CN110210204A - 验证码生成方法及装置、存储介质和电子设备 - Google Patents

Abstract

本发明的实施方式涉及网络安全技术领域，更具体地，本发明的实施方式涉及验证码生成方法及装置存储介质和电子设备。所述方法包括：构建预设二维图像对应类型的立体像素网格模型；将所述立体像素网格模型与包含视角信息的候选轮廓模型进行轮廓数据对比，以获取包含视角信息的中间图像；将所述中间图像和所述预设二维图像的纹理编码输入训练后的纹理生成网络模型以获取目标验证码元素。本公开通过利用立体像素网格模型构建3D验证码元素，可以实现自动的批量生成验证码元素，有效的降低验证码的生成成本。并增加机器识别验证码的难度，还可以有效的扩大验证码元素的样本容量，有效的抵御暴力破解的攻击。

Description

验证码生成方法及装置、存储介质和电子设备

技术领域

本发明的实施方式涉及网络安全技术领域，更具体地，本发明的实施方式涉及验证码生成方法及装置存储介质和电子设备。

背景技术

本部分旨在为权利要求中陈述的本发明的实施方式提供背景或上下文，此处的描述不因为包括在本部分中就承认是现有技术。

随着互联网技术的快速发展，网络安全的问题日益突出。在进行人机验证时，可以通过验证码的形式对真人或机器进行鉴别。现有的验证码方式包括“点字”、“拼图”、“识图”等，验证码的表现形式包括字母、数字、汉字等图像。

发明内容

但是，在一些技术中，一方面，由于光学字符识别(OCR，Optical CharacterRecognition)技术的进步，使得对于字母、数字识别的准确率大大提高，增加了验证码被机器破解的概率；另一方面，对于采用基于3D模型元素的验证方式，需要以人工的方式设计和制作原始3D模型，需要大量的人力，导致人力成本过高；再一方面，由于3D模型的样本容量有限，也无法有效的抵御暴力破解的攻击。

因此，在现有技术中，对于如何以自动、随机的方式生成3D验证码元素，仍然缺少有效的方法。

为此，非常需要一种改进的验证码生成方法及装置、存储介质和电子设备，以实现3D验证码的自动生成。

在本上下文中，本发明的实施方式期望提供一种验证码生成方法及装置、存储介质和电子设备。

根据本公开的一个方面，提供一种验证码生成方法，包括：

构建预设二维图像对应类型的立体像素网格模型；

将所述立体像素网格模型与包含视角信息的候选轮廓模型进行轮廓数据对比，以获取包含视角信息的中间图像；

将所述中间图像和所述预设二维图像的纹理编码输入训练后的纹理生成网络模型以获取目标验证码元素。

在本公开的一种示例性实施例中，所述构建立体像素网格模型包括：

将预设二维图像输入训练后的立体像素网格生成模型以构建所述预设二维图像对应类型的所述立体像素网格模型。

在本公开的一种示例性实施例中，所述方法还包括：预先训练所述立体像素网格生成模型；

所述训练所述立体像素网格生成模型包括：

获取预设二维图像的形状编码和真实立体像素网格模型，并对所述形状编码进行采样以获取对应的形状编码采样结果；

将所述形状编码采样结果输入生成网络以获取对应的生成立体像素网格模型，并利用损失函数对所述生成网络进行优化；以及

将所述生成立体像素网格模型和真实立体像素网格模型输入判别网络以对所述生成立体像素网格进行判别，并利用损失函数对所述判别网络进行优化；

重复上述步骤训练所述生成网络和所述判别网络，以在所述生成网络和所述判别网络达到预设训练目标时，获取训练后的所述立体像素网格生成模型。

在本公开的一种示例性实施例中，所述将所述立体像素网格模型与包含视角信息的候选轮廓模型进行轮廓数据对比，以获取包含视角信息的中间图像包括：

获取所述立体像素网格模型的轮廓数据；

将所述立体像素网格模型的轮廓数据与多个包含不同视角信息的候选轮廓模型的轮廓数据进行对比，以获取最大比值对应的候选轮廓模型的第一轮廓数据，并确定所述第一轮廓数据对应的候选轮廓模型为所述包含视角信息的中间图像。

在本公开的一种示例性实施例中，所述方法还包括：预先生成包含不同视角信息的候选轮廓模型；

所述生成包含不同视角信息的候选轮廓模型包括：

获取预设二维图像对应的原始3D模型；以及

对所述预设二维图像的视角编码进行采样以获取均匀分布的视角编码采样结果；

基于所述视角编码采样结果对所述原始3D模型进行处理以生成包含不同视角信息的候选轮廓模型。

在本公开的一种示例性实施例中，所述方法还包括：预先训练所述纹理生成网络模型；

所述训练所述纹理生成网络模型包括：

获取预设二维图像对应的真实纹理编码和真实中间图像；

将所述预设二维图像输入纹理生成器和中间图像生成器以获取对应的生成纹理编码和生成中间图像；

将所述生成中间图像和真实中间图像输入第一判别器以对所述生成中间图像进行鉴别；并利用损失函数对所述纹理生成器和中间图像生成器进行优化；

将所述生成纹理编码和生成中间图像输入图像生成器以获取对应的生成图像，并利用第二判别器对所述生成图像进行鉴别；并利用损失函数对所述图像生成器和第二判别器进行优化；

重复上述步骤训练所述纹理生成器、中间图像生成器、图像生成器和第一判别器、第二判别器，以在所述纹理生成器、中间图像生成器、图像生成器和第一判别器、第二判别器达到预设训练目标时，获取训练后的所述纹理生成网络模型。

