检测方法、装置、计算机设备及存储介质 - Google Patents

Abstract

本发明实施例公开了一种滑块验证的检测方法、装置、计算机设备及存储介质，包括下述步骤：获取滑块验证操作的滑动特征，其中，所述滑动特征包括轨迹特征和运动特征；将所述轨迹特征输入到预先训练得到的轨迹识别模型中，得到第一验证结果；当所述第一验证结果正常时，将所述运动特征输入到预先训练得到的运动识别模型中，当得到的第二验证结果正常时，确定所述滑块验证操作正常。通过轨迹识别模型对滑块验证操作的轨迹特征进行判断，当第一验证结果正常时，通过运动识别模型对运动特征进行判断，仅在得到的第二验证结果也正常时，才可确定滑块验证操作正常。上述方法采用两种识别模型对同一滑块验证的操作进行识别，可以提高检测的准确率。

Description

滑块验证的检测方法、装置、计算机设备及存储介质

技术领域

本发明实施例涉及计算机领域，尤其是一种滑块验证的检测方法、装置、计算机设备及存储介质。

背景技术

随着互联网技术的发展，基于互联网的应用系统日益增多，这些系统面临越来越多的攻击，验证码作为一种辅助安全手段在web安全中有着特殊的地位。验证码是一种区分用户是计算机还是人的公共安全自动程序，可以防止恶意破解密码、刷票、论坛灌水，以防止某个黑客对某个特定注册用户用特定的程序暴力破解方式进行不断的登录尝试。目前有很多种形式的验证码被各类型的网站采用。

通常验证码主要有文本验证码和图形验证码。对于图形验证码，由于通常由点、线、面、体等几何元素和灰度、色彩、线性、线宽等非几何属性组成，例如，滑块验证码，即采用对滑块的轨迹进行验证。目前滑块验证码的行为轨迹识别方法主要是依据传统的X特征，Y特征及T特征(即横坐标，纵坐标，时间)这三个维度来提取特征。但是，现有的特征提取过于单调，很容易被软件自动识别，导致软件被攻击无法正常运行。

发明内容

本发明实施例提供一种滑块验证的检测方法、装置、计算机设备及存储介质。

为解决上述技术问题，本发明创造的实施例采用的一个技术方案是：提供一种滑块验证的检测方法，包括下述步骤：

获取滑块验证操作的滑动特征，其中，所述滑动特征包括轨迹特征和运动特征；

将所述轨迹特征输入到预先训练得到的轨迹识别模型中，得到第一验证结果；

当所述第一验证结果正常时，将所述运动特征输入到预先训练得到的运动识别模型中，当得到的第二验证结果正常时，确定所述滑块验证操作正常。

可选地，所述获取滑块验证操作的滑动特征，包括：

采集所述滑块验证操作时滑动的轨迹点序列；

根据所述轨迹点序列确定滑动特征。

可选地，当所述滑动特征是轨迹特征时，所述根据所述轨迹点序列确定滑动特征，包括：

从所述轨迹点序列中提取起始点和终止点；

按照所述起始点和终止点设立的XY坐标系，确定所述轨迹点序列中每一个点的坐标；

将每个点的坐标进行连接得到所述滑块验证操作的轨迹特征。

可选地，当所述滑动特征为运动特征时，所述根据所述轨迹点序列确定滑动特征，包括：

在所述轨迹点序列中提取相邻的两个轨迹点；

根据所述两个轨迹点的坐标计算所述两个轨迹点之间的距离，并将所有的距离相加得到所述轨迹点序列的距离；

根据所述距离和预先获取到的时间计算速度和加速度，并将所述距离、速度和加速度组成的数据矩阵作为所述运动特征。

可选地，所述将所述轨迹特征输入到预先训练得到的轨迹识别模型中，得到第一验证结果之后，还包括：

当所述第一验证结果异常时，确定所述滑块验证操作异常。

可选地，对所述轨迹识别模型进行训练，包括：

将轨迹样本图像输入到卷积神经网络模型中，获取卷积神经网络模型输出的激励分类值；

比对预先得到的期望分类值与激励分类值之间的距离是否小于或等于预设的第一阈值；

当期望分类值与激励分类值之间的距离大于预设的第一阈值时，反复循环迭代的通过反向算法更新所述神经网络模型中的权重，至期望分类值与激励分类值之间的距离小于或等于预设的第一阈值时结束。

