CN110399712B - 基于验证码的交互验证方法、装置、介质和计算设备 - Google Patents
基于验证码的交互验证方法、装置、介质和计算设备 Download PDFInfo
- Publication number
- CN110399712B CN110399712B CN201910705201.4A CN201910705201A CN110399712B CN 110399712 B CN110399712 B CN 110399712B CN 201910705201 A CN201910705201 A CN 201910705201A CN 110399712 B CN110399712 B CN 110399712B
- Authority
- CN
- China
- Prior art keywords
- generator
- discriminator
- face image
- verification
- 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.)
- Active
Links
Images
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
- 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)
- Computer Security & Cryptography (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明的实施方式提供了一种基于验证码的交互验证方法,应用于服务器,所述方法包括:响应于接收到验证请求,获取人脸验证码参数;利用人脸图像生成模型处理所述人脸验证码参数,生成人脸图像;利用风格迁移模型处理所述人脸图像,生成风格化人脸图像;将所述风格化人脸图像发送至客户端以便展示;获取针对所述风格化人脸图像的交互操作的位置信息;以及,基于所述交互操作的位置信息,确定所述交互操作是否通过验证。本发明的实施方式还提供了一种基于验证码的交互验证装置、介质和计算设备。
Description
技术领域
本发明的实施方式涉及计算机技术领域,更具体地,本发明的实施方式涉及基于验证码的交互验证方法、装置、介质和计算设备。
背景技术
本部分旨在为权利要求书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。
随着互联网技术的不断发展,互联网给各种行业和用户都带来了极大的便利,各行业通过互联网向用户提供服务,用户通过互联网与各行业进行交互。虽然目前大部分行业对外开放的互联网服务均部署有安全防护策略,然而,随着业务、产品的快速发展,尤其是个人网上业务的迅猛增多,各行业的信息安全防护也面临着越来越严峻的挑战。例如,互联网服务通过设置登录接口与用户进行交互,为防止黑客及其他不法分子入侵系统、暴力破解,在对外开放的互联网网站中会加入验证方式,以防止攻击方非法入侵,带来不必要的损失。
发明内容
在本上下文中,本发明的实施方式期望提供一种基于验证码的交互验证方法和装置。
在本发明实施方式的第一方面中,提供了一种基于验证码的交互验证方法,应用于服务器,该方法包括:响应于接收到验证请求,获取人脸验证码参数;利用人脸图像生成模型处理所述人脸验证码参数,生成人脸图像;利用风格迁移模型处理所述人脸图像,生成风格化人脸图像;将所述风格化人脸图像发送至客户端以便展示;获取针对所述风格化人脸图像的交互操作的位置信息;以及,基于所述交互操作的位置信息,确定所述交互操作是否通过验证。
在本发明的一个实施例中,上述方法还包括:构建第一生成对抗网络,所述第一生成对抗网络包括第一生成器和第一判别器;获取样本人脸验证码参数和样本人脸图像;将所述样本人脸验证码参数输入至所述第一生成器,并将所述第一生成器的输出和所述样本人脸图像输入至所述第一判别器;基于所述第一判别器的判别结果对所述第一生成器和所述第一判别器进行优化,得到第一优化生成器和第一优化判别器;以及,将所述第一优化生成器作为所述人脸图像生成模型。
在本发明的另一实施例中,上述基于所述第一判别器输出的判别结果对所述第一生成器和所述第一判别器进行优化包括:对所述第一生成器和所述第一判别器进行多轮优化,所述第一生成器和所述第一判别器的层数随着优化轮次的增加而递增。其中,在进行第M轮优化时,确定与所述第M轮优化对应的所述第一生成器和所述第一判别器的层数,再基于所述第一判别器的判别结果对所述第一生成器和所述第一判别器的权重进行优化,直至损失函数实现收敛,然后进行第M+1轮优化,其中M为正整数。
在本发明的又一实施例中,上述将所述样本人脸验证码参数输入至所述第一生成器包括:将多个预定批量的样本人脸验证码参数输入至所述第一生成器,所述样本人脸验证码参数与多个空间位置相对应。上述方法还包括:在将每个预定批量的样本人脸验证码参数输入至所述第一生成器时,基于所述预定批量的样本人脸验证码参数,确定所述多个空间位置中的每个空间位置的每个特征的标准差;基于所述每个空间位置的每个特征的标准差,计算平均值;将所述平均值赋值到所述多个空间位置中的每个空间位置,得到常量特征图;以及,将所述常量特征图拼接至所述第一判别器的最后一层。
在本发明的再一实施例中,上述方法还包括:对于所述第一生成器和所述第一判别器中的每一层,对所述每一层的权重进行尺度缩放,并对所述每一层输出的特征图的特征进行归一化处理。
在本发明的再一实施例中,上述方法还包括:构建第二生成对抗网络,所述第二生成对抗网络包括第二生成器和第二判别器,所述第二判别器包括全局判别器和局域判别器;获取样本原始图像和指定图像;将所述样本原始图像和所述指定图像作为所述第二生成器的输入,并将所述第二生成器的输出作为所述第二判别器的输入;基于所述第二判别器的判别结果对所述第二生成器和所述第二判别器进行优化,得到第二优化生成器和第二优化判别器;以及将所述第二优化生成器作为所述风格迁移模型。
在本发明的再一实施例中,上述利用风格迁移模型处理所述人脸图像,生成风格化人脸图像包括:将所述人脸图像和所述指定图像输入至所述风格迁移模型,以便所述风格迁移模型利用所述指定图像的样式重建所述人脸图像,得到所述风格化人脸图像。
在本发明的再一实施例中,上述第二生成器为卷积神经网络。上述方法还包括:在所述第二生成器中加入注意力层,其中,所述注意力层用于从输入的特征图中提取出前景特征和背景特征,并基于所述前景特征和所述背景特征之间的相似度计算所述特征图中每个特征的关注分数并输出;以及基于所述注意力层的输出修正所述第二生成器的输出。
在本发明的再一实施例中,上述方法还包括:在所述将所述风格化人脸图像发送至客户端进行展示之前,将所述风格化人脸图像旋转预定角度。所述将所述风格化人脸图像发送至客户端进行展示包括:将旋转后的所述风格化人脸图像发送至客户端进行展示。
在本发明的再一实施例中,上述方法还包括:确定所述风格化人脸图像中的一个或多个特征点的位置信息;以及基于所述一个或多个特征点的位置信息以及所述预定角度,确定旋转后的所述风格化人脸图像中的所述一个或多个特征点的基准位置信息。所述基于所述交互操作的位置信息,确定所述交互操作是否通过验证包括:将所述交互操作的位置信息和所述基准位置信息进行匹配,如果匹配成功,确定所述交互操作通过验证。
在本发明实施方式的第二方面中,提供了一种基于验证码的交互验证装置,应用于服务器,该装置包括:第一获取模块、第一生成模块、第二生成模块、输出模块、第二获取模块、以及验证模块。第一获取模块用于响应于接收到验证请求,获取人脸验证码参数。第一生成模块用于利用人脸图像生成模型处理所述人脸验证码参数,生成人脸图像;第二生成模块用于利用风格迁移模型处理所述人脸图像,生成风格化人脸图像。输出模块用于将所述风格化人脸图像发送至客户端以便展示。第二获取模块用于获取针对所述风格化人脸图像的交互操作的位置信息。验证模块用于基于所述交互操作的位置信息,确定所述交互操作是否通过验证。