在本公开的一种示例性实施例中，所述损失函数包括：

其中，为图像生成器的对抗损失函数，为中间图像生成器的对抗损失函数；为图像生成器的循环一致性损失函数，为中间图像生成器的循环一致性损失函数，为纹理生成器的循环一致性损失函数，L_KL为KL损失函数。

根据本公开的一个方面，提供一种验证码生成装置，包括：

模型构建模块，用于构建预设二维图像对应类型的立体像素网格模型；

中间图像获取模块，用于将所述立体像素网格模型与包含视角信息的候选轮廓模型进行轮廓数据对比，以获取包含视角信息的中间图像；

验证码元素生成模块，用于将所述中间图像和所述预设二维图像的纹理编码输入训练后的纹理生成网络模型以获取目标验证码元素。

在本公开的一种示例性实施例中，所述模型构建模块包括：

立体像素网格模型处理模块，用于将预设二维图像输入训练后的立体像素网格生成模型以构建所述预设二维图像对应类型的所述立体像素网格模型。

在本公开的一种示例性实施例中，所述装置还包括：立体像素网格模型训练模块；

所述立体像素网格模型训练模块包括：

基础数据获取模块，用于获取预设二维图像的形状编码和真实立体像素网格模型，并对所述形状编码进行采样以获取对应的形状编码采样结果；

生成网络训练模块，用于将所述形状编码采样结果输入生成网络以获取对应的生成立体像素网格模型，并利用损失函数对所述生成网络进行优化；以及

判别网络训练模块，用于将所述生成立体像素网格模型和真实立体像素网格模型输入判别网络以对所述生成立体像素网格进行判别，并利用损失函数对所述判别网络进行优化；

立体像素网格生成模型生成模块，用于重复上述步骤训练所述生成网络和所述判别网络，以在所述生成网络和所述判别网络达到预设训练目标时，获取训练后的所述立体像素网格生成模型。

在本公开的一种示例性实施例中，所述中间图像获取模块包括：

轮廓数据计算模块，用于获取所述立体像素网格模型的轮廓数据；

轮廓数据对比模块，用于将所述立体像素网格模型的轮廓数据与多个包含不同视角信息的候选轮廓模型的轮廓数据进行对比，以获取最大比值对应的候选轮廓模型的第一轮廓数据，并确定所述第一轮廓数据对应的候选轮廓模型为所述包含视角信息的中间图像。

在本公开的一种示例性实施例中，所述装置还包括：候选轮廓模型生成模块；

所述候选轮廓模型生成模块包括：

原始3D模型计算模块，用于获取预设二维图像对应的原始3D模型；以及

视角编码模块，用于对所述预设二维图像的视角编码进行采样以获取均匀分布的视角编码采样结果；

模型处理模块，用于基于所述视角编码采样结果对所述原始3D模型进行处理以生成包含不同视角信息的候选轮廓模型。

在本公开的一种示例性实施例中，所述装置还包括：纹理生成网络模型训练模块；

所述纹理生成网络模型训练模块包括：

基础数据计算模块，用于获取预设二维图像对应的真实纹理编码和真实中间图像；

第一循环训练模块，用于将所述预设二维图像输入纹理生成器和中间图像生成器以获取对应的生成纹理编码和生成中间图像；以及

将所述生成中间图像和真实中间图像输入第一判别器以对所述生成中间图像进行鉴别；并利用损失函数对所述纹理生成器和中间图像生成器进行优化；

第二循环训练模块，用于将所述生成纹理编码和生成中间图像输入图像生成器以获取对应的生成图像；以及

利用第二判别器对所述生成图像进行鉴别；并利用损失函数对所述图像生成器和第二判别器进行优化；

纹理生成网络模型获取模块，用于重复上述步骤训练所述纹理生成器、中间图像生成器、图像生成器和第一判别器、第二判别器，以在所述纹理生成器、中间图像生成器、图像生成器和第一判别器、第二判别器达到预设训练目标时，获取训练后的所述纹理生成网络模型。

在本公开的一种示例性实施例中，所述损失函数包括：

其中，为图像生成器的对抗损失函数，为中间图像生成器的对抗损失函数；为图像生成器的循环一致性损失函数，为中间图像生成器的循环一致性损失函数，为纹理生成器的循环一致性损失函数，L_KL为KL损失函数。