为解决上述技术问题，本发明实施例还提供一种滑块验证的检测装置，包括：

获取模块，用于获取滑块验证操作的滑动特征，其中，所述滑动特征包括轨迹特征和运动特征；

处理模块，用于将所述轨迹特征输入到预先训练得到的轨迹识别模型中，得到第一验证结果；

执行模块，用于当所述第一验证结果正常时，将所述运动特征输入到预先训练得到的运动识别模型中，当得到的第二验证结果正常时，确定所述滑块验证操作正常。

可选地，所述获取模块包括：

第一获取子模块，用于采集所述滑块验证操作时滑动的轨迹点序列；

第一处理子模块，用于根据所述轨迹点序列确定滑动特征。

可选地，当所述滑动特征是轨迹特征时，所述处理模块包括：

第二获取子模块，用于从所述轨迹点序列中提取起始点和终止点；

第二处理子模块，用于按照所述起始点和终止点设立的XY坐标系，确定所述轨迹点序列中每一个点的坐标；

第一执行子模块，用于将每个点的坐标进行连接得到所述滑块验证操作的轨迹特征。

可选地，当所述滑动特征为运动特征时，所述处理模块包括：

第三获取子模块，用于在所述轨迹点序列中提取相邻的两个轨迹点；

第三处理子模块，用于根据所述两个轨迹点的坐标计算所述两个轨迹点之间的距离，并将所有的距离相加得到所述轨迹点序列的距离；

第二执行子模块，用于根据所述距离和预先获取到的时间计算速度和加速度，并将所述距离、速度和加速度组成的数据矩阵作为所述运动特征。

可选地，还包括：

第三执行子模块，用于当所述第一验证结果异常时，确定所述滑块验证操作异常。

可选地，还包括：

第四获取子模块，用于将轨迹样本图像输入到卷积神经网络模型中，获取卷积神经网络模型输出的激励分类值；

第四处理子模块，用于比对预先得到的期望分类值与激励分类值之间的距离是否小于或等于预设的第一阈值；

第四执行子模块，用于当期望分类值与激励分类值之间的距离大于预设的第一阈值时，反复循环迭代的通过反向算法更新所述神经网络模型中的权重，至期望分类值与激励分类值之间的距离小于或等于预设的第一阈值时结束。

为解决上述技术问题，本发明实施例还提供一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行上述所述滑块验证的检测方法的步骤。

为解决上述技术问题，本发明实施例还提供一种存储有计算机可读指令的存储介质，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行上述所述滑块验证的检测方法的步骤。

本发明实施例的有益效果是：通过轨迹识别模型对滑块验证操作的轨迹特征进行判断，当得到的第一验证结果正常时，通过运动识别模型对滑块验证操作的运动特征进行判断，仅在得到的第二验证结果也正常时，才可确定滑块验证操作正常。上述方法采用两种识别模型对同一滑块验证的操作进行识别，可以提高检测的准确率。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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的一些实施例，对于本领域技术人员来讲，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滑块验证的检测方法的基本流程示意图；

图2为本发明实施例提供的一种获取滑块验证操作的滑动特征的方法的基本流程示意图；

图3为本发明实施例提供的一种根据轨迹点序列确定滑动特征的方法的基本流程示意图；

图4为本发明实施例提供的另一种根据轨迹点序列确定滑动特征的方法的基本流程示意图；

图5为本发明实施例提供的一种对轨迹识别模型进行训练的方法的基本流程示意图；

图6为本发明实施例提供的一种滑块验证的检测装置基本结构框图；

图7为本发明实施例提供的计算机设备基本结构框图。

具体实施方式

为了使本技术领域的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。

在本发明的说明书和权利要求书及上述附图中的描述的一些流程中，包含了按照特定顺序出现的多个操作，但是应该清楚了解，这些操作可以不按照其在本文中出现的顺序来执行或并行执行，操作的序号如101、102等，仅仅是用于区分开各个不同的操作，序号本身不代表任何的执行顺序。另外，这些流程可以包括更多或更少的操作，并且这些操作可以按顺序执行或并行执行。需要说明的是，本文中的“第一”、“第二”等描述，是用于区分不同的消息、设备、模块等，不代表先后顺序，也不限定“第一”和“第二”是不同的类型。