在本发明的一个实施例中,该装置还包括:第一构建模块用于构建第一生成对抗网络,所述第一生成对抗网络包括第一生成器和第一判别器。第三获取模块用于获取样本人脸验证码参数和样本人脸图像,并将所述样本人脸验证码参数输入至所述第一生成器,并将所述第一生成器的输出和所述样本人脸图像输入至所述第一判别器。第一优化模块用于基于所述第一判别器的判别结果对所述第一生成器和所述第一判别器进行优化,得到第一优化生成器和第一优化判别器,并将所述第一优化生成器作为所述人脸图像生成模型。
在本发明的另一实施例中,第一优化模块具体用于对所述第一生成器和所述第一判别器进行多轮优化,所述第一生成器和所述第一判别器的层数随着优化轮次的增加而递增。其中,在进行第M轮优化时,确定与所述第M轮优化对应的所述第一生成器和所述第一判别器的层数,再基于所述第一判别器的判别结果对所述第一生成器和所述第一判别器的权重进行优化,直至损失函数实现收敛,然后进行第M+1轮优化,其中M为正整数。
在本发明的又一实施例中,第三获取模块将所述样本人脸验证码参数输入至所述第一生成器包括:第三获取模块具体用于将多个预定批量的样本人脸验证码参数输入至所述第一生成器,所述样本人脸验证码参数与多个空间位置相对应。
该装置还包括:第一修正模块用于在将每个预定批量的样本人脸验证码参数输入至所述第一生成器时,基于所述预定批量的样本人脸验证码参数,确定所述多个空间位置中的每个空间位置的每个特征的标准差;基于所述每个空间位置的每个特征的标准差,计算平均值;将所述平均值赋值到所述多个空间位置中的每个空间位置,得到常量特征图;以及,将所述常量特征图拼接至所述第一判别器的最后一层。
在本发明的再一实施例中,该装置还包括:第二修正模块用于对于所述第一生成器和所述第一判别器中的每一层,对所述每一层的权重进行尺度缩放,并对所述每一层输出的特征图的特征进行归一化处理。
在本发明的再一实施例中,该装置还包括:第二构建模块用于构建第二生成对抗网络,所述第二生成对抗网络包括第二生成器和第二判别器,所述第二判别器包括全局判别器和局域判别器。第四获取模块用于获取样本原始图像和指定图像,并将所述样本原始图像和所述指定图像作为所述第二生成器的输入,并将所述第二生成器的输出作为所述第二判别器的输入。第二优化模块用于基于所述第二判别器的判别结果对所述第二生成器和所述第二判别器进行优化,得到第二优化生成器和第二优化判别器;并将所述第二优化生成器作为所述风格迁移模型。
在本发明的再一实施例中,第二生成模块具体用于将所述人脸图像和所述指定图像输入至所述风格迁移模型,以便所述风格迁移模型利用所述指定图像的样式重建所述人脸图像,得到所述风格化人脸图像。
在本发明的再一实施例中,第二生成器为卷积神经网络。该装置还包括:第三修正模块用于在所述第二生成器中加入注意力层。其中,所述注意力层用于从输入的特征图中提取出前景特征和背景特征,并基于所述前景特征和所述背景特征之间的相似度计算所述特征图中每个特征的关注分数并输出;以及基于所述注意力层的输出修正所述第二生成器的输出。
在本发明的再一实施例中,该装置还包括:旋转模块用于在所述将所述风格化人脸图像发送至客户端进行展示之前,将所述风格化人脸图像旋转预定角度。输出模块具体用于将旋转后的所述风格化人脸图像发送至客户端进行展示。
在本发明的再一实施例中,该装置还包括:位置确定模块用于确定所述风格化人脸图像中的一个或多个特征点的位置信息,并基于所述一个或多个特征点的位置信息以及所述预定角度,确定旋转后的所述风格化人脸图像中的所述一个或多个特征点的基准位置信息。验证模块具体用于将所述交互操作的位置信息和所述基准位置信息进行匹配,如果匹配成功,确定所述交互操作通过验证。
在本发明实施方式的第三方面中,提供了一种介质,存储有计算机可执行指令,指令在被处理器执行时用于实现:上述实施例中任一项所述的安全网关的攻击防御方法。
在本发明实施方式的第四方面中,提供了一种计算设备,包括:存储器、处理器及存储在存储器上并可在处理器上运行的可执行指令,处理器执行指令时实现:上述实施例中任一项所述的安全网关的攻击防御方法。
根据本发明实施方式的基于验证码的交互验证方法和装置,当需要验证在客户端进行操作的操作方是否为真实用户时,获取人脸验证码参数。先利用人脸图像生成模型处理该人脸验证码参数以生成人脸图像,再利用风格迁移模型处理该人脸图像以生成风格化人脸图像。将该风格化人脸图像作为人脸验证码发送至客户端进行展示。客户端在展示该风格化人脸图像时,引导当前操作方针对该风格化人脸图像中的一个或多个特征点执行交互操作。再根据该交互操作的位置信息来确定当前操作方对于该风格化人脸图像的识别情况,进而确定当前操作方是否为真实用户,即是否通过验证。本方案基于人脸图像生成模型和风格迁移模型能够准确有效地生成对于真实用户识别难度低但对于机器识别难度高的人脸验证码,提高基于人脸验证码进行交互验证的安全性。
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基于验证码的交互验证方法及其装置的应用场景
图2示意性地示出了根据本发明一个实施例的基于验证码的交互验证方法的流程图
图3A示意性地示出了根据本发明一个实施例的人脸图像生成模型的训练过程的示例示意图
图3B示意性地示出了根据本发明一个实施例的风格迁移模型的训练过程的示例示意图
图3C示意性地示出了根据本发明一个实施例的风格迁移模型的训练过程的示例示意图
图3D示意性地示出了根据本发明一个实施例的基于验证码的交互验证过程的示例示意图
图4示意性地示出了根据本发明一个实施例的基于验证码的交互验证装置的框图
图5示意性地示出了根据本发明另一个实施例的基于验证码的交互验证装置的框图;
图6示意性地示出了根据本发明实施方式的计算机可读存储介质产品的示意图;以及
图7示意性地示出了根据本发明实施方式的计算设备的框图。
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,提出了一种基于验证码的交互验证方法、装置、介质和计算设备。
在本文中,需要理解的是,所涉及的术语包括:风格迁移模型、生成对抗网络(Generative Adversarial Network,GAN)、人脸特征点定位等。其中,风格迁移模型在对一个图像进行处理时,能够利用深度学习技术,在保留图像语义信息和图像中目标边缘轮廓的前提下,对图像赋予特定的风格化。生成对抗网络在结构上受博弈论中的二人零和博弈的启发,由一个生成器和一个判别器构成,通过让生成器和判别器进行博弈的方式进行学习,目标是达到纳什均衡(Nash Equilibrium)。人脸特征点定位是用于定位出人脸中关键点的位置的技术,通常可以使用5点特征点定位,包括:左眼中心、右眼中心、鼻尖、左嘴角、右嘴角。此外,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,详细阐释本发明的原理和精神。
发明概述
针对现有的基于验证码进行交互验证的安全性较低的问题,本发明实施例提供了一种基于验证码的交互验证方法和装置。该方法包括第一获取过程、第一生成过程、第二生成过程、输出过程、第二获取过程、以及验证过程。在第一获取过程,响应于接收到验证请求,获取人脸验证码参数。然后进行第一生成过程和第二生成过程,利用人脸图像生成模型处理该人脸验证码参数,生成人脸图像,然后利用风格迁移模型处理该人脸图像,生成风格化人脸图像以进行输出过程。在输出过程,将该风格化人脸图像发送至客户端以便展示,通过客户端引导操作方针对该风格化人脸图像进行交互操作,以实现第二获取过程,即获取针对该风格化人脸图像的交互操作的位置信息。进而基于该交互操作的位置信息,以确定上述交互操作是否通过验证。