根据本公开的一个方面，提供一种存储介质，其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上述任一项实施例所述的验证码生成方法。

根据本公开的一个方面，提供一种电子设备，包括：

处理器；以及

存储器，用于存储所述处理器的可执行指令；

其中，所述处理器配置为经由执行所述可执行指令来执行上述任意一项所述的验证码生成方法。

根据本发明实施方式的验证码生成方法，通过预先构建不同类型的立体像素网格模型，再确定该立体像素网格模型对应的包含视角信息的中间图像，最后利用纹理生成网络模型根据中间图像和纹理编码生成指定类型的目标验证码元素，实现基于3D模型的验证码元素生成方案，有效的增加了验证码的破解难度和成本。同时，通过利用立体像素网格模型构建验证码，可以实现自动的批量生成验证码元素，有效的降低了验证码的生成成本。

附图说明

通过参考附图阅读下文的详细描述，本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本发明的若干实施方式，其中：

图1示意性地示出了根据本发明实施方式的验证码生成方法的流程图；

图2示意性地示出了根据本发明实施方式的立体像素网格生成模型的训练方法示意图；

图3示意性地示出了根据本发明实施方式的纹理生成网络模型的训练方法示意图；

图4示意性地示出了根据本发明实施方式的根据预设二维图像生成验证码元素的图像处理结果的流程图；

图5示意性地示出了根据本发明实施方式的汽车类型的验证码元素的生成效果示意图；

图6示意性地示出了根据本发明实施方式的字母类型的验证码元素的生成效果示意图；

图7示意性地示出了根据本发明实施方式的验证码生成装置的方框图；

图8示出了根据本发明实施方式的存储介质的示意图；以及

图9示意性示出了根据发明实施方式的电子设备的方框图。

在附图中，相同或对应的标号表示相同或对应的部分。

具体实施方式

下面将参考若干示例性实施方式来描述本发明的原理和精神。应当理解，给出这些实施方式仅仅是为了使本领域技术人员能够更好地理解进而实现本发明，而并非以任何方式限制本发明的范围。相反，提供这些实施方式是为了使本公开更加透彻和完整，并且能够将本公开的范围完整地传达给本领域的技术人员。

本领域技术人员知道，本发明的实施方式可以实现为一种系统、装置、设备、方法或计算机程序产品。因此，本公开可以具体实现为以下形式，即：完全的硬件、完全的软件(包括固件、驻留软件、微代码等)，或者硬件和软件结合的形式。

根据本发明的实施方式，提供一种验证码生成方法、验证码生成装置、存储介质和电子设备。

在本文中，附图中的任何元素数量均用于示例而非限制，以及任何命名都仅用于区分，而不具有任何限制含义。

下面参考本发明的若干代表性实施方式，详细阐述本发明的原理和精神。

发明概述

本发明人发现，现有技术中，基于3D模型的验证码元素制作，由于原始3D模型需要设计师人工设计，需要耗费巨大的人力成本；并且由于样本容量有限，无法抵御暴力破解的攻击。

鉴于上述内容，本发明的基本思想在于：根据本发明实施方式的验证码生成方法，通过预先构建不同类型的立体像素网格模型，再确定该立体像素网格模型对应的包含视角信息的中间图像，最后利用纹理生成网络模型根据中间图像和纹理编码生成指定类型的目标验证码元素，一方面，能够实现基于3D模型的验证码元素生成方案，有效的增加了验证码的破解难度和成本。另一方面，通过利用立体像素网格模型构建验证码，可以实现自动的批量生成验证码元素，有效的降低了验证码的生成成本。

在介绍了本发明的基本原理之后，下面具体介绍本发明的各种非限制性实施方式。

示例性方法

下面结合图1来描述根据本发明示例性实施方式的验证码生成方法。

参考图1，所述验证码生成方法可以包括以下步骤：

S1、构建预设二维图像对应类型的立体像素网格模型；

S2、将所述立体像素网格模型与包含视角信息的候选轮廓模型进行轮廓数据对比，以获取包含视角信息的中间图像；

S3、将所述中间图像和所述预设二维图像的纹理编码输入训练后的纹理生成网络模型以获取目标验证码元素。

在本发明实施方式的验证码生成方法中，通过预先构建不同类型的立体像素网格模型，再确定该立体像素网格模型对应的包含视角信息的中间图像，最后利用纹理生成网络模型根据中间图像和纹理编码生成指定类型的目标验证码元素，一方面，能够实现基于3D模型的验证码元素生成方案，有效的增加了验证码的破解难度和成本。另一方面，通过利用立体像素网格模型构建验证码，可以实现自动的批量生成验证码元素，有效的降低了验证码的生成成本。