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。

实施例

本技术领域技术人员可以理解，这里所使用的“终端”、“终端设备”既包括无线信号接收器的设备，其仅具备无发射能力的无线信号接收器的设备，又包括接收和发射硬件的设备，其具有能够在双向通信链路上，执行双向通信的接收和发射硬件的设备。这种设备可以包括：蜂窝或其他通信设备，其具有单线路显示器或多线路显示器或没有多线路显示器的蜂窝或其他通信设备；PCS(Personal Communications Service，个人通信系统)，其可以组合语音、数据处理、传真和/或数据通信能力；PDA(Personal Digital Assistant，个人数字助理)，其可以包括射频接收器、寻呼机、互联网/内联网访问、网络浏览器、记事本、日历和/或GPS(Global Positioning System，全球定位系统)接收器；常规膝上型和/或掌上型计算机或其他设备，其具有和/或包括射频接收器的常规膝上型和/或掌上型计算机或其他设备。这里所使用的“终端”、“终端设备”可以是便携式、可运输、安装在交通工具(航空、海运和/或陆地)中的，或者适合于和/或配置为在本地运行，和/或以分布形式，运行在地球和/或空间的任何其他位置运行。这里所使用的“终端”、“终端设备”还可以是通信终端、上网终端、音乐/视频播放终端，例如可以是PDA、MID(Mobile Internet Device，移动互联网设备)和/或具有音乐/视频播放功能的移动电话，也可以是智能电视、机顶盒等设备。

本实施方式中的客户终端即为上述的终端。

具体地，请参阅图1，图1为本实施例滑块验证的检测方法的基本流程示意图。

如图1所示，滑块验证的检测方法包括下述步骤：

S1100、获取滑块验证操作的滑动特征，其中，滑动特征包括轨迹特征和运动特征；

验证码是一种区分用户是计算机还是人的公共安全自动程序，可以防止恶意破解密码、刷票、论坛灌水，从而防止黑客对某个特定注册用户用特定的程序暴力破解方式进行不断的登录尝试。本实施例中的验证码为图形验证码中的滑块验证，即通过将图片块拖动到正确的位置来进行验证。其中，滑动特征用于表示图片块在拖动过程中滑动的特征，包括轨迹特征和运动特征。轨迹特征为用户拖动滑块验证码滑动时的轨迹，运动特征为拖动滑动验证码时滑块的速度、加速度、距离等。

服务器按照预设的时间间隔获取滑动验证码在每个时间点的轨迹点，得到滑动轨迹点序列。从滑动轨迹点序列中提取起始点和终止点建立XY坐标系，进而得到每个序列点的坐标，按照坐标将每个序列点进行连接，即得到滑动验证码的轨迹特征。

服务器将轨迹序列点中相邻的两个轨迹点进行连接，并通过坐标计算相邻两个轨迹点的距离，将计算得到的多个距离进行求和，得到滑动验证码运动的距离。根据得到的距离和时间最终求得加速度和速度。

S1200、将轨迹特征输入到预先训练得到的轨迹识别模型中，得到第一验证结果；

轨迹识别模型为预先利用轨迹样本对神经网络模型训练至收敛的模型。其中，可以选取用户拖动滑块验证码时形成的轨迹作为轨迹样本。需要说明的时，在训练完成后，需要对轨迹识别模型的输出值进行分类，由于验证结果包括两种，即验证为正常的结果和验证为异常的结果，因此，可以将输出值为两类，由于是采用人工拖动滑块验证码的轨迹作为轨迹样本进行训练的，则可以将与轨迹样本具有相近概率的范围作为正常的验证结果，将与轨迹样本相似概率较小的概率范围作为异常验证结果。例如，当输出值为0-1时，将0.5-1作为第一分类，即验证正常的结果，0-0.5作为第二分类，验证异常的结果。