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。
应用场景总览
首先参考图1详细阐述本发明实施例的基于验证码的交互验证方法及其装置的应用场景。
图1示意性地示出了根据本发明实施方式的基于验证码的交互验证方法及其装置的应用场景,在图1所示的应用场景中,可以包括终端设备101、102、103,网络104和服务器105。
网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种客户端应用,例如工具类应用、社交类应用、购物类应用、网页浏览器应用、搜索类应用等(仅为示例)。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对用户利用终端设备101、102、103所浏览的网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理,并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。
需要说明的是,本公开实施例所提供的基于验证码的交互验证方法一般可以由服务器105执行。相应地,本公开实施例所提供的基于验证码的交互验证装置一般可以设置于服务器105中。本公开实施例所提供的基于验证码的交互验证方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地,本公开实施例所提供的基于验证码的交互验证装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实际需要,可以具有任意数目的终端设备、网络和服务器。
示例性方法
下面结合图1的应用场景,参考图2~图3D来描述根据本发明示例性实施方式的基于验证码的交互验证方法。需要注意的是,上述应用场景仅是为了便于理解本发明的精神和原理而示出,本发明的实施方式在此方面不受任何限制。相反,本发明的实施方式可以应用于适用的任何场景。
图2示意性地示出了根据本发明一个实施例的基于验证码的交互验证方法的流程图。
如图2所示,该方法应用于服务器,可以包括如下操作S201~S206。
操作S201,响应于接收到验证请求,获取人脸验证码参数。
本操作S201中,验证请求来自于客户端。例如客户端响应于登录、注册、访问等操作时,为验证当前进行操作的操作方是否为真实用户,故向服务器发送验证请求。服务器响应于该验证请求,从本地或第三方设备获取人脸验证码参数,该人脸验证码参数用于生成人脸验证码,以供后续客户端展示该人脸验证码。并通过针对该人脸验证码的识别情况来判定当前在客户端进行操作的操作方是机器、或是真实用户。
操作S202,利用人脸图像生成模型处理该人脸验证码参数,生成人脸图像。
其中,人脸图像生成模型在对人脸验证码参数进行处理时,能够利用深度学习技术,生成人脸图像,该人脸图像是基于人脸验证码参数计算合成的,而非真实人脸图像。
操作S203,利用风格迁移模型处理该人脸图像,生成风格化人脸图像。
其中,风格迁移模型在对一个图像进行处理时,能够利用深度学习技术,在保留图像语义信息和图像中目标边缘轮廓的前提下,对图像赋予特定的风格化。具体到对人脸图像进行处理时,风格迁移模型的处理使得人脸图像具备了特定的风格(如样式、纹理、颜色等),且未破坏人脸图像中人脸本身的边缘和结构。本操作S203生成的风格化人脸图像作为人脸验证码,增加了机器识别的难度,且不影响真实用户的验证码识别交互。
操作S204,将该风格化人脸图像发送至客户端以便展示。
操作S205,获取针对该风格化人脸图像的交互操作的位置信息。
其中,针对该风格化人脸图像的交互操作的位置信息能够反映出进行交互操作的操作方针对上述风格化人脸图像的识别情况。例如,操作方针对上述风格化人脸图像的识别过程为人脸检测过程,判断客户端展示的图像中是否存在人脸并对人脸的特征点进行点击触发,进而客户端获得相应的位置信息并返回至服务器进行验证。
操作S206,基于该交互操作的位置信息,确定该交互操作是否通过验证。
其中,当该交互操作的位置信息表明当前验证的操作方能够识别上述风格化人脸图像中人脸的一个或多个特征点时,确定该交互操作通过验证,确认该操作方为真实用户。反之,当该交互操作的位置信息表明当前验证的操作方不能识别上述风格化人脸图像中人脸的一个或多个特征点时,确定该交互操作未通过验证,确认该操作方是机器。
本领域技术人员可以理解,图2所示的方法当需要验证在客户端进行操作的操作方是否为真实用户时,获取人脸验证码参数。先利用人脸图像生成模型处理该人脸验证码参数以生成人脸图像,再利用风格迁移模型处理该人脸图像以生成风格化人脸图像。将该风格化人脸图像作为人脸验证码发送至客户端进行展示。客户端在展示该风格化人脸图像时,引导当前操作方针对该风格化人脸图像中的一个或多个特征点执行交互操作。再根据该交互操作的位置信息来确定当前操作方对于该风格化人脸图像的识别情况,进而确定当前操作方是否为真实用户,即是否通过验证。本方案基于人脸图像生成模型和风格迁移模型能够准确有效地生成对于真实用户识别难度低但对于机器识别难度高的人脸验证码,提高基于人脸验证码进行交互验证的安全性。
在本公开的一个实施例中,在上述利用人脸图像生成模型处理该人脸验证码参数之前,需要预先训练得到人脸图像生成模型。人脸图像生成模型的训练过程可以按照如下方式进行:首先,构建第一生成对抗网络,第一生成对抗网络包括第一生成器和第一判别器。然后,获取样本人脸验证码参数和样本人脸图像。接着,将样本人脸验证码参数输入至第一生成器,并将第一生成器的输出和样本人脸图像输入至第一判别器。基于第一判别器的判别结果对第一生成器和第一判别器进行迭代优化,直至损失函数达到收敛,得到第一优化生成器和第一优化判别器。至此训练过程完成,将得到的第一优化生成器作为人脸图像生成模型。
依据本实施例的技术方案.人脸图像生成模型是基于生成对抗网络(GAN)训练得到的,生成对抗网络在结构上受博弈论中的二人零和博弈的启发,由一个生成器和一个判别器构成。生成器捕捉真实数据样本的潜在分布,并生成新的数据样本。判别器判别输入是真实数据还是生成的数据样本。生成对抗网络通过让生成器和判别器进行博弈的方式进行学习,目标是达到纳什均衡。
在本公开的一个实施例中,可以通过如下实施例一、实施例二、以及实施例三中的至少一个对上述人脸图像生成模型的训练过程进行优化。
实施例一
为尽量提高人脸图像生成模型输出的人脸图像的分辨率,可采用逐步增长的方式进行上述人脸图像生成模型的训练过程。示例性地,上述基于第一判别器输出的判别结果对第一生成器和第一判别器进行优化的过程可以包括:对第一生成器和第一判别器进行多轮优化,第一生成器和第一判别器的层数随着优化轮次的增加而递增。其中,在进行第M(M为正整数)轮优化时,确定与第M轮优化对应的第一生成器和第一判别器的层数,再基于第一判别器的判别结果对第一生成器和第一判别器的权重进行优化,直至损失函数实现收敛,然后进行第M+1轮优化。