在步骤S1中，构建预设二维图像对应类型的立体像素网格模型。

在本公开的示例性实施方式中，可以预先采集或者制作一定数量的二维图像作为图像模板。可以使每一张二维图像仅包含单一类型的内容，例如：字母、数字、汉字、人造物体或自然界物体等类型的内容。此外，可以通过一些技术手段使得二维图像中仅包含上述的各单一类型的内容，而不含有其他的背景元素。并且，可以基于上述各二维图像构建二维图像模板库。

在本公开的其他示例性实施例中，还可以对二维图像模板库中的二维图像进行分类，例如划分为字幕、汽车、飞机、轮船、鲜花等类型。

此外，还可以预先训练一基于生成对抗网络的立体像素网格生成模型F_shape，参考图4所示，可以将设二维图像的形状编码z_shape作为输入，输入训练后的立体像素网格生成模型，将形状编码z_shape映射到一个立体像素网格模型v_3D，以构建该预设二维图像对应类型的立体像素网格模型。

具体来说，参考图2所示，训练所述立体像素网格生成模型包括以下步骤：

步骤S111，获取预设二维图像的形状编码和真实立体像素网格模型，并对所述形状编码进行采样以获取对应的形状编码采样结果；

步骤S112，将所述形状编码采样结果输入生成网络以获取对应的生成立体像素网格模型，并利用损失函数对所述生成网络进行优化；以及

步骤S113，将所述生成立体像素网格模型和真实立体像素网格模型输入判别网络以对所述生成立体像素网格进行判别，并利用损失函数对所述判别网络进行优化；

步骤S114，重复上述步骤训练所述生成网络和所述判别网络，以在所述生成网络和所述判别网络达到预设训练目标时，获取训练后的所述立体像素网格生成模型。

对于上述的立体像素网格生成模型来说，可以同时训练一个生成网络G_shape和一个判别网络D_shape。对于选取的任意一种目标类型的预设二维图像，可以通过编码器对其进行编码，从而获取对应的形状编码。对于形状编码，可以对其进行随机采样的编码采样结果z_shape输入至生成网络G_shape中，生成网络根据形状编码输出尺寸为W×W×W的生成立体像素网格模型。

在获取生成立体像素网格模型后，将其与真实立体像素网格模型输入上述的判别网络D_shape中，并通过判别网络对上述的生成立体像素网格模型的真伪进行辨别。其中，真实立体像素网格模型可以是与上述的预设二维图像相同类型的原始3D像素网格，可以通过人工或工具绘制等方式获取。

另外，还可以利用损失函数对生成网络和判别网络进行优化，迭代训练上述的生成网络和判别网络，直至达到预设的训练目标，进而获取训练后的立体像素网格生成模型。并且，为了提升立体像素网格生成模型输出结果的质量和多样性，还可以采用WGAN-GP模型中的Wasserstein距离来调节损失函数。具体来说，该立体像素网格生成模型的训练目标和损失函数可以包括：

其中，E_v表示对属于真实立体像素网格模型的判决器输出值取平均；E_z表示对攻击样本的判决器输出值取平均。

此外，基于不同类型的预设二维图像，可以训练对应类型的立体像素网格生成模型，从而使得通过各立体像素网格生成模型生成的各类型的立体像素网格模型可以更加准确。

在步骤S2中，将所述立体像素网格模型与包含视角信息的候选轮廓模型进行轮廓数据对比，以获取包含视角信息的中间图像。

在本公开的示例性实施方式中，在获取对应类型的立体像素网格模型后，便可以将其与包含视角信息的候选轮廓模型进行对比，从而确定该立体像素网格模型对应的包含视角信息的中间图像，如图4所示。对于所述的中间图像，可以是立体像素网格模型v根据对预设二维图像的视角编码进行视角采样结果z_view映射的2.5D草图，其中，2.5D草图即为伪3D图像，为3D图像的一个特定角度下的表现形式。

具体来说，上述的步骤S2可以包括以下步骤：

步骤S201，获取所述立体像素网格模型的轮廓数据；

步骤S202，将所述立体像素网格模型的轮廓数据与多个包含不同视角信息的候选轮廓模型的轮廓数据进行对比，以获取最大比值对应的候选轮廓模型的第一轮廓数据，并确定所述第一轮廓数据对应的候选轮廓模型为所述包含视角信息的中间图像。

举例而言，可以通过光照估计的方法确定上述立体像素网格模型的轮廓信息。对于上述的立体像素网格模型v＝G_shape(z_shape)，v中的每个值表示该点出现的概率。具体的，为获取立体像素网格模型在特定视角相机下的2.5D草图，可以首先生成一系列光线，其中，每束光线都是从虚拟相机中心发出并且经过图像模型的一个像素的中心。然后，在每束光线周围按照均匀深度采样一系列点，对每个点利用可微分三线性差值方法计算它命中立体像素网格模型的各立体像素的概率。具体来说，给出沿着某光束方向的N个采样点R₁、R₂、R₃……R_N，利用光束命中立体像素的期望来计算其可见性，即获得立体像素网格模型的轮廓数据：