在一些实施方式中，也可以将机器(程序)验证操作得到的轨迹作为轨迹样本。

S1300、当第一验证结果正常时，将运动特征输入到预先训练得到的运动识别模型中，当得到的第二验证结果正常时，确定滑块验证操作正常。

运动识别模型为预先利用运动样本数据(样本加速度、速度、距离)对神经网络模型进行训练得到的。其中，运动样本数据可以选用人拖动滑块进行验证操作得到的运动特征作为样本数据，也可以选用机器(程序)进行验证操作得到的运动特征作为样本数据。

在一些实施方式中，当第一验证结果异常时，可以直接确定滑块验证操作异常。

上述滑块验证的检测方法，通过轨迹识别模型对滑块验证操作的轨迹特征进行判断，当得到的第一验证结果正常时，通过运动识别模型对滑块验证操作的运动特征进行判断，仅在得到的第二验证结果也正常时，才可确定滑块验证操作正常。上述方法采用两种识别模型对同一滑块验证的操作进行识别，可以提高检测的准确率。

本发明实施例提供一种获取滑块验证操作的滑动特征的方法。如图2所示，图2为本发明实施例提供的一种获取滑块验证操作的滑动特征的方法的基本流程示意图。

具体地，如图2所示，步骤S1100包括下述步骤：

S1110、采集滑块验证操作时滑动的轨迹点序列；

服务器按照预设的时间段获取滑块验证码在拖动时的轨迹点，得到轨迹点序列。例如，每隔0.1s取一个点，滑块验证码完成滑动后的时间为2s，则提取到10个轨迹点。

S1120、根据轨迹点序列确定滑动特征。

本实施例中的验证码为图形验证码中的滑块验证，即通过将图片块拖动到正确的位置来进行验证。其中，滑动特征用于表示图片块在拖动过程中滑动的特征，包括轨迹特征和运动特征。轨迹特征为用户拖动滑块验证码滑动时的轨迹，运动特征为拖动滑动验证码时滑块的速度、加速度、距离等。

当滑动特征是轨迹特征时，本发明实施例提供一种根据轨迹点序列确定滑动特征的方法，如图3所示，图3为本发明实施例提供的一种根据轨迹点序列确定滑动特征的方法的基本流程示意图。

具体地，如图3所示，步骤S1120包括下述步骤：

S11211、从轨迹点序列中提取起始点和终止点；

起始点为最先采集的点，终止点为最后采集的点。由于轨迹点序列中的点是按照预设的时间节点进行采集的，服务器在提取起始点或者终止点时可以按照预设的时间节点进行提取，例如，选取最后一个时间点采集的轨迹点和最开始的一个时间节点采集的轨迹点。

S11212、按照起始点和终止点设立的XY坐标系，确定轨迹点序列中每一个点的坐标；

在设立XY坐标系时，可以将起始点和终止点的连线作为X轴或者Y轴，以起始点或者终止点作为坐标系的原点，进而得到轨迹点序列中，每一个轨迹点的坐标值。

S11213、将每个点的坐标进行连接得到滑块验证操作的轨迹特征。

在一些实施方式中，为了方便，可以将轨迹点序列中所有的轨迹点进行连接，得到轨迹特征。

当滑动特征是运动特征时，本发明实施例提供另一种根据轨迹点序列确定滑动特征的方法，如图4所示，图4为本发明实施例提供的另一种根据轨迹点序列确定滑动特征的方法的基本流程示意图。