图3A示意性地示出了根据本发明一个实施例的人脸图像生成模型的训练过程的示例示意图。在图3A所示的例子中,在进行第一轮优化时,第一生成器的层数为1,可以生成分辨率为4×4的特征图(feature map),第一判别器的层数同样为1,用于判别分辨率为4×4的特征图是否为真实样本。对该第一生成器和第一判别器的权重进行迭代优化,直至损失函数实现收敛,然后进行第2轮优化。在进行第二轮优化时,第一生成器的层数为增加为2,可以生成分辨率为8×8的特征图,第一判别器的层数同样增加为2,用于判别分辨率为8×8的特征图是否为真实样本。对该第一生成器和第一判别器的权重进行迭代优化,直至损失函数实现收敛,然后进行第3轮优化。以此类推,在进行最后一轮优化时,第一生成器的层数为增加为n(n为大于2的正整数),可以生成分辨率为1024×1024的特征图,第一判别器的层数同样增加为n,用于判别分辨率为1024×1024的特征图是否为真实样本。对该第一生成器和第一判别器的权重进行迭代优化,直至损失函数实现收敛,得到上文所述的第一优化生成器和第一优化判别器,完成训练过程。该过程从4×4的低分辨率图像开始,随着训练的进行,逐步增加第一生成器和第一判别器的层数,进而提高生成图片的分辨率。最终得到的第一优化生成器(即人脸图像生成模型)可以生成1024×1024的高清人脸图像,该人脸图像生成模型可以被看作是逐层训练的自编码器。
上述训练过程的核心思想在于从生成低分辨率图像开始训练,随着训练的进行,逐步增加第一生成器和第一判别器的层数,从而逐步提高生成图像的分辨率。依据本实施例的技术方案,可以提高训练速度并使得训练更加稳定。这种增量训练方式使模型首先学习到图像分布的大尺度结构,之后随着层数的增加,模型会将注意力聚焦在增加的图像细节等小尺度信息上而不是如相关技术一般同时学习所有不同尺度的图像分布信息。
实施例二
为了避免第一生成器仅对部分区域进行学习,导致生成的图像之间的差异较小。可以在上述第一生成对抗网络中加入一个常量特征图,以使得模型学习过程中能够考虑到样本图像中的所有区域。示例性地,上述将所述样本人脸验证码参数输入至第一生成器可以包括:将多个预定批量的样本人脸验证码参数输入至第一生成器,样本人脸验证码参数与多个空间位置相对应。进一步地,根据本公开实施例的基于验证码的交互验证方法在将每个预定批量的样本人脸验证码参数输入至第一生成器时,基于预定批量的样本人脸验证码参数,确定多个空间位置中的每个空间位置的每个特征的标准差。然后基于每个空间位置的每个特征的标准差,计算平均值,并将该平均值赋值到多个空间位置中的每个空间位置,得到一个常量特征图。可以理解,该常量特征图中的每个位置均包含所有空间位置的特征,将该常量特征图加入第一生成对抗网络中,以使得模型学习过程能够考虑到所有区域的特征。
由于生成对抗网络倾向于只对训练数据的一部分差异来建模。为了提高生成图像之间的差异性,本实施例在训练人脸图像生成模型时先计算每个预定批量(如小批量(minibatch))中每个空间位置的每个特征的标准差,然后对这些标准差求平均得到一个平均值。将该平均值在空间上进行复制,以得到上述常量特征图。由于第一判别器的输出与损失函数直接关联,例如可以将该常量特征图拼接至第一判别器的最后一层,以实现对损失函数的较大程度的影响。
实施例三
生成对抗网络由于第一生成器和第一判别器之间的梯度竞争,很容易产生梯度幅度的扩大,产生如容易发生发散、难以收敛、不稳定等问题。为此,可以对第一生成器和第二生成器进行规范化处理。示例性地,根据本公开实施例的基于验证码的交互验证方法可以对于第一生成器和第一判别器中的每一层,对每一层的权重进行尺度缩放,并对每一层输出的特征图的特征进行归一化处理。
例如,人脸图像生成模型的训练过程中,一方面对于第i层网络的权重wi进行如公式(1)的尺度缩放:
其中ci是与第i层网络对应的规范化参数,计算方式例如可以如公式(2)所示:
其中ni表示第i层网络的输入通道数。
另一方面,对于第一生成器可以使用像素特征向量的归一化来稳定训练,可看做是一种局部响应归一化的变体,具体归一化方式请参见公式(3):
其中,ε=10-8,N是ax,y和bx,y的特征图数目,ax,y和bx,y分别表示表示在特征图中的像素点(x,y)位置的原始特征向量和归一化后的特征向量。本实施例通过像素级别的归一化和权重的尺度缩放可以解决梯度幅度上升的问题,从而稳定人脸图像生成模型的训练过程。
上述人脸图像生成模型所生成的人脸图像,有可能会被人脸检测器所识别。为避免恶意操作方利用人脸检测器进行交互验证,本方案对生成的人脸图像进行风格化,以提高人脸验证码的安全性。在本公开的一个实施例中,在上述利用风格迁移模型处理该人脸图像,生成风格化人脸图像之前,需要预先训练得到风格迁移模型。风格迁移模型的训练过程可以按照如下方式进行:首先,构建第二生成对抗网络,第二生成对抗网络包括第二生成器和第二判别器,第二判别器包括全局判别器和局域判别器。然后,获取样本原始图像和指定图像。将样本原始图像和指定图像作为第二生成器的输入,并将第二生成器的输出作为第二判别器的输入。接着基于第二判别器的判别结果对第二生成器和第二判别器进行迭代优化,直至损失函数达到收敛,得到第二优化生成器和第二优化判别器。至此训练过程完成,将得到的第二优化生成器作为风格迁移模型。
依据本实施例的技术方案,风格迁移模型也是基于生成对抗网络训练得到的,符合上文中所提到的生成对抗网络的特点。需要说明的是,第一生成对抗网络和第二生成对抗网络是相互独立的两个生成对抗网络,二者的训练过程不相互影响。
图3B示意性地示出了根据本发明一个实施例的风格迁移模型的训练过程的示例示意图。在图3B所示的例子中,第二生成器为卷积神经网络。第二生成器包括概况生成网络和细节生成网络。第二判别器包括全局判别器和区域判别器。将样本原始图像和指定图像输入至第二生成器的输入层,将第二生成器的输出分别输入至全局判别器和区域判别器的输入层。基于全局判别器和区域判别器的输出确定损失函数,迭代优化第二生成器和第二判别器的权重,以使损失函数实现收敛,从而得到风格迁移模型。
在此基础上,上述利用风格迁移模型处理人脸图像,生成风格化人脸图像的过程可以是:将人脸图像和指定图像输入至风格迁移模型,以便风格迁移模型利用指定图像的样式重建人脸图像,得到风格化人脸图像。
进一步地,在第二生成器为卷积神经网络时,由于神经网络逐层通过局部卷积核来处理图像特征,一些情况下很难有效利用较远空间区域的特征,导致学习得到的模型对于较远空间区域的特征不敏锐。因此可以通过引入注意力机制来改善上述情况,示例性地,根据本公开实施例的基于验证码的交互验证方法还可以包括:在第二生成器中加入注意力层。其中,注意力层用于从输入的特征图中提取出前景特征和背景特征,并基于前景特征和所述背景特征之间的相似度计算特征图中每个特征的关注分数并输出。在此基础上,可以基于注意力层的输出修正所述第二生成器的输出。
例如,可以在第二生成对抗网络中引入上下文注意力(Contextual Attention)层,该层可以学习到如何利用背景中的已知信息来生成缺失的图像区域,它是全卷积可导的。因此允许任意尺寸的输入,且能够利用到较远空间区域的特征。可以将该上下文注意力层放入图3B所示的第二生成器中,例如可以将该上下文注意力层放入该第二生成器的细节生成网络部分,最终优化得到的风格迁移模型可以如图3C所示。
图3C示意性地示出了根据本发明一个实施例的风格迁移模型的训练过程的示例示意图。在图3C所示的例子中,风格迁移模型可以包括两路并联的解码器,上面一路是注意力层,下面一路是空洞卷积(Dilated Convolution)。将人脸图像和指定图像输入至风格迁移模型,以便风格迁移模型利用指定图像的样式重建人脸图像,拼接得到风格化人脸图像。此外还可以展示由于加入注意力机制而导致的热度图。
经过上述的风格化处理,在一定程度上提高了人脸验证码的破解难度。为进一步加大破解难度,进一步地,根据本公开实施例的基于验证码的交互验证方法还可以对风格化人脸图像进行旋转操作。示例性地,在将所述风格化人脸图像发送至客户端进行展示之前,将风格化人脸图像旋转预定角度。然后再将旋转后的风格化人脸图像发送至客户端进行展示。