其中，d_j为样本R_j的深度。

同样的，也可以利用上述公式获取立体像素网格模型的深度数据。另外，由于该函数是可导的，因此轮廓期望的计算和三线性差值的梯度都可以反向回传。

此外，在本公开的一些示例性实施例中，还可以预先生成包含不同视角信息的候选轮廓模型。具体而言，可以通过以下步骤生成候选轮廓模型，包括：

步骤S211，获取预设二维图像对应的原始3D模型；以及

步骤S212，对所述预设二维图像的视角编码进行采样以获取均匀分布的视角编码采样结果；

步骤S213，基于所述视角编码采样结果对所述原始3D模型进行处理以生成包含不同视角信息的候选轮廓模型。

通过根据预设二维图像的经验分布p_data(z_view)进行视角编码z_view的随机采样或均匀分布采样，利用该视角编码z_view的采样结果来编码虚拟相机的高度和方位，从而获取在均匀分布的虚拟相机姿态下生成的包含视角信息的若干个候选轮廓模型。

对于上一步骤中得到的立体像素网格模型，可以令其与各包含不同视角信息的候选轮廓模型进行轮廓数据的对比，并筛选立体像素网格模型与候选轮廓模型之间轮廓数据具有最大比值的第一轮廓数据，并将该第一轮廓数据对应的候选轮廓模型作为上述立体像素网格模型对应的包含视角信息的中间图像。

在步骤S3中，将所述中间图像和所述预设二维图像的纹理编码输入训练后的纹理生成网络模型以获取目标验证码元素。

在本公开的示例性实施方式中，可以预先训练一基于Cycle-GAN的纹理生成网络模型，将预设二维图像的纹理编码和上述步骤中获取的中间图像作为入参，输入已训练的纹理生成网络模型中，对中间图像结合纹理编码中的纹理、颜色以及光照等信息进行渲染，输出包含目标类型的3D验证码元素的RGB图像，如图4所示。

具体来说，可以预先训练纹理生成网络模型，参考图3所示，具体可以包括以下步骤：

步骤S301，获取预设二维图像对应的真实纹理编码和真实中间图像；

步骤S302，将所述预设二维图像输入纹理生成器和中间图像生成器以获取对应的生成纹理编码和生成中间图像；

步骤S303，将所述生成中间图像和真实中间图像输入第一判别器以对所述生成中间图像进行鉴别；并利用损失函数对所述纹理生成器和中间图像生成器进行优化；

步骤S304，将所述生成纹理编码和生成中间图像输入图像生成器以获取对应的生成图像，并利用第二判别器对所述生成图像进行鉴别；并利用损失函数对所述图像生成器和第二判别器进行优化；

步骤S305，重复上述步骤训练所述纹理生成器、中间图像生成器、图像生成器和第一判别器、第二判别器，以在所述纹理生成器、中间图像生成器、图像生成器和第一判别器、第二判别器达到预设训练目标时，获取训练后的所述纹理生成网络模型。

在本示例性实施方式中，可以利用纹理编码器E_texture和2.5D草图编码器E_2.5D，可以通过纹理编码器E_texture来估计预设二维图像x的生成纹理编码z_texture；利用2.5D草图编码器E_2.5D来估计预设二维图像对应的生成中间图像。另外，可以将预设二维图像对应的生成中间图像和真实中间图像作为入参，输入第一判别器，对生成中间图像的真伪进行鉴别。

同时，还可以将纹理编码z_texture和上述由立体像素网格模型映射得到的中间图像v_2.5D为输入，训练一个纹理生成网络(纹理生成器)G_texture，其输出为一张具有纹理的生成图像：x＝G_texture(v_2.5D，z_texture)。另外，可以将该生成图像与真实图像输入第二判别器中，对生成图像的真伪进行鉴别。纹理生成网络可以为2.5D草图增加真实而多样化的纹理特征，从而使得生成网络输出的生成图像与真实图片真假难分。

对于纹理生成网络G_texture和纹理编码器E_texture和2.5D草图编码器E_2.5D，均可以同时使用对抗损失函数和循环一致性损失函数来训练。具体来说，对于纹理生成网络G_texture，其对抗损失函数可以包括：

其中，E_x表示对真实图像x的输出值求平均；表示对不同的2.5D草图v_2.5D和纹理编码z_texture的组合对应输出值求平均；D_image表示第二判别器，用于对真实图像和生成图像进行鉴别。

对于纹理编码器E_texture和2.5D草图编码器E_2.5D可以施加相同的对抗损失函数，包括：

其中，D_2.5D表示为第一判别器，用于区分估计得到的生成中间图像E_2.5D(x)和2.5D草图v_2.5D。

进一步的，还可以使用循环一致性损失还是来加强两个域之间的双射关系，包括：

以及

其中，λ为常数，用于控制中间图像生成器和纹理生成器对应的循环一致性损失函数的权重；E表示求期望操作，Ex表示对真实图像x的输出值求平均，E(v_2.5d，z_texture)表示对不同的(v_2.5D，z_texture)的组合的输出值求平均。