具体地，如图4所示，步骤S1120包括下述步骤：

S11221、在轨迹点序列中提取相邻的两个轨迹点；

S11222、根据两个轨迹点的额坐标计算两个轨迹点之间的距离，并将所有的距离相加得到轨迹点序列的距离；

本实施例中，确定滑动特征，例如，距离、加速度或速度时，需要建立坐标系，建立坐标系的方法详见图3所示的实施例，在此不再赘述。

本实施例中通过坐标系获取相邻两个轨迹点的坐标，再通过坐标计算两个轨迹点之间的距离。例如，轨迹序列点包括A1，A2，A3，A4等，其中，A1和A2相邻，A1的坐标是(x1，y1)，A2的坐标是(x2，y2)，则A1和A2之间的距离按照以上方法分别计算出每对相邻的序列点，例如，A2与A3之间的距离d2，A3和A4之间的距离d3。

S11223、根据距离和预先获取到的时间计算速度和加速度，并将距离、速度和加速度组成的数据矩阵作为运动特征。

将上述计算出的距离d1，d2，d3分别与上述预设的时间节点之间的时间段进行相除，得到速度v1，v2，v3，以及利用加速度公式求得加速度a1，a2，a3。将上述距离、速度和加速度组成数据矩阵，例如

本发明实施例提供一种对轨迹识别模型进行训练的方法，如图5所示，图5为本发明实施例提供的一种对轨迹识别模型进行训练的方法的基本流程示意图。

具体地，如图5所示，包括步骤S1200之前还包括下述步骤：

S1201、将轨迹样本图像输入到卷积神经网络模型中，获取卷积神经网络模型输出的激励分类值；

轨迹样本图像可以通过人工拖动滑块验证码时根据轨迹点序列绘制的图像。

将轨迹样本图像依次输入到神经网络模型中，神经网络模型对轨迹样本数据进行特征提取和分类。

激励分类值是卷积神经网络模型根据输入的轨迹样本数据而输出的激励数据，在神经网络模型未被训练至收敛之前，激励分类值为离散性较大的数值，当神经网络模型未被训练至收敛之后，激励分类值为相对稳定的数据。

S1202、比对预先得到的期望分类值与激励分类值之间的距离是否小于或等于预设的第一阈值；

通过损失函数判断神经网络模型全连接层输出的激励分类值与设定的期望分类值是否一致，当结果不一致时，需要通过反向传播算法对第一通道内的权重进行调整。

在一些实施方式中，损失函数通过计算激励分类值与设定的期望分类值之间的距离(欧氏距离或者空间距离)，来确定激励分类值与设定的期望分类值是否一致，设定第一阈值(例如，0.05)，当激励分类值与设定的期望分类值之间的距离小于或等于第一阈值时，则确定激励分类值与设定的期望分类值一致，否则，则激励分类值与设定的期望分类值不一致。

设定的期望分类值可以对轨迹样本图像取平均值。

S1203、当期望分类值与激励分类值之间的距离大于预设的第一阈值时，反复循环迭代的通过反向算法更新所述神经网络模型中的权重，至期望分类值与激励分类值之间的距离小于或等于预设的第一阈值时结束。

当神经网络模型的激励分类值与设定的期望分类值不一致时，需要采用随机梯度下降算法对神经网络模型中的权重进行校正，以使卷积神经网络模型的输出结果与分类判断信息的期望结果相同。通过若干训练样本集(在一些实施方式中，训练时将所有训练样本集内的照片打乱进行训练，以增加模型的靠干扰能力，增强输出的稳定性。)的反复的训练与校正，当神经网络模型输出分类数据与各训练样本的分类参照信息比对达到(不限于)99.5％时，训练结束。

本发明实施例还提供一种运动识别模型的训练方法，包括：将运动样本特征输入到卷积神经网络模型中，获取卷积神经网络模型输出的激励分类值；比对预先得到的期望分类值与激励分类值之间的距离是否小于或等于预设的第一阈值；当期望分类值与激励分类值之间的距离大于预设的第一阈值时，反复循环迭代的通过反向算法更新所述神经网络模型中的权重，至期望分类值与激励分类值之间的距离小于或等于预设的第一阈值时结束。