图3D示意性地示出了根据本发明一个实施例的基于验证码的交互验证过程的示例示意图。在图3D所示的例子中,获取人脸验证码参数,该人脸验证码参数为512维特征向量。利用人脸图像生成模型对该人脸验证码参数进行处理,得到高清假人脸图像301。接着利用风格迁移模型对该人脸图像301和指定图像302进行处理,将指定图像的素描风格迁移至人脸图像,得到风格化人脸图像303。对该风格化人脸图像303进行旋转,得到人脸验证码304。将该人脸验证码304发送至客户端进行展示。
在此基础上,上述获取针对人脸验证码的交互操作的位置信息可以是:获取当前操作方针对该人脸验证码中的一个或多个特征点的触发位置的位置信息。上述基于交互操作的位置信息,确定交互操作是否通过验证包括:将交互操作的位置信息和基准位置信息进行匹配,如果匹配成功,表明客户端的当前操作方能够准确地识别旋转后的风格化人脸图像中的一个或多个特征点,确定该交互操作通过验证,确认当前操作方是真实用户。其中,基准位置信息需要预先确定,可以包括:基于人脸特征点定位技术,确定风格化人脸图像中的一个或多个特征点的位置信息。然后,基于所述一个或多个特征点的位置信息以及所旋转的预定角度,确定旋转后的风格化人脸图像中的上述一个或多个特征点的基准位置信息。
例如旋转角度为α,风格化人脸图像中的特征点的坐标(si,ti)经过旋转α后变为坐标(rsi,rti):
rsi=centerS+si×cosα-ti×sinα
rti=centerT+si×sinα+ti×cosα (4)
其中,centerS和CenterT是风格化人脸图像的中心坐标。
本例中,将坐标(rsi,rti)作为该特征点的基准位置信息,计算客户端所获取的针对该特征点的交互操作的位置信息与该基准位置信息之间的匹配度,例如计算二者之间的距离。如果该距离大于预设阈值,确定二者不匹配,如果该距离小于等于预设阈值,确定二者匹配。
对风格化人脸图像进行旋转以提高其识别难度的理论依据在于神经网络对于旋转不具有不变性,当恶意操作方通过人脸检测器进行检测时,该人脸检测器无法检测旋转人脸。
示例性装置
在介绍了本发明示例性实施方式的方法之后,接下来,参考图4~图5对本发明示例性实施方式的基于验证码的交互验证装置进行详细阐述。
图4示意性地示出了根据本发明一个实施例的基于验证码的交互验证装置的框图。
如图4所示,该基于验证码的交互验证装置400应用于服务器,可以包括:第一获取模块401、第一生成模块402、第二生成模块403、输出模块404、第二获取模块405、以及验证模块406。
第一获取模块401用于响应于接收到验证请求,获取人脸验证码参数。
第一生成模块402用于利用人脸图像生成模型处理所述人脸验证码参数,生成人脸图像。
第二生成模块403用于利用风格迁移模型处理所述人脸图像,生成风格化人脸图像。
输出模块404用于将所述风格化人脸图像发送至客户端以便展示。
第二获取模块405用于获取针对所述风格化人脸图像的交互操作的位置信息。
验证模块406用于基于所述交互操作的位置信息,确定所述交互操作是否通过验证。
图5示意性地示出了根据本发明另一个实施例的基于验证码的交互验证装置的框图。
如图5所示,该基于验证码的交互验证装置500包括:第一获取模块501、第一生成模块502、第二生成模块503、输出模块504、第二获取模块505、以及验证模块506。其中,第一获取模块501、第一生成模块502、第二生成模块503、输出模块504、第二获取模块505、以及验证模块506分别具有与第一获取模块401、第一生成模块402、第二生成模块403、输出模块404、第二获取模块405、以及验证模块406对应相同的功能,重复的部分不再赘述。
在本发明的一个实施例中,该装置还包括:第一构建模块507用于构建第一生成对抗网络,所述第一生成对抗网络包括第一生成器和第一判别器。第三获取模块508用于获取样本人脸验证码参数和样本人脸图像,并将所述样本人脸验证码参数输入至所述第一生成器,并将所述第一生成器的输出和所述样本人脸图像输入至所述第一判别器。第一优化模块509用于基于所述第一判别器的判别结果对所述第一生成器和所述第一判别器进行优化,得到第一优化生成器和第一优化判别器,并将所述第一优化生成器作为所述人脸图像生成模型。
在本发明的另一实施例中,第一优化模块509具体用于对所述第一生成器和所述第一判别器进行多轮优化,所述第一生成器和所述第一判别器的层数随着优化轮次的增加而递增。其中,在进行第M轮优化时,确定与所述第M轮优化对应的所述第一生成器和所述第一判别器的层数,再基于所述第一判别器的判别结果对所述第一生成器和所述第一判别器的权重进行优化,直至损失函数实现收敛,然后进行第M+1轮优化,其中M为正整数。
在本发明的又一实施例中,第三获取模块508将所述样本人脸验证码参数输入至所述第一生成器包括:第三获取模块具体用于将多个预定批量的样本人脸验证码参数输入至所述第一生成器,所述样本人脸验证码参数与多个空间位置相对应。
该装置还包括第一修正模块510,用于在将每个预定批量的样本人脸验证码参数输入至所述第一生成器时,基于所述预定批量的样本人脸验证码参数,确定所述多个空间位置中的每个空间位置的每个特征的标准差;基于所述每个空间位置的每个特征的标准差,计算平均值;将所述平均值赋值到所述多个空间位置中的每个空间位置,得到常量特征图;以及,将所述常量特征图拼接至所述第一判别器的最后一层。
在本发明的再一实施例中,该装置还包括第二修正模块511,用于对于所述第一生成器和所述第一判别器中的每一层,对所述每一层的权重进行尺度缩放,并对所述每一层输出的特征图的特征进行归一化处理。
在本发明的再一实施例中,该装置还包括:第二构建模块512用于构建第二生成对抗网络,所述第二生成对抗网络包括第二生成器和第二判别器,所述第二判别器包括全局判别器和局域判别器。第四获取模块513用于获取样本原始图像和指定图像,并将所述样本原始图像和所述指定图像作为所述第二生成器的输入,并将所述第二生成器的输出作为所述第二判别器的输入。第二优化模块514用于基于所述第二判别器的判别结果对所述第二生成器和所述第二判别器进行优化,得到第二优化生成器和第二优化判别器;并将所述第二优化生成器作为所述风格迁移模型。
在本发明的再一实施例中,第二生成模块503具体用于将所述人脸图像和所述指定图像输入至所述风格迁移模型,以便所述风格迁移模型利用所述指定图像的样式重建所述人脸图像,得到所述风格化人脸图像。
在本发明的再一实施例中,第二生成器为卷积神经网络。该装置还包括第三修正模块515,用于在所述第二生成器中加入注意力层。其中,所述注意力层用于从输入的特征图中提取出前景特征和背景特征,并基于所述前景特征和所述背景特征之间的相似度计算所述特征图中每个特征的关注分数并输出;以及基于所述注意力层的输出修正所述第二生成器的输出。
在本发明的再一实施例中,该装置还包括旋转模块516,用于在所述将所述风格化人脸图像发送至客户端进行展示之前,将所述风格化人脸图像旋转预定角度。输出模块504具体用于将旋转后的所述风格化人脸图像发送至客户端进行展示。
在本发明的再一实施例中,该装置还包括位置确定模块517,用于确定所述风格化人脸图像中的一个或多个特征点的位置信息,并基于所述一个或多个特征点的位置信息以及所述预定角度,确定旋转后的所述风格化人脸图像中的所述一个或多个特征点的基准位置信息。验证模块506具体用于将所述交互操作的位置信息和所述基准位置信息进行匹配,如果匹配成功,确定所述交互操作通过验证。
需要说明的是,装置部分实施例中各模块/单元/子单元等的实施方式、解决的技术问题、实现的功能、以及达到的技术效果分别与方法部分实施例中各对应的步骤的实施方式、解决的技术问题、实现的功能、以及达到的技术效果相同或类似,在此不再赘述。
示例性介质
在介绍了本发明示例性实施方式的方法和装置之后,接下来,对本发明示例性实施方式的、用于实现基于验证码的交互验证方法的介质进行介绍。