此外，在本公开的其他示例性实施例中，对于上述的纹理生成网络G_texture，其中2.5D草图与生成图像之间还可以配置为一对多的映射关系。即纹理生成网络可以根据输入的纹理编码和中间图像生成多个生成图像。如图5、图6所示，左一列为原始图像，其余为生成的各颜色、各角度朝向的3D验证码元素。

在训练过程中，还可以通过隐含空间循环一致性损失函数来鼓励G_texture来使用编码z_texture，具体来说，可以包括以下公式：

其中，表示控制纹理生成网络损失函数的权重。

另外，为了方便在测试时的采样，增加了z空间的KL损失函数来迫使E_texture(x)趋近于高斯分布，包括：

L_KL＝λ_KLE_X[D_KLE_texture(x)||N(0,1)]

其中，λ_KL为权重。

基于上述内容，纹理生成网络的损失函数包括：

其中，为图像生成器的对抗损失函数，为中间图像生成器的对抗损失函数；为图像生成器的循环一致性损失函数，为中间图像生成器的循环一致性损失函数，为纹理生成器的循环一致性损失函数，L_KL为KL损失函数。

基于以上内容，整体的训练目标包括：

其中，λ_shape表示D_shape和D_texture的比例。

在训练过程中，可以通过先最大化损失函数来优化3个判别模型：形状判别网络D_shape、纹理判别网络D_texture、中间图像判别网络D_2.5D。然后最小化损失来优化2个生成器和2个编码器：形状生成网络G_shape、纹理生成网络G_texture、2.5D草图编码器E_2.5D和纹理编码器E_texture。

综上所述，本公开所提供的验证码生成方法，根据对二维图像模板对应的形状编码z_shape、视角编码z_view和纹理编码z_texture进行采样得到的采样结果，参考图4所示，基于形状编码进行3D模型重建获取对应的立体像素网格模型；基于视角编码和立体像素网格模型获取对应的中间图像(2.5D草图)；基于纹理编码和中间图像获取二维图像模板对应目标类型的验证码元素，利用三种编码描述物体的外观、反射率、反射比和环境光照等信息，分别改变物体的形状、视角以及纹理；使得最终获取的RGB图像中的验证码元素具有不同的颜色、视角以及纹理等信息，并且支持在两种物体间进行差值渐变，如图5、图6所示，从而有效的增加了验证码的破解难度，降低破解风险。另外，由于纹理生成网络模型可以根据输入的中间图像和纹理编码可以生成多个生成图像，从而可以有效的扩大验证码元素的样本容量，能够有效的抵御暴力破解的攻击。此外，在训练过程中，也不需要使立体像素网格模型和最终生成的RGB图像进行一一对应，简化了模型的训练过程，可以实现验证码的大批量自动化生成。

示例性装置

在介绍了本发明示例性实施方式的验证码生成方法之后，接下来，参考图7对本发明示例性实施方式的验证码生成装置进行描述。

参考图7所示，本发明示例性实施方式的验证码生成装置70可以包括：模型构建模块701、中间图像获取模块702以及验证码元素生成模块703。其中：

所述模型构建模块701可以用于构建预设二维图像对应类型的立体像素网格模型。

所述中间图像获取模块702可以用于将所述立体像素网格模型与包含视角信息的候选轮廓模型进行轮廓数据对比，以获取包含视角信息的中间图像。

所述验证码元素生成模块703可以用于将所述中间图像和所述预设二维图像的纹理编码输入训练后的纹理生成网络模型以获取目标验证码元素。

根据本公开的示例性实施例，所述模型构建模块包括：立体像素网格模型处理模块(图中未示出)。

所述立体像素网格模型处理模块可以用于将预设二维图像输入训练后的立体像素网格生成模型以构建所述预设二维图像对应类型的所述立体像素网格模型。

根据本公开的示例性实施例，所述装置还包括：立体像素网格模型训练模块；所述立体像素网格模型训练模块包括：基础数据获取模块、生成网络训练模块、判别网络训练模块和立体像素网格生成模型生成模块(图中未示出)。其中：

所述基础数据获取模块可以用于获取预设二维图像的形状编码和真实立体像素网格模型，并对所述形状编码进行采样以获取对应的形状编码采样结果。

所述生成网络训练模块可以用于将所述形状编码采样结果输入生成网络以获取对应的生成立体像素网格模型，并利用损失函数对所述生成网络进行优化。

所述判别网络训练模块可以用于将所述生成立体像素网格模型和真实立体像素网格模型输入判别网络以对所述生成立体像素网格进行判别，并利用损失函数对所述判别网络进行优化。

所述立体像素网格生成模型生成模块可以用于重复上述步骤训练所述生成网络和所述判别网络，以在所述生成网络和所述判别网络达到预设训练目标时，获取训练后的所述立体像素网格生成模型。