本实施例中的训练过程可以参照图5所示的实施例，在此不再赘述。

本实施例中，运动样本特征可以选取用户拖动滑块验证码时的速度、距离和加速度。其中，期望分类值为对速度、距离或加速度进行平均后的数值。

为解决上述技术问题本发明实施例还提供一种滑块验证的检测装置。具体请参阅图6，图6为本实施例滑块验证的检测装置基本结构框图。

如图6所示，一种滑块验证的检测装置，包括：获取模块2100、处理模块2200和执行模块2300。其中，获取模块，用于获取滑块验证操作的滑动特征，其中，所述滑动特征包括轨迹特征和运动特征；处理模块，用于将所述轨迹特征输入到预先训练得到的轨迹识别模型中，得到第一验证结果；执行模块，用于当所述第一验证结果正常时，将所述运动特征输入到预先训练得到的运动识别模型中，当得到的第二验证结果正常时，确定所述滑块验证操作正常。

滑块验证的检测装置通过轨迹识别模型对滑块验证操作的轨迹特征进行判断，当得到的第一验证结果正常时，通过运动识别模型对滑块验证操作的运动特征进行判断，仅在得到的第二验证结果也正常时，才可确定滑块验证操作正常。上述方法采用两种识别模型对同一滑块验证的操作进行识别，可以提高检测的准确率。

在一些实施方式中，所述获取模块包括：第一获取子模块，用于采集所述滑块验证操作时滑动的轨迹点序列；第一处理子模块，用于根据所述轨迹点序列确定滑动特征。

在一些实施方式中，当所述滑动特征是轨迹特征时，所述处理模块包括：第二获取子模块，用于从所述轨迹点序列中提取起始点和终止点；第二处理子模块，用于按照所述起始点和终止点设立的XY坐标系，确定所述轨迹点序列中每一个点的坐标；第一执行子模块，用于将每个点的坐标进行连接得到所述滑块验证操作的轨迹特征。

在一些实施方式中，当所述滑动特征为运动特征时，所述处理模块包括：第三获取子模块，用于在所述轨迹点序列中提取相邻的两个轨迹点；第三处理子模块，用于根据所述两个轨迹点的坐标计算所述两个轨迹点之间的距离，并将所有的距离相加得到所述轨迹点序列的距离；第二执行子模块，用于根据所述距离和预先获取到的时间计算速度和加速度，并将所述距离、速度和加速度组成的数据矩阵作为所述运动特征。

在一些实施方式中，还包括：第三执行子模块，用于当所述第一验证结果异常时，确定所述滑块验证操作异常。

在一些实施方式中，还包括：第四获取子模块，用于将轨迹样本图像输入到卷积神经网络模型中，获取卷积神经网络模型输出的激励分类值；第四处理子模块，用于比对预先得到的期望分类值与激励分类值之间的距离是否小于或等于预设的第一阈值；第四执行子模块，用于当期望分类值与激励分类值之间的距离大于预设的第一阈值时，反复循环迭代的通过反向算法更新所述神经网络模型中的权重，至期望分类值与激励分类值之间的距离小于或等于预设的第一阈值时结束。

为解决上述技术问题，本发明实施例还提供计算机设备。具体请参阅图7，图7为本实施例计算机设备基本结构框图。

如图7所示，计算机设备的内部结构示意图。如图7所示，该计算机设备包括通过系统总线连接的处理器、非易失性存储介质、存储器和网络接口。其中，该计算机设备的非易失性存储介质存储有操作系统、数据库和计算机可读指令，数据库中可存储有控件信息序列，该计算机可读指令被处理器执行时，可使得处理器实现一种滑块验证的检测方法。该计算机设备的处理器用于提供计算和控制能力，支撑整个计算机设备的运行。该计算机设备的存储器中可存储有计算机可读指令，该计算机可读指令被处理器执行时，可使得处理器执行一种滑块验证的检测方法。该计算机设备的网络接口用于与终端连接通信。本领域技术人员可以理解，图7中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

本实施方式中处理器用于执行图6中获取模块2100、处理模块2200和执行模块2300的具体内容，存储器存储有执行上述模块所需的程序代码和各类数据。网络接口用于向用户终端或服务器之间的数据传输。本实施方式中的存储器存储有滑块验证的检测方法中执行所有子模块所需的程序代码及数据，服务器能够调用服务器的程序代码及数据执行所有子模块的功能。

计算机设备通过轨迹识别模型对滑块验证操作的轨迹特征进行判断，当得到的第一验证结果正常时，通过运动识别模型对滑块验证操作的运动特征进行判断，仅在得到的第二验证结果也正常时，才可确定滑块验证操作正常。上述方法采用两种识别模型对同一滑块验证的操作进行识别，可以提高检测的准确率。

本发明还提供一种存储有计算机可读指令的存储介质，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行上述任一实施例所述滑块验证的检测方法的步骤。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，该计算机程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)等非易失性存储介质，或随机存储记忆体(Random Access Memory，RAM)等。

应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

以上所述仅是本发明的部分实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种滑块验证的检测方法，其特征在于，包括下述步骤：

获取滑块验证操作的滑动特征，其中，所述滑动特征包括轨迹特征和运动特征；

将所述轨迹特征输入到预先训练得到的轨迹识别模型中，得到第一验证结果；

当所述第一验证结果正常时，将所述运动特征输入到预先训练得到的运动识别模型中，当得到的第二验证结果正常时，确定所述滑块验证操作正常。

2.根据权利要求1所述的滑块验证的检测方法，其特征在于，所述获取滑块验证操作的滑动特征，包括：

采集所述滑块验证操作时滑动的轨迹点序列；

根据所述轨迹点序列确定滑动特征。

3.根据权利要求2所述的滑块验证的检测方法，其特征在于，当所述滑动特征是轨迹特征时，所述根据所述轨迹点序列确定滑动特征，包括：

从所述轨迹点序列中提取起始点和终止点；

按照所述起始点和终止点设立的XY坐标系，确定所述轨迹点序列中每一个点的坐标；

将每个点的坐标进行连接得到所述滑块验证操作的轨迹特征。

4.根据权利要求3所述的滑块验证的检测方法，其特征在于，当所述滑动特征为运动特征时，所述根据所述轨迹点序列确定滑动特征，包括：

在所述轨迹点序列中提取相邻的两个轨迹点；

根据所述两个轨迹点的坐标计算所述两个轨迹点之间的距离，并将所有的距离相加得到所述轨迹点序列的距离；

根据所述距离和预先获取到的时间计算速度和加速度，并将所述距离、速度和加速度组成的数据矩阵作为所述运动特征。

5.根据权利要求1所述的欢快验证的检测方法，其特征在于，所述将所述轨迹特征输入到预先训练得到的轨迹识别模型中，得到第一验证结果之后，还包括：

当所述第一验证结果异常时，确定所述滑块验证操作异常。

6.根据权利要求1至5任一项所述的滑块验证的检测方法，其特征在于，对所述轨迹识别模型进行训练，包括：

将轨迹样本图像输入到卷积神经网络模型中，获取卷积神经网络模型输出的激励分类值；

比对预先得到的期望分类值与激励分类值之间的距离是否小于或等于预设的第一阈值；

当期望分类值与激励分类值之间的距离大于预设的第一阈值时，反复循环迭代的通过反向算法更新所述神经网络模型中的权重，至期望分类值与激励分类值之间的距离小于或等于预设的第一阈值时结束。

7.一种滑块验证的检测装置，其特征在于，包括：

获取模块，用于获取滑块验证操作的滑动特征，其中，所述滑动特征包括轨迹特征和运动特征；

处理模块，用于将所述轨迹特征输入到预先训练得到的轨迹识别模型中，得到第一验证结果；

执行模块，用于当所述第一验证结果正常时，将所述运动特征输入到预先训练得到的运动识别模型中，当得到的第二验证结果正常时，确定所述滑块验证操作正常。

8.根据权利要求7所述的滑块验证的检测装置，其特征在于，所述获取模块包括：

第一获取子模块，用于采集所述滑块验证操作时滑动的轨迹点序列；

第一处理子模块，用于根据所述轨迹点序列确定滑动特征。

9.一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行如权利要求1至6中任一项权利要求所述滑块验证的检测方法的步骤。

10.一种存储有计算机可读指令的存储介质，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行如权利要求1至6中任一项权利要求所述滑块验证的检测方法的步骤。