本发明实施例提供了一种介质,存储有计算机可执行指令,上述指令在被处理器执行时用于实现上述方法实施例中任一项所述的基于验证码的交互验证方法。
在一些可能的实施方式中,本发明的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当所述程序产品在计算设备上运行时,所述程序代码用于使所述计算设备执行本说明书上述“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基于验证码的交互验证方法中的操作步骤。
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是——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。
图6示意性地示出了根据本发明实施方式的计算机可读存储介质产品的示意图,如图6所示,描述了根据本发明的实施方式的用于实现基于验证码的交互验证方法的程序产品60,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,并可以在计算设备,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。
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—一无线、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、部分地在用户设备上执行、作为一个独立的软件包执行、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)一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)。
示例性计算设备
在介绍了本发明示例性实施方式的方法、介质和装置之后,接下来,介绍根据本发明的另一示例性实施方式的用于实现基于验证码的交互验证方法的计算设备。
本发明实施例还提供了一种计算设备,包括:存储器、处理器及存储在存储器上并可在处理器上运行的可执行指令,所述处理器执行所述指令时实现上述方法实施例中任一项所述的基于验证码的交互验证方法。
所属技术领域的技术人员能够理解,本发明的各个方面可以实现为系统、方法或程序产品。因此,本发明的各个方面可以具体实现为以下形式,即:完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等),或硬件和软件方面结合的实施方式,这里可以统称为“电路”、“模块”或“系统”。
在一些可能的实施方式中,根据本发明的用于实现基于验证码的交互验证方法的计算设备可以至少包括至少一个处理单元、以及至少一个存储单元。其中,所述存储单元存储有程序代码,当所述程序代码被所述处理单元执行时,使得所述处理单元执行本说明书上述“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基于验证码的交互验证方法中的操作步骤。
下面参照图7来描述根据本发明的这种实施方式的用于实现基于验证码的交互验证方法的计算设备70。如图7所示的计算设备70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7所示,计算设备70以通用计算设备的形式表现。计算设备70的组件可以包括但不限于:上述至少一个处理单元701、上述至少一个存储单元702、连接不同系统组件(包括存储单元702和处理单元701)的总线703。
总线703表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器、外围总线、图形加速端口、处理器或者使用多种总线结构中的任意总线结构的局域总线。
存储单元702可以包括易失性存储器形式的可读介质,例如随机存取存储器(RAM)7021和/或高速缓存存储器7022,还可以进一步包括只读存储器(ROM)7023。
存储单元702还可以包括具有一组(至少一个)程序模块7024的程序/实用工具7025,这样的程序模块7024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。
计算设备70也可以与一个或多个外部设备704(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与计算设备70交互的设备通信,和/或与使得计算设备70能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/0)接口705进行。并且,计算设备70还可以通过网络适配器706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706通过总线703与计算设备70的其它模块通信。应当明白,尽管图中未示出,可以结合计算设备70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基于验证码的交互验证装置的若干单元/模块或子单元/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 (12)
1.一种基于验证码的交互验证方法,应用于服务器,所述方法包括:
响应于接收到验证请求,获取人脸验证码参数;
利用人脸图像生成模型处理所述人脸验证码参数,生成非真实人脸图像;
利用风格迁移模型处理所述人脸图像,生成风格化人脸图像;
将所述风格化人脸图像发送至客户端以便展示;
获取针对所述风格化人脸图像的交互操作的位置信息;以及
基于所述交互操作的位置信息,确定所述交互操作是否通过验证;
所述方法还包括:
获取样本人脸验证码参数和样本人脸图像;
将多个预定批量的样本人脸验证码参数输入至第一生成对抗网络中的第一生成器,所述样本人脸验证码参数与多个空间位置相对应,并将所述第一生成器的输出和所述样本人脸图像输入至所述第一生成对抗网络中的第一判别器;
基于所述第一判别器的判别结果对所述第一生成器和所述第一判别器进行优化,得到第一优化生成器和第一优化判别器;
将所述第一优化生成器作为所述人脸图像生成模型;
获取样本原始图像和指定图像;
将所述样本原始图像和所述指定图像作为第二生成对抗网络中的第二生成器的输入,并将所述第二生成器的输出作为所述第二生成对抗网络中的第二判别器的输入,第二生成器包括概况生成网络和细节生成网络,所述第二判别器包括全局判别器和局域判别器;
基于所述第二判别器的判别结果对所述第二生成器和所述第二判别器进行优化,得到第二优化生成器和第二优化判别器;以及
将所述第二优化生成器作为所述风格迁移模型;
其中,所述方法还包括:
在将每个预定批量的样本人脸验证码参数输入至所述第一生成器时,基于所述预定批量的样本人脸验证码参数,确定所述多个空间位置中的每个空间位置的每个特征的标准差;
基于所述每个空间位置的每个特征的标准差,计算平均值;
将所述平均值赋值到所述多个空间位置中的每个空间位置,得到常量特征图;以及
将所述常量特征图拼接至所述第一判别器的最后一层。
2.根据权利要求1所述的方法,还包括:
构建第一生成对抗网络,所述第一生成对抗网络包括第一生成器和第一判别器。
3.根据权利要求1所述的方法,其中,所述基于所述第一判别器输出的判别结果对所述第一生成器和所述第一判别器进行优化包括:
对所述第一生成器和所述第一判别器进行多轮优化,所述第一生成器和所述第一判别器的层数随着优化轮次的增加而递增,
其中,在进行第M轮优化时,确定与所述第M轮优化对应的所述第一生成器和所述第一判别器的层数,再基于所述第一判别器的判别结果对所述第一生成器和所述第一判别器的权重进行优化,直至损失函数实现收敛,然后进行第M+1轮优化,其中M为正整数。