根据本公开的示例性实施例，所述中间图像获取模块包括：轮廓数据计算模块和轮廓数据对比模块(图中未示出)。其中：

所述轮廓数据计算模块可以用于获取所述立体像素网格模型的轮廓数据。

所述轮廓数据对比模块可以用于将所述立体像素网格模型的轮廓数据与多个包含不同视角信息的候选轮廓模型的轮廓数据进行对比，以获取最大比值对应的候选轮廓模型的第一轮廓数据，并确定所述第一轮廓数据对应的候选轮廓模型为所述包含视角信息的中间图像。

根据本公开的示例性实施例，所述装置还包括：候选轮廓模型生成模块；所述候选轮廓模型生成模块包括：原始3D模型计算模块、视角编码模块和模型处理模块(图中未示出)。其中：

所述原始3D模型计算模块可以用于获取预设二维图像对应的原始3D模型。

所述视角编码模块可以用于对所述预设二维图像的视角编码进行采样以获取均匀分布的视角编码采样结果。

所述模型处理模块可以用于基于所述视角编码采样结果对所述原始3D模型进行处理以生成包含不同视角信息的候选轮廓模型。

根据本公开的示例性实施例，所述装置还包括：纹理生成网络模型训练模块；所述纹理生成网络模型训练模块包括：基础数据计算模块、第一循环训练模块、第二循环训练模块和纹理生成网络模型获取模块(图中未示出)。其中：

所述基础数据计算模块可以用于获取预设二维图像对应的真实纹理编码和真实中间图像。

所述第一循环训练模块可以用于将所述预设二维图像输入纹理生成器和中间图像生成器以获取对应的生成纹理编码和生成中间图像；以及

将所述生成中间图像和真实中间图像输入第一判别器以对所述生成中间图像进行鉴别；并利用损失函数对所述纹理生成器和中间图像生成器进行优化。

所述第二循环训练模块可以用于将所述生成纹理编码和生成中间图像输入图像生成器以获取对应的生成图像；以及

利用第二判别器对所述生成图像进行鉴别；并利用损失函数对所述图像生成器和第二判别器进行优化。

所述纹理生成网络模型获取模块可以用于重复上述步骤训练所述纹理生成器、中间图像生成器、图像生成器和第一判别器、第二判别器，以在所述纹理生成器、中间图像生成器、图像生成器和第一判别器、第二判别器达到预设训练目标时，获取训练后的所述纹理生成网络模型。

根据本公开的示例性实施例，所述损失函数包括：

其中，为图像生成器的对抗损失函数，为中间图像生成器的对抗损失函数；为图像生成器的循环一致性损失函数，为中间图像生成器的循环一致性损失函数，为纹理生成器的循环一致性损失函数，L_KL为KL损失函数。

由于本发明实施方式的验证码生成装置的各个功能模块与上述验证码生成方法发明实施方式中相同，因此在此不再赘述。

示例性存储介质

在介绍了本发明示例性实施方式的验证码生成方法和装置之后，接下来，参考图8对本发明示例性实施方式的存储介质进行说明。

参考图8所示，描述了根据本发明的实施方式的用于实现上述方法的程序产品100，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言-诸如Java、C++等，还包括常规的过程式程序设计语言-诸如"C"语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

示例性电子设备

在介绍了本发明示例性实施方式的存储介质之后，接下来，参考图8对本发明示例性实施方式的电子设备进行说明。

图9显示的电子设备800仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图9所示，电子设备800以通用计算设备的形式表现。电子设备800的组件可以包括但不限于：上述至少一个处理单元810、上述至少一个存储单元820、连接不同系统组件(包括存储单元820和处理单元810)的总线830、显示单元840。

其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元810执行，使得所述处理单元810执行本说明书上述"示例性方法"部分中描述的根据本发明各种示例性实施方式的步骤。例如，所述处理单元810可以执行如图1中所示的步骤S1至步骤S3。

存储单元820可以包括易失性存储单元，例如随机存取存储单元(RAM)8201和/或高速缓存存储单元8202，还可以进一步包括只读存储单元(ROM)8203。

存储单元820还可以包括具有一组(至少一个)程序模块8205的程序/实用工具8204，这样的程序模块8205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

总线830可以包括数据总线、地址总线和控制总线。

电子设备800也可以与一个或多个外部设备900(例如键盘、指向设备、蓝牙设备等)通信，这种通信可以通过输入/输出(I/O)接口850进行。电子设备800还包括显示单元840，其连接到输入/输出(I/O)接口850，用于进行显示。并且，电子设备800还可以通过网络适配器860与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器860通过总线830与电子设备800的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备800使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

应当注意，尽管在上文详细描述中提及了音频播放装置和音频分享装置的若干模块或子模块，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本发明的实施方式，上文描述的两个或更多单元/模块的特征和功能可以在一个单元/模块中具体化。反之，上文描述的一个单元/模块的特征和功能可以进一步划分为由多个单元/模块来具体化。

此外，尽管在附图中以特定顺序描述了本发明方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。

虽然已经参考若干具体实施方式描述了本发明的精神和原理，但是应该理解，本发明并不限于所公开的具体实施方式，对各方面的划分也不意味着这些方面中的特征不能组合以进行受益，这种划分仅是为了表述的方便。本发明旨在涵盖所附权利要求的精神和范围内所包括的各种修改和等同布置。

Claims (10)

1.一种验证码生成方法，其特征在于，包括：

构建预设二维图像对应类型的立体像素网格模型；

将所述立体像素网格模型与包含视角信息的候选轮廓模型进行轮廓数据对比，以获取包含视角信息的中间图像；

将所述中间图像和所述预设二维图像的纹理编码输入训练后的纹理生成网络模型以获取目标验证码元素。

2.根据权利要求1所述的验证码生成方法，其特征在于，所述构建立体像素网格模型包括：

将预设二维图像输入训练后的立体像素网格生成模型以构建所述预设二维图像对应类型的所述立体像素网格模型。

3.根据权利要求2所述的验证码生成方法，其特征在于，所述方法还包括：预先训练所述立体像素网格生成模型；

所述训练所述立体像素网格生成模型包括：

获取预设二维图像的形状编码和真实立体像素网格模型，并对所述形状编码进行采样以获取对应的形状编码采样结果；

将所述形状编码采样结果输入生成网络以获取对应的生成立体像素网格模型，并利用损失函数对所述生成网络进行优化；以及

将所述生成立体像素网格模型和真实立体像素网格模型输入判别网络以对所述生成立体像素网格进行判别，并利用损失函数对所述判别网络进行优化；

重复上述步骤训练所述生成网络和所述判别网络，以在所述生成网络和所述判别网络达到预设训练目标时，获取训练后的所述立体像素网格生成模型。

4.根据权利要求1所述的验证码生成方法，其特征在于，所述将所述立体像素网格模型与包含视角信息的候选轮廓模型进行轮廓数据对比，以获取包含视角信息的中间图像包括：

获取所述立体像素网格模型的轮廓数据；

将所述立体像素网格模型的轮廓数据与多个包含不同视角信息的候选轮廓模型的轮廓数据进行对比，以获取最大比值对应的候选轮廓模型的第一轮廓数据，并确定所述第一轮廓数据对应的候选轮廓模型为所述包含视角信息的中间图像。

5.根据权利要求4所述的验证码生成方法，其特征在于，所述方法还包括：预先生成包含不同视角信息的候选轮廓模型；

所述生成包含不同视角信息的候选轮廓模型包括：

获取预设二维图像对应的原始3D模型；以及

对所述预设二维图像的视角编码进行采样以获取均匀分布的视角编码采样结果；

基于所述视角编码采样结果对所述原始3D模型进行处理以生成包含不同视角信息的候选轮廓模型。

6.根据权利要求1所述的验证码生成方法，其特征在于，所述方法还包括：预先训练所述纹理生成网络模型；

所述训练所述纹理生成网络模型包括：

获取预设二维图像对应的真实纹理编码和真实中间图像；

将所述预设二维图像输入纹理生成器和中间图像生成器以获取对应的生成纹理编码和生成中间图像；

将所述生成中间图像和真实中间图像输入第一判别器以对所述生成中间图像进行鉴别；并利用损失函数对所述纹理生成器和中间图像生成器进行优化；

将所述生成纹理编码和生成中间图像输入图像生成器以获取对应的生成图像，并利用第二判别器对所述生成图像进行鉴别；并利用损失函数对所述图像生成器和第二判别器进行优化；

重复上述步骤训练所述纹理生成器、中间图像生成器、图像生成器和第一判别器、第二判别器，以在所述纹理生成器、中间图像生成器、图像生成器和第一判别器、第二判别器达到预设训练目标时，获取训练后的所述纹理生成网络模型。

7.根据权利要求6所述的验证码生成方法，其特征在于，所述损失函数包括：

其中，为图像生成器的对抗损失函数，为中间图像生成器的对抗损失函数；为图像生成器的循环一致性损失函数，为中间图像生成器的循环一致性损失函数，为纹理生成器的循环一致性损失函数，L_KL为KL损失函数。

8.一种验证码生成装置，其特征在于，包括：

模型构建模块，用于构建预设二维图像对应类型的立体像素网格模型；

中间图像获取模块，用于将所述立体像素网格模型与包含视角信息的候选轮廓模型进行轮廓数据对比，以获取包含视角信息的中间图像；

验证码元素生成模块，用于将所述中间图像和所述预设二维图像的纹理编码输入训练后的纹理生成网络模型以获取目标验证码元素。

9.一种存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1～7中任一项所述的验证码生成方法。

10.一种电子设备，其特征在于，包括：

处理器；以及

存储器，用于存储所述处理器的可执行指令；

其中，所述处理器配置为经由执行所述可执行指令来执行权利要求1～7中任一项所述的验证码生成方法。