4.根据权利要求1所述的方法,还包括:
对于所述第一生成器和所述第一判别器中的每一层,对所述每一层的权重进行尺度缩放,并对所述每一层输出的特征图的特征进行归一化处理。
5.根据权利要求1所述的方法,还包括:
构建第二生成对抗网络,所述第二生成对抗网络包括第二生成器和第二判别器。
6.根据权利要求1所述的方法,其中,所述利用风格迁移模型处理所述人脸图像,生成风格化人脸图像包括:
将所述人脸图像和所述指定图像输入至所述风格迁移模型,以便所述风格迁移模型利用所述指定图像的样式重建所述人脸图像,得到所述风格化人脸图像。
7.根据权利要求1所述的方法,其中,所述第二生成器为卷积神经网络;
所述方法还包括:
在所述第二生成器中加入注意力层,其中,所述注意力层用于从输入的特征图中提取出前景特征和背景特征,并基于所述前景特征和所述背景特征之间的相似度计算所述特征图中每个特征的关注分数并输出;以及
基于所述注意力层的输出修正所述第二生成器的输出。
8.根据权利要求1所述的方法,还包括:在所述将所述风格化人脸图像发送至客户端进行展示之前,将所述风格化人脸图像旋转预定角度;
所述将所述风格化人脸图像发送至客户端进行展示包括:将旋转后的所述风格化人脸图像发送至客户端进行展示。
9.根据权利要求8所述的方法,其中,
所述方法还包括:
确定所述风格化人脸图像中的一个或多个特征点的位置信息;以及
基于所述一个或多个特征点的位置信息以及所述预定角度,确定旋转后的所述风格化人脸图像中的所述一个或多个特征点的基准位置信息;
所述基于所述交互操作的位置信息,确定所述交互操作是否通过验证包括:将所述交互操作的位置信息和所述基准位置信息进行匹配,如果匹配成功,确定所述交互操作通过验证。
10.一种基于验证码的交互验证装置,应用于服务器,所述装置包括:
第一获取模块,用于响应于接收到验证请求,获取人脸验证码参数;
第一生成模块,用于利用人脸图像生成模型处理所述人脸验证码参数,生成非真实人脸图像;
第二生成模块,用于利用风格迁移模型处理所述人脸图像,生成风格化人脸图像;
输出模块,用于将所述风格化人脸图像发送至客户端以便展示;
第二获取模块,用于获取针对所述风格化人脸图像的交互操作的位置信息;以及
验证模块,用于基于所述交互操作的位置信息,确定所述交互操作是否通过验证;
第三获取模块用于获取样本人脸验证码参数和样本人脸图像,并将多个预定批量的样本人脸验证码参数输入至第一生成对抗网络中的第一生成器,所述样本人脸验证码参数与多个空间位置相对应,并将所述第一生成器的输出和所述样本人脸图像输入至所述第一生成对抗网络中的第一判别器;
第一优化模块用于基于所述第一判别器的判别结果对所述第一生成器和所述第一判别器进行优化,得到第一优化生成器和第一优化判别器,并将所述第一优化生成器作为所述人脸图像生成模型;
第四获取模块用于获取样本原始图像和指定图像,并将所述样本原始图像和所述指定图像作为第二生成对抗网络中的第二生成器的输入,并将所述第二生成器的输出作为所述第二生成对抗网络中的第二判别器的输入,第二生成器包括概况生成网络和细节生成网络,所述第二判别器包括全局判别器和局域判别器;
第二优化模块用于基于所述第二判别器的判别结果对所述第二生成器和所述第二判别器进行优化,得到第二优化生成器和第二优化判别器;并将所述第二优化生成器作为所述风格迁移模型;
其中,所述装置还包括第一修正模块,用于在将每个预定批量的样本人脸验证码参数输入至所述第一生成器时,基于所述预定批量的样本人脸验证码参数,确定所述多个空间位置中的每个空间位置的每个特征的标准差;基于所述每个空间位置的每个特征的标准差,计算平均值;将所述平均值赋值到所述多个空间位置中的每个空间位置,得到常量特征图;以及,将所述常量特征图拼接至所述第一判别器的最后一层。
11.一种介质,存储有计算机可执行指令,所述指令在被处理器执行时用于实现:
如权利要求1至9中任一项所述的基于验证码的交互验证方法。
12.一种计算设备,包括:存储器、处理器及存储在存储器上并可在处理器上运行的可执行指令,所述处理器执行所述指令时实现:
如权利要求1至9中任一项所述的基于验证码的交互验证方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910705201.4A CN110399712B (zh) | 2019-07-31 | 2019-07-31 | 基于验证码的交互验证方法、装置、介质和计算设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910705201.4A CN110399712B (zh) | 2019-07-31 | 2019-07-31 | 基于验证码的交互验证方法、装置、介质和计算设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110399712A CN110399712A (zh) | 2019-11-01 |
CN110399712B true CN110399712B (zh) | 2022-03-22 |
Family
ID=68327047
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910705201.4A Active CN110399712B (zh) | 2019-07-31 | 2019-07-31 | 基于验证码的交互验证方法、装置、介质和计算设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110399712B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111738910A (zh) * | 2020-06-12 | 2020-10-02 | 北京百度网讯科技有限公司 | 一种图像处理方法、装置、电子设备和存储介质 |
CN112163997A (zh) * | 2020-09-15 | 2021-01-01 | 郑州金惠计算机系统工程有限公司 | 图片可拼接虚拟样本生成方法、装置、设备及存储介质 |
CN112734657B (zh) * | 2020-12-28 | 2023-04-07 | 杨文龙 | 基于人工智能和三维模型的云合影方法、装置及存储介质 |
CN113393371B (zh) * | 2021-06-28 | 2024-02-27 | 北京百度网讯科技有限公司 | 一种图像处理方法、装置及电子设备 |
CN113868651B (zh) * | 2021-09-27 | 2024-04-26 | 中国石油大学(华东) | 一种基于web日志的网站反爬虫方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107563995A (zh) * | 2017-08-14 | 2018-01-09 | 华南理工大学 | 一种多判别器误差反传的对抗网络方法 |
CN109978165A (zh) * | 2019-04-04 | 2019-07-05 | 重庆大学 | 一种融合自注意力机制的生成对抗网络方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9760700B2 (en) * | 2015-12-03 | 2017-09-12 | Google Inc. | Image based CAPTCHA challenges |
CN107563181A (zh) * | 2017-10-24 | 2018-01-09 | 百望电子发票数据服务有限公司 | 一种点选图形验证码的验证方法及系统 |
CN109711136A (zh) * | 2017-10-26 | 2019-05-03 | 武汉极意网络科技有限公司 | 存储设备、验证码图片生成方法和装置 |
CN108304858B (zh) * | 2017-12-28 | 2022-01-04 | 中国银联股份有限公司 | 对抗样本识别模型生成方法、验证方法及其系统 |
CN108717550B (zh) * | 2018-04-28 | 2021-06-22 | 浙江大学 | 一种基于对抗学习的图像对抗验证码生成方法和系统 |
CN108763915A (zh) * | 2018-05-18 | 2018-11-06 | 百度在线网络技术(北京)有限公司 | 建立验证码生成模型以及生成验证码的方法、装置 |
-
2019
- 2019-07-31 CN CN201910705201.4A patent/CN110399712B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107563995A (zh) * | 2017-08-14 | 2018-01-09 | 华南理工大学 | 一种多判别器误差反传的对抗网络方法 |
CN109978165A (zh) * | 2019-04-04 | 2019-07-05 | 重庆大学 | 一种融合自注意力机制的生成对抗网络方法 |
Non-Patent Citations (3)
Title |
---|
Generative Adversarial Networks for Hyperspectral Image Classification;Lin Zhu 等;《IEEE Transactions on Geoscience and Remote Sensing》;20180930;第56卷(第9期);第5046-5063页 * |
High-Resolution Image Synthesis and Semantic Manipulation With Conditional GANs;Tingchun Wang 等;《Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition(CVPR)》;20181231;第8798-8807页 * |
基于生成对抗网络的图像识别改进方法;李凯 等;《计算机工程与设计》;20190216;第40卷(第2期);第492-495、532页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110399712A (zh) | 2019-11-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110399712B (zh) | 基于验证码的交互验证方法、装置、介质和计算设备 | |
CN108898186B (zh) | 用于提取图像的方法和装置 | |
US11670058B2 (en) | Visual display systems and method for manipulating images of a real scene using augmented reality | |
CN110378095B (zh) | 基于验证码的交互验证方法、装置、介质和计算设备 | |
US9213821B2 (en) | System and method for monitoring human interaction | |
CN109523611B (zh) | 验证码图片生成方法和装置 | |
CN113449783B (zh) | 一种对抗样本生成方法、系统、计算机设备和存储介质 | |
US10607077B1 (en) | Identity authentication using an inlier neural network | |
CN112052761A (zh) | 一种对抗人脸图像的生成方法和装置 | |
US9497293B2 (en) | Mechanism for pairing user's secondary client device with a data center interacting with the users primary client device using QR codes | |
CN112330331A (zh) | 基于人脸识别的身份验证方法、装置、设备及存储介质 | |
CN111563746A (zh) | 用户身份认证的方法、装置、电子设备和介质 | |
US20230306792A1 (en) | Spoof Detection Based on Challenge Response Analysis | |
CN114187483A (zh) | 生成对抗样本的方法、检测器的训练方法及相关设备 | |
Lesani et al. | Mobile phone security using automatic lip reading | |
US20220179938A1 (en) | Edge models | |
US20240214374A1 (en) | Multi-factor authentication using symbols | |
CN107844696B (zh) | 一种验证码干扰方法及服务器 | |
CN109614972A (zh) | 图像处理方法、装置、电子设备及计算机可读介质 | |
US20210264008A1 (en) | Method, apparatus and system for authenticating a user based on eye data and/or facial data | |
CN109995761B (zh) | 服务处理方法、装置、电子设备及存储介质 | |
US20240037995A1 (en) | Detecting wrapped attacks on face recognition | |
CN113518061B (zh) | 人脸识别中的数据传输方法、设备、装置、系统及介质 | |
Jin et al. | Ar captcha: Recognizing robot by augmented reality | |
CN114444047A (zh) | 基于虚拟现实的身份认证方法、装置、设备和存储介质 |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20210927 Address after: 310052 Room 408, building 3, No. 399, Wangshang Road, Changhe street, Binjiang District, Hangzhou City, Zhejiang Province Applicant after: Hangzhou Netease Zhiqi Technology Co.,Ltd. Address before: 310052 Building No. 599, Changhe Street Network Business Road, Binjiang District, Hangzhou City, Zhejiang Province, 4, 7 stories Applicant before: NETEASE (HANGZHOU) NETWORK Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |