CN110895691A - 图像处理方法、装置及电子设备 - Google Patents
图像处理方法、装置及电子设备 Download PDFInfo
- Publication number
- CN110895691A CN110895691A CN201811062717.3A CN201811062717A CN110895691A CN 110895691 A CN110895691 A CN 110895691A CN 201811062717 A CN201811062717 A CN 201811062717A CN 110895691 A CN110895691 A CN 110895691A
- Authority
- CN
- China
- Prior art keywords
- picture
- noise
- model
- recognition
- generation model
- 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.)
- Granted
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 46
- 238000012549 training Methods 0.000 claims abstract description 119
- 238000012795 verification Methods 0.000 claims abstract description 81
- 238000000034 method Methods 0.000 claims abstract description 53
- 238000012545 processing Methods 0.000 claims abstract description 26
- 230000004044 response Effects 0.000 claims description 7
- 239000000126 substance Substances 0.000 claims 2
- 238000010586 diagram Methods 0.000 description 20
- 238000003860 storage Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 239000011159 matrix material Substances 0.000 description 6
- 241001465754 Metazoa Species 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 241000272201 Columbiformes Species 0.000 description 1
- 241000282326 Felis catus Species 0.000 description 1
- 241000009328 Perro Species 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 238000007790 scraping Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
- G06V20/635—Overlay text, e.g. embedded captions in a TV program
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/60—Editing figures and text; Combining figures or text
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/04—Context-preserving transformations, e.g. by using an importance map
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例提供一种图像处理方法、装置及电子设备,其中方法包括:获取用于对噪点生成模型进行训练的原始图片;根据图片识别模型对加噪图片的识别结果,对所述噪点生成模型进行训练;其中,所述加噪图片为通过所述噪点生成模型在原始图片中添加噪点得到的图片。本申请实施例提供的图像处理方法、装置及电子设备,能够通过噪点生成模型在原始图片中添加噪点,得到加噪图片,并根据图片识别模型对加噪图片进行识别,利用识别结果去训练噪点生成模型,从而获取能够对抗图片识别模型的噪点生成模型,通过噪点生成模型对图片添加噪点得到的验证码图片具备抵抗图片识别模型准确识别的能力,有效提高了验证码图片的安全性。
Description
技术领域
本申请涉及图像处理技术领域,尤其涉及一种图像处理方法、装置及电子设备。
背景技术
验证码是一种用于区分用户是计算机还是人的工具,可以防止恶意破解密码、刷票等行为,因而在现有的很多网站和程序中得到了广泛的应用。现有技术中,验证码主要分为三大类:1、短信、语音验证码:用户可以接收短信或语音,并输入短信或语音中携带的验证信息;2、图片验证码:给出多个图片和一个描述,让用户选择符合描述的图片,用户可以在多个图片中点击正确的图片;3、行为验证码:用户通过刮图、滑动拼图等方式完成验证。
图片验证码相对于短信语音验证码和行为验证码成本较低,但是安全性也比较差。
攻击者可以通过机器学习等方式训练得到图片识别模型,根据图片识别模型可以自动识别图片的内容,从而完成验证码的验证。现有技术缺少防范手段,图片验证码的安全性较差。
发明内容
有鉴于此,本申请实施例提供一种图像处理方法、装置及电子设备,以提高图片验证码的安全性。
第一方面,本申请实施例提供一种图像处理方法,包括:
获取用于对噪点生成模型进行训练的原始图片;
根据图片识别模型对加噪图片的识别结果,对所述噪点生成模型进行训练;
其中,所述加噪图片为通过所述噪点生成模型在原始图片中添加噪点得到的图片。
第二方面,本申请实施例提供一种图像处理方法,包括:
获取人机识别图片,其中,所述人机识别图片包括噪点;
获取预设图片识别模型对所述人机识别图片的识别结果;
确定所述识别结果满足预设条件;
展示所述人机识别图片。
第三方面,本申请实施例提供一种图像处理装置,包括:
获取模块,用于获取用于对噪点生成模型进行训练的原始图片;
训练模块,用于根据图片识别模型对加噪图片的识别结果,对所述噪点生成模型进行训练,其中,所述加噪图片为通过所述噪点生成模型在原始图片中添加噪点得到的图片。
第四方面,本申请实施例提供一种图像处理装置,包括:
图片获取模块,用于获取人机识别图片,其中,所述人机识别图片包括噪点;
结果获取模块,用于获取预设图片识别模型对所述人机识别图片的识别结果;
确定模块,用于确定所述识别结果满足预设条件;
展示模块,用于展示所述人机识别图片。
第五方面,本申请实施例提供一种电子设备,包括第一处理器和第一存储器,所述第一存储器用于存储一条或多条计算机指令,其中,所述一条或多条计算机指令被所述第一处理器执行时实现上述第一方面中的图像处理方法。该电子设备还可以包括第一通信接口,用于与其他设备或通信网络通信。
第六方面,本申请实施例提供一种电子设备,包括第二处理器和第二存储器,所述第二存储器用于存储一条或多条计算机指令,其中,所述一条或多条计算机指令被所述第二处理器执行时实现上述第二方面中的图像处理方法。该电子设备还可以包括第二通信接口,用于与其他设备或通信网络通信。
本申请实施例提供了一种计算机存储介质,用于储存计算机程序,所述计算机程序使计算机执行时实现上述第一方面或第二方面中的图像处理方法。
本申请实施例提供的图像处理方法、装置及电子设备,能够通过噪点生成模型在原始图片中添加噪点,得到加噪图片,并根据图片识别模型对加噪图片进行识别,利用识别结果去训练噪点生成模型,使得图片识别模型对加噪图片的识别结果区别于原始图片的识别结果,从而获取能够对抗图片识别模型的噪点生成模型,通过噪点生成模型对图片添加噪点得到的验证码图片具备抵抗图片识别模型准确识别的能力,有效提高了验证码图片的安全性。
附图说明
为了更清楚地说明本申请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申请的一些实施例,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为本申请实施例提供的一种图像处理方法的原理示意图;
图2为本申请实施例提供的图像处理方法实施例一的流程示意图;
图3为本申请实施例提供的另一种图像处理方法的原理示意图;
图4为本申请实施例提供的一种图像处理方法的应用场景示意图;
图5为本申请实施例提供的图像处理方法实施例二的流程示意图;
图6为本申请实施例提供的一种噪点生成模型训练方法的流程示意图;
图7为本申请实施例提供的图像处理方法实施例三的流程示意图;
图8为本申请实施例提供的图像处理方法实施例四的流程示意图;
图9为本申请实施例提供的一种图像处理装置的结构示意图;
图10为本申请实施例提供的另一种图像处理装置的结构示意图;
图11为本申请实施例提供的一种电子设备的结构示意图;
图12为本申请实施例提供的另一种电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
在本申请实施例中使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本申请。在本申请实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义,“多种”一般包含至少两种,但是不排除包含至少一种的情况。
应当理解,本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
取决于语境,如在此所使用的词语“如果”、“若”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地,取决于语境,短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的商品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种商品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的商品或者系统中还存在另外的相同要素。
本申请实施例提供的图像处理方法,可以用于生成能够对抗图片识别模型的噪点生成模型。其中,所述噪点生成模型可以为任意能够针对原始图片生成噪点的模型,原始图片在通过噪点生成模型添加噪点后,能够提高被图片识别模型识别的难度。
图1为本申请实施例提供的一种图像处理方法的原理示意图。如图1所示,可以首先获取原始图片,然后根据噪点生成模型对原始图片添加噪点,得到加噪图片,再将加噪图片输入到图片识别模型中,得到加噪图片的识别结果,根据加噪图片的识别结果对噪点生成模型进行训练,训练的目的是使得图片识别模型无法正确识别经过噪点生成模型加噪的图片,从而得到能够对抗图片识别模型的噪点生成模型。
获得训练完成的噪点生成模型后,可以通过所述噪点生成模型对用作验证码的图片添加噪点,提高验证码的安全性。或者,也可以输出所述噪点生成模型,由用户根据噪点生成模型来自主生成验证码图片。
下面结合如下的方法实施例以及附图对本申请实施例提供的图像处理方法的实现过程进行介绍。另外,下述各方法实施例中的步骤时序仅为一种举例,而非严格限定。
图2为本申请实施例提供的图像处理方法实施例一的流程示意图。本实施例中方法的执行主体可以为任意电子设备,尤其可以为具有图像处理功能的电子设备。如图2所示,本实施例中的图像处理方法,可以包括:
步骤201、获取用于对噪点生成模型进行训练的原始图片。
步骤202、根据图片识别模型对加噪图片的识别结果,对所述噪点生成模型进行训练,其中,所述加噪图片为通过所述噪点生成模型在原始图片中添加噪点得到的图片。
本申请实施例中,图片识别模块可以为能够对图片进行识别的模型,噪点生成模型可以为任意能够针对图片生成噪点的模型,所述图片识别模型/所述噪点生成模型可以为任意一种机器学习模型如神经网络模型等。
可选的,可以首先获取图片样本,然后根据图片样本训练图片识别模型,最后,根据图片样本和图片识别模型来训练噪点生成模型。
具体地,所述图片样本中可以包括多个原始图片,每个原始图片对应的标签可以为该图片的类别,例如,图片的类别可以包括篮球、足球、排球等。假设图片样本中的图片共有N中类别,则可以确定图片样本的类别T={t1,t2,…,tN},其中ti为第i种类别。在利用图片作为验证码时,只要能准确识别出图片的类别,就可以通过验证,例如,在常用的验证环节中,可以给出多个图片,让用户选择篮球的图片;或者,给出一个图片,让用户输入图片的类别。
在获取图片样本后,可以根据图片样本对图片识别模型进行训练,从而模拟攻击者对验证码图片的攻击。训练完成后,可以获得图片识别模型D。
图片识别模型D的训练过程会分析不同类别图片的特征,使得训练好的图片识别模型D可以识别输入图片的类型。在训练过程中,可以以图片的像素点矩阵作为输入,以图片的类别作为标签来对图片识别模型D进行训练。具体的训练方法属于现有技术,本申请实施例不再赘述。
具体地,通过图片识别模型D,攻击者可以对所输入的验证码图片x进行分析,得到图片识别结果即图片的类别t,D(x)=t(t∈T),从而完成验证码图片的自动识别。
在确定图片识别模型D后,可以根据图片识别模型D来对噪点生成模型G进行训练。所述噪点生成模型G的输出可以为噪点图片,噪点图片包含了用于添加到原始图片中的全部噪点信息,具体可以通过噪点矩阵来表示,将所述原始图片与所述噪点图片相加,就可以生成加噪图片,所述加噪图片为添加有噪点的图片。或者,所述噪点生成模型G的输出可以为所述加噪图片。
本领域技术人员可以理解的是,针对所述噪点生成模型G的输出为加噪图片时的处理方法与输出为噪点图片时的方法是类似的,只需要将噪点图片将原始图片相加就可以得到加噪图片。为了更加清楚地展示本申请实施例的方案,下面以噪点生成模型G的输出为噪点图片为例来进行描述。
具体地,噪点生成模型G能够针对原始图片x生成噪点图片G(x),将噪点图片G(x)与原始图片x相加,即得到加噪图片x+G(x),其中,x和G(x)均可以为H×W的像素值矩阵,其中H为图片的高度,W为图片的宽度,例如原始图片为1000×800的图片,则x和G(x)均可以为1000×800的矩阵,矩阵中的数值代表图片中的像素点的像素值。
可选的,可以针对训练完成的图片识别模型D,训练噪点生成模型G,使得原始图片x在添加经过G得到的噪点后,图片识别模型D无法正确地对图片进行识别。
在一种可选的实施方式中,对噪点生成模型G进行训练的约束条件可以为:根据图片识别模型D对加噪图片的识别结果与原始图片的类别不一致。例如,原始图片的类别为篮球,经过噪点生成模型G对原始图片增加噪点之后,图片识别模型D对加噪图片的识别结果为足球,说明噪点生成模型G是满足要求的,如果图片识别模型D对加噪图片的识别结果依然为篮球,则说明噪点生成模型G是不满足要求的。
在另一种可选的实施方式中,对噪点生成模型G进行训练的约束条件可以为:根据图片识别模型D对原始图片的识别结果与根据图片识别模型D对所述原始图片对应的加噪图片的识别结果不一致,即D(x)=t,D(x+G(x))=t′,其中,t、t′∈T,且t≠t′。
图3为本申请实施例提供的另一种图像处理方法的原理示意图。如图3所示,原始图片经过噪点生成模型G后得到的加噪图片需要输入图片识别模型D,得到加噪图片对应的识别结果,原始图片本身也要输入到图片识别模型D,得到原始图片对应的识别结果,原始图片对应的识别结果和加噪图片对应的识别结果共同用于对噪点生成模型G进行训练。
在其它可选的实施方式中,图片识别模型D也可以通过其它方式获得,例如可以通过其它设备或平台直接获得已经训练好的图片识别模型D。
在对噪点生成模型G训练完成后,可以批量选取用于生成验证码图片的原始图片,输入到噪点生成模型G获取相应的噪点,将噪点添加到原始图片中,得到加噪图片,或者,直接根据噪点生成模型G的输出得到加噪图片,加噪图片可以作为最终的验证码图片。
图4为本申请实施例提供的一种图像处理方法的应用场景示意图。如图4所示,在根据图片识别模型D对通过所述噪点生成模型G在原始图片中添加噪点得到的加噪图片的识别结果,对所述噪点生成模型G进行训练之后,可以根据训练完成的噪点生成模型G,在待处理的图片中添加噪点,得到用作验证码的加噪图片。
在得到用作验证码的加噪图片之后,还可以将所述用作验证码的加噪图片添加到验证码图片库;响应于用户的操作事件,从验证码图片库中选择加噪图片;将所选择的加噪图片显示给用户,供所述用户通过识别所述加噪图片输入验证码。其中,所述用户的操作事件可以为任意能够触发验证流程的操作事件,例如用户请求登录网页、发表文章、下载文档等等。
在其它可选的实施方式中,在得到训练完成的噪点生成模型G后,也可以输出所述训练完成的噪点生成模型G。例如,可以将所述噪点生成模型G发送给需要设计验证码图片的用户或者合作方,由用户或合作方根据所述噪点生成模型G自主实现验证码图片的噪点添加。
在实际应用中,在对图片进行分类识别时,图片识别模型D需要捕捉不同类别图片的特征,从而根据不同的特征对图片进行分类。在噪点生成模型G进行训练后,可以在图片的特征处添加适当的噪点,从而干扰甚至误导图片识别模型D对图片的识别结果。
综上,本实施例提供的图像处理方法,能够通过噪点生成模型在原始图片中添加噪点,得到加噪图片,并根据图片识别模型对加噪图片进行识别,利用识别结果去训练噪点生成模型,使得图片识别模型对加噪图片的识别结果区别于原始图片的识别结果,从而获取能够对抗图片识别模型的噪点生成模型,通过噪点生成模型对图片添加噪点得到的验证码图片具备抵抗图片识别模型准确识别的能力,有效提高了验证码图片的安全性。
图5为本申请实施例提供的图像处理方法实施例二的流程示意图。本实施例是在上述实施例提供的技术方案的基础上,通过生成式对抗网络来对噪点生成模型进行训练。如图5所示,本实施例中的图像处理方法,可以包括:
步骤501、获取用于对噪点生成模型进行训练的原始图片。
步骤502、根据所述原始图片,通过生成式对抗网络对噪点生成模型进行训练。
其中,所述生成式对抗网络中的生成模型可以包括前述实施例所述噪点生成模型,所述生成式对抗网络中的判别模型可以包括前述实施例所述图片识别模型。
具体地,生成式对抗网络(Generative Adversarial Networks,GAN)是一种深度学习模型,主要包括两部分:生成模型(Generative Model)和判别模型(DiscriminativeModel)。
可选的,在噪点生成模型的输出为加噪图片时,所述生成式对抗网络中的生成模型可以为所述噪点生成模型,在噪点生成模型的输出为噪点图片时,所述生成式对抗网络中的生成模型可以包括所述噪点生成模型以及将噪点图片与原始图片相加得到加噪图片的部分。所述生成式对抗网络中的判别模型可以为所述图片识别模型。
其中,生成模型主要用来生成有噪点的图片,判别模型主要用来判别这个有噪点的图片是否能正确识别,如果能正确识别,那么通过对生成模型进行修改,重新生成另一张带噪点的图片给判别模型进行识别,一直如此循环下去。当判别模型不能正常识别这个图片的时候,或某些限制条件触发的时候,结束循环,可以获得训练好的生成模型。
本实施例中,可以将噪点生成模型作为生成模型,将图片识别模型作为判别模型,从而实现对噪点生成模型的训练。生成式对抗网络的训练过程和原理均属于现有技术,本实施例中不再赘述。
综上,本实施例提供的图像处理方法,通过生成式对抗网络对噪点生成模型进行训练,生成式对抗网络能够使生成的图片更加有迷惑性,以骗过图片识别模型,从而快速、准确地实现对图片识别模型的对抗,提高噪点生成模型训练的速度和效果。
在以上各实施例提供的技术方案中,所述图片识别模型的识别结果可以为图片的类别,若根据图片识别模型对原始图片的识别结果与根据图片识别模型对所述原始图片对应的加噪图片的识别结果不一致,则结束根据所述原始图片对所述噪点生成模型的训练。
此外,所述图片识别模型的识别结果也可以为图片属于各个类别的置信度,相应的,可以根据原始图片属于各个类别的置信度与加噪图片属于各个类别的置信度之间的差异来对噪点生成模型进行训练。
图6为本申请实施例提供的一种噪点生成模型训练方法的流程示意图。如图6所示,根据图片识别模型对加噪图片的识别结果,对所述噪点生成模型进行训练,可以包括:
步骤601、通过噪点生成模型对原始图片增加噪点,得到加噪图片。
步骤602、获取图片识别模型对原始图片的识别结果以及对所述加噪图片的识别结果。
步骤603、判断是否结束根据所述原始图片对噪点生成模型的训练。
若是,则结束对噪点生成模型的训练。
步骤604、若否,则更新所述噪点生成模型,并重新执行步骤601。
可选的,可首先初始化噪点生成模型G中的参数,所述参数可随机设置,或初始化为某一具体的数值。所述噪点生成模型G中的参数用于根据原始图像的像素值矩阵生成噪点图片的像素值矩阵或者生成加噪图片的像素值矩阵。为了便于描述,以下以噪点生成模型G的输出为噪点图片为例进行说明。
具体地,在噪点生成模型G初始化完成后,可以将原始图片x输入到噪点生成模型G中,得到噪点图片G(x),然后,根据G(x)+x可以得到加噪图片x′=G(x)+x。通过对原始图片x的识别结果和加噪图片x′的识别结果之间的差异可以对噪点生成模型G进行训练。
可选的,假设共有N个图片类别,将所述原始图片x输入到图片识别模型D中,得到x属于不同类别的置信度D(x)=Z=Z1、Z2、…、ZN。Zi为原始图片属于第i个类别的置信度,置信度代表了图片属于第i个类别的可能性,置信度越高,表示图片越有可能属于这个类别。
例如,共有四个类别:篮球、足球、排球、乒乓球,将原始图片x输入到图片识别模型D中,得到篮球、足球、排球、乒乓球对应的置信度分别为0.8、0.1、0.1、0,说明原始图片x中的物品最有可能是篮球,最不可能是乒乓球。
将加噪图片x′输入到图片识别模型D中,也可以得到不同类别的置信度D(x+G(x))=D(x′)=Z′=Z1′、Z2′、…、ZN′。Zi′为加噪图片x′属于第i个类别的置信度。根据置信度Z和Z′,可以对噪点生成模型G进行训练。
可以理解的是,如果原始图片x与加噪图片x′之间的差异或者原始图片x的识别结果和加噪图片x′的识别结果之间的差异较小,说明噪点生成模型G增加噪点的效果不好,此时可以继续对噪点生成模型G进行训练,如果原始图片x与加噪图片x′之间的差异或者原始图片x的识别结果和加噪图片x′的识别结果之间的差异较大,说明噪点生成模型G的效果较好,此时可以结束训练。
可选的,步骤603中的判断是否结束根据所述原始图片对噪点生成模型的训练,可以包括:获取原始图片x的像素值与加噪图片x′的像素值之间的差距;根据所述差距是否大于预设阈值,和/或,重复执行次数是否大于预设次数,判断是否结束根据所述原始图片x对噪点生成模型G的训练。
其中,差距可以通过欧氏距离来体现,即所述原始图片x的像素值与加噪图片x′的像素值之间的差距可以为所述原始图片x的像素值与加噪图片x′的像素值之间的欧式距离。
具体地,原始图片x和加噪图片x′中像素值之间的欧式距离Y=||x–x′||2。可选的,x和x′中像素值之间的欧式距离可以为:每一个像素点在原始图片x中的像素值与其在加噪图片x′中的像素值的差值的平方之和。
除了欧式距离以外,也可以通过其他的函数来表征原始图片x和加噪图片x′之间的差距,例如,可以计算每个像素点在原始图片x的像素值和在加噪图片x′中的像素值之间的差值的绝对值,并将每个像素点对应的差值的绝对值相加,得到的绝对值之和作为原始图片x和加噪图片x′之间的差距。或者,除了差值之外,也可以通过像素值的比值来计算原始图片x和加噪图片x′之间的差距。此外,除了绝对差距以外,还可以通过相对差距来表征原始图片x和加噪图片x′之间的差距。
所述预设阈值和预设次数可以根据实际需要来设置。可选的,只要差距大于预设阈值,或者重复执行次数大于预设次数,就可以结束对噪点生成模型G的训练。
如果差距小于预设阈值,并且重复执行次数小于预设次数,则更新所述噪点生成模型G,并根据更新后的噪点生成模型G重新计算加噪图片x′,然后继续进行判断。
可选的,更新所述噪点生成模型G,可以包括:根据图片识别模型D对原始图片x的识别结果以及对所述加噪图片x′的识别结果之间的差距,获取分类误导程度值;根据所述欧式距离以及所述分类误导程度值确定Loss值;根据所述Loss值对所述噪点生成模型G进行更新。
可选的,根据图片识别模型D对原始图片x的识别结果以及对所述加噪图片x′的识别结果之间的差距,获取分类误导程度值,可以包括:根据原始图片x属于每个类别的置信度与加噪图片x′属于该类别的置信度之间的差值,确定分类误导程度值。
然后,根据所述欧式距离以及所述分类误导程度值可以确定Loss值。可选的,可以将所述欧式距离与所述分类误导程度值的加权和作为Loss值。
例如,Loss值L=Y+λM。λ为系数,需要通过实验不断调整,太小对抗效果不好,太大对视觉影响较大,不利于真实用户对验证码图片进行识别。
如果所述原始图片x的像素值与加噪图片x′的像素值之间的差距小于预设阈值,并且重复执行次数小于预设次数,则可以根据Loss值更新所述噪点生成模型G。
具体地,可以首先根据Loss值计算噪点生成模型G中参数对应的梯度,然后,根据梯度、步长和Loss值更新噪点生成模型G中的参数,从而实现噪点生成模型G的更新。所述步长可以根据实际需要预先设置。根据Loss值计算梯度以及更新噪点生成模型G的具体实现方法属于现有技术,此处不再赘述。
在实际应用中,如果噪点生成模型G中的参数一开始就设置的比较大,可能会导致第一次计算得到的原始图片x的像素值与加噪图片x′的像素值之间的差距就大于预设阈值,此时虽然满足了结束训练的条件,但是可能加噪图片x′与原始图片x之间的差异过大,导致真实用户也无法正确识别出加噪图片x′。因此,可以在第一次计算得到的原始图片x的像素值与加噪图片x′的像素值之间的差距就大于预设阈值时,重新初始化噪点生成模型G的参数,并重新对噪点生成模型G进行训练。
相应的,根据所述差距是否大于预设阈值,和/或,重复执行次数是否大于预设次数,判断是否结束根据所述原始图片x对噪点生成模型G的训练,可以包括:
判断是否重复执行次数为1且所述原始图片x的像素值与加噪图片x′的像素值之间的差距大于预设阈值;若是,则更新所述噪点生成模型G,将所述重复执行次数清零,并重新根据所述原始图像对所述噪点生成模型G进行训练;若否,则根据所述差距是否大于预设阈值,和/或,重复执行次数是否大于预设次数,判断是否结束根据所述原始图片x对噪点生成模型G的训练。
综上,本实施例提供的噪点生成模型训练方法,可以重复执行下述步骤,直至确定结束根据所述原始图片对噪点生成模型的训练:通过噪点生成模型对原始图片增加噪点,得到加噪图片,获取图片识别模型对原始图片的识别结果以及对所述加噪图片的识别结果,判断是否结束根据所述原始图片对噪点生成模型的训练,若否,则更新所述噪点生成模型,能够根据原始图片与加噪图片的差异,以及原始图片的识别结果和加噪图片的识别结果之间的差异,对噪点生成模型进行训练,提高了噪点生成模型对抗图片识别模型的能力。
在实际应用中,可以获取用于对噪点生成模型进行训练的图片样本,图片样本中包括多个原始图片,并依次对每个原始图片进行处理,针对每个原始图片的处理均可以包括:根据图片识别模型对加噪图片的识别结果,对所述噪点生成模型进行训练,其中,所述加噪图片为通过所述噪点生成模型在原始图片中添加噪点得到的图片。
也就是说,在对噪点生成模型进行训练时,可以首先利用第一张原始图片,按照步骤601至步骤604提供的方法对噪点生成模型进行训练,结束训练后,再利用下一张原始图片,对噪点生成模型进行训练,以此类推,直至多个原始图片全部训练完成。
在用图片样本将噪点生成模型训练完成后,可以将待处理的原始图片输入噪点生成模型,从而获取添加噪点后的图片,作为验证码图片,提高验证码的安全性。
在其它可选的实施方式中,也可以根据单张原始图片对噪点网络模型进行训练,从而实现单张原始图片的加噪。图7为本申请实施例提供的图像处理方法实施例三的流程示意图。本实施例是在上述实施例提供的技术方案的基础上,通过用于生成验证码图片的原始图片来对噪点生成模型进行训练,训练完成后直接得到所述原始图片对应的加噪图片作为验证码图片。如图7所示,本实施例中的图像处理方法,可以包括:
步骤701、获取用于生成验证码图片的原始图片。
步骤702、根据图片识别模型对加噪图片的识别结果,对所述噪点生成模型进行训练,其中,所述加噪图片为通过所述噪点生成模型在原始图片中添加噪点得到的图片。
步骤703、获取通过所述训练完成的噪点生成模型对所述原始图片添加噪点后得到的加噪图片,作为验证码图片。
具体地,可以针对每一张待处理的原始图片,直接利用步骤601至步骤604提供的方法对噪点生成模型进行训练,噪点生成模型训练完成后,因为满足了训练结束的条件,所以对所述原始图片增加的噪点效果较好,此时可以直接获取通过所述训练完成的噪点生成模型对所述原始图片添加噪点后得到的加噪图片,作为验证码图片。
综上,本实施例提供的图像处理方法,通过直接根据用于生成验证码图片的原始图片对噪点生成模型进行训练,能够使得训练的结果满足验证码图片的安全性要求,更加快捷、有针对性地实现对原始图片的加噪处理。
在上述各实施例提供的技术方案中,所述原始图片可以是单独的一帧图片,也可以是视频或者动态图中的一帧图片,通过对视频及动态图中的图片帧进行加噪,能够生成验证码视频或验证码动态图,增加机器识别的难度,保障验证码的安全性。
此外,在上述各实施例提供的技术方案中,用于对噪点生成模型进行训练的图片样本与用于对图片识别模型进行训练的图片样本可以相同,也可以不同;在对噪点生成模型训练完成后,生成验证码图片时用到的原始图片可以是进行训练时的图片样本中的图片,也可以是其它图片,本实施例对此不作限制。
此外,在上述各实施例提供的技术方案的基础上,可以将用于生成验证码图片的原始图片分为多个大类,每一类又可以分为若干小类。例如,将全部原始图片分为球类和动物类两个大类,其中,球类包括四个小类:足球、篮球、排球和乒乓球,动物类包括三个小类:猫、狗、鸽子。
球类和动物类分别进行训练,互不干涉。具体地,可以将一个大类中的原始图片作为图片样本,对图片识别模型和噪点生成模型进行训练,在对一个大类进行训练时,如前所述,图片识别模型的输出可以为图片所属的小类,或者图片属于每一个小类的置信度,使得训练更有针对性,进一步提高验证码的安全性。
图8为本申请实施例提供的图像处理方法实施例四的流程示意图。本实施例中方法的执行主体可以为任意面向用户的电子设备,如手机、平板设备、计算机等。如图8所示,本实施例中的图像处理方法,可以包括:
步骤801、获取人机识别图片,其中,所述人机识别图片包括噪点。
步骤802、获取预设图片识别模型对所述人机识别图片的识别结果。
步骤803、确定所述识别结果满足预设条件。
步骤804、展示所述人机识别图片。
其中,所述人机识别图片可以为包含有噪点的任意图片,可选的,所述人机识别图片可以为在原始图片的基础上通过噪点生成模型添加噪点得到的图片。
相应的,获取人机识别图片,可以包括:获取用于生成人机识别图片的原始图片;通过噪点生成模型在所述原始图片中添加噪点,得到所述人机识别图片。
其中,所述噪点生成模型可以为采用前述任一实施例所述的方法进行训练得到的噪点生成模型。
在其它可选的实施方式中,所述人机识别图片也可以预先存储在本地,或者,所述人机识别图片也可以从其它设备如服务器等获取。
在获取到人机识别图片后,可以通过预设图片识别模型对所述人机识别图片的识别结果是否满足预设条件来决定是否向用户展示所述人机识别图片。
其中,所述预设图片识别模型对所述人机识别图片进行识别的过程可以在本地执行,或者,识别结果也可以从其它设备如服务器等获取,例如,可以将所述人机识别图片发送给服务器,由服务器根据预设图片识别模型来确定对应的识别结果并返回。
所述预设条件可以根据实际需要来设置,可选的,所述预设条件可以为所述识别结果为某种特定的识别结果。
例如,所述人机识别图片为“篮球”,所述预设条件可以为预设图片识别模型对所述图片的识别结果为“足球”。
或者,确定所述识别结果满足预设条件,可以包括:获取所述人机识别图片对应的正确识别结果;若所述预设图片识别模型对所述人机识别图片的识别结果与所述正确识别结果不同,则确定所述识别结果满足预设条件。
其中,所述人机识别图片对应的正确识别结果可以从服务器获取,也可以存储在本地,每个人机识别图片都可以有其对应的正确识别结果。人机识别图片对应的正确识别结果可以人工输入,例如,管理人员在构建验证码图片库时,可以为每一个人机识别图片设置一对应的正确识别结果。
在需要向用户展示人机识别图片时,可以利用预设图片识别模型对所述人机识别图片进行识别,若预设图片识别模型得到的识别结果与所述正确识别结果不同,则说明该人机识别图片不能被模型正确识别,此时可以确定所述识别结果是满足预设条件的,可以向用户展示所述人机识别图片。
如果预设图片识别模型得到的识别结果与所述正确识别结果相同,则认为所述识别结果是不满足预设条件的,因为该人机识别图片可以被模型正确识别,因此可能会被攻击者利用模型自动识别图片内容,此时可以重新选取一幅图片进行判断和展示。
例如,假设所述人机识别图片的正确识别结果为“篮球”,如果预设图片识别模型对所述人机识别图片进行识别得到的结果为“足球”,说明该人机识别图片可以骗过机器模型,此时可以将该人机识别图片展示给用户,供用户进行验证;如果预设图片识别模型对所述人机识别图片进行识别得到的结果为“篮球”,说明该人机识别图片可能会被攻击者的机器模型正确识别,此时可以舍弃该图片,重新选取其它图片用于验证。
在通过原始图片添加噪点的方式生成人机识别图片的情况下,所述正确识别结果除了可以为预先设置好的结果,还可以为所述预设图片识别模型对所述原始图片的识别结果。
可以理解的是,因为原始图片没有添加噪点,因此可以被预设图片识别模型正确识别,对应的识别结果可以作为对应的正确识别结果。在原始图片添加噪点得到人机识别图片之后,如果预设图片识别模型对所述原始图片的识别结果与对所述人机识别图片的识别结果不一致,那么就可以认为识别结果是满足预设条件的。
在识别结果满足条件时,可以向用户展示所述人机识别图片,由用户根据所述人机识别图片进行验证操作,根据图片进行验证的具体实现方式可以采用现有的任意一种图片验证方式,本实施例对此不作限制。
可选的,在确认所述识别结果满足预设条件后,还可以展示所述识别结果。
在一种可选的实施方式中,可以在确认对人机识别图片的识别结果满足预设条件后,展示所述人机识别图片,同时展示所述识别结果,或者,可以在展示所述人机识别图片预设时间后,展示所述识别结果。
由于人机识别图片中增加了噪点,因此相对于原始图片更加难以识别,在某些情况下,可能会对用户正确识别图片造成干扰。此时,可以将预设图片识别模型对该图片的识别结果展示给用户,因为预设图片识别模型对该图片的识别结果是错误的,因此可以提示用户错误选项是什么,方便用户排除干扰。
例如,某一人机识别图片为“篮球”,但是被预设图片识别模型识别为“排球”,说明该图片最接近的两种球类为“篮球”和“排球”,在用户识别时,由于噪点的存在,可能用户也会在“篮球”和“排球”之间摇摆不定,不能确定正确结果到底是哪个,此时,可以向用户展示预设图片识别模型对应的识别结果,例如“该图片不是排球”,从而为用户排除一个错误答案,可以对用户起到提示作用,提高用户的识别准确率和效率,为用户提供了便利。
在另一种可选的实施方式中,可以响应于用户请求排除干扰的操作事件,展示所述识别结果。
例如,用户在不确定人机识别图片的正确识别结果时,可以通过摇一摇、按下某按钮、滑动滑块等方式来请求排除干扰,此时,设备可以向用户展示预设图片识别模型对所述人机识别图片的识别结果,帮助用户排除干扰。
进一步地,还可以在预设时间内没有获取到用户的反馈时,向用户展示用于提醒用户请求排除干扰的信息。
例如,在将人机识别图片展示给用户5秒后,用户还没有输入自己的判断结果,说明用户可能遇到了难以识别的图片,此时提示用户可以请求排除干扰,如向用户显示“可以通过摇一摇的方式获取一个错误答案”等等。
可选的,在向用户展示人机识别图片后,还可以接收用户对所述人机识别图片的反馈,确定所述反馈满足所述人机识别图片的识别条件,并展示提示,其中,所述提示为用于展示通过人机识别的指示。
具体地,如果用户的反馈与人机识别图片对应的正确识别结果一致,则可以确定所述反馈满足所述人机识别图片的识别条件,此时可以提示用户已经通过人机识别,可以继续进行下一步操作。
如果用户的反馈与人机识别图片对应的正确识别结果不一致,则说明所述反馈不满足识别条件,此时可以向用户展示用于提示没有通过人机识别的指示,并请用户重新进行验证。
可选的,还可以确定展示所述人机识别图片与获取到用户的反馈之间的时间间隔,若所述时间间隔小于预设间隔,则确定所述反馈不满足所述人机识别图片的识别条件。
其中,所述预设间隔可以根据实际需要来设置,例如可以为0.1秒。在将人机识别图片展示给用户后,用户一般需要一定的时间才能正确识别图片并输入识别结果,如果获取到反馈的时间间隔过小,说明获得的反馈可能是机器的输入,此时可以认为不满足识别条件,进一步提高图片验证的安全性。
本实施例提供的图像处理方法,能够获取包含有噪点的人机识别图片,获取预设图片识别模型对所述人机识别图片的识别结果,在确定所述识别结果满足预设条件时,说明包含有噪点的人机识别图片具备抵抗图片识别模型准确识别的能力,此时可以向用户展示所述人机识别图片,方便用户通过对人机识别图片进行识别来完成验证,有效提高了验证码图片的安全性。
以下将详细描述本申请的一个或多个实施例的图像处理装置。本领域技术人员可以理解,这些图像处理装置均可使用市售的硬件组件通过本方案所教导的步骤进行配置来构成。
图9为本申请实施例提供的一种图像处理装置的结构示意图。如图9所示,该装置可以包括:
获取模块11,用于获取用于对噪点生成模型进行训练的原始图片;
训练模块12,用于根据图片识别模型对加噪图片的识别结果,对所述噪点生成模型进行训练,其中,所述加噪图片为通过所述噪点生成模型在原始图片中添加噪点得到的图片。
可选的,所述训练模型12还可以用于:在根据图片识别模型对加噪图片的识别结果,对所述噪点生成模型进行训练之后,根据训练完成的噪点生成模型,在待处理的图片中添加噪点,得到用作验证码的加噪图片;或者,输出所述训练完成的噪点生成模型。
可选的,所述训练模型12还可以用于:在得到用作验证码的加噪图片之后,将所述用作验证码的加噪图片添加到验证码图片库;响应于用户的操作事件,从验证码图片库中选择加噪图片;将所选择的加噪图片显示给用户,供所述用户通过识别所述加噪图片输入验证码。
可选的,所述训练模型12具体可以用于:根据所述原始图片,通过生成式对抗网络对所述噪点生成模型进行训练;其中,所述生成式对抗网络中的生成模型包括所述噪点生成模型,所述生成式对抗网络中的判别模型包括所述图片识别模型。
可选的,所述获取模块11具体可以用于:获取用于生成验证码图片的原始图片;相应的,所述训练模型12还可以用于:在根据图片识别模型对加噪图片的识别结果,对所述噪点生成模型进行训练之后,获取通过所述训练完成的噪点生成模型对所述原始图片添加噪点后得到的加噪图片。
可选的,所述获取模块11具体可以用于:获取用于对噪点生成模型进行训练的多个原始图片;相应的,所述训练模型12具体可以用于:依次对每个原始图片进行处理,其中对原始图片的处理包括:根据图片识别模型对加噪图片的识别结果,对所述噪点生成模型进行训练。
可选的,所述获取模块11还可以用于:在根据图片识别模型对加噪图片的识别结果,对所述噪点生成模型进行训练之前,根据所述多个原始图片对图片识别模型进行训练。
可选的,所述图片识别模型的识别结果为图片的类别;相应的,所述训练模型12还可以用于:若根据图片识别模型对原始图片的识别结果与根据图片识别模型对所述原始图片对应的加噪图片的识别结果不一致,则结束根据所述原始图片对所述噪点生成模型的训练。
可选的,所述训练模型12具体可以用于:重复执行下述步骤,直至确定结束根据所述原始图片对噪点生成模型的训练:通过噪点生成模型对原始图片增加噪点,得到加噪图片;获取图片识别模型对原始图片的识别结果以及对所述加噪图片的识别结果;判断是否结束根据所述原始图片对噪点生成模型的训练;若否,则更新所述噪点生成模型。
可选的,所述训练模型12具体可以用于:重复执行下述步骤,直至确定结束根据所述原始图片对噪点生成模型的训练:通过噪点生成模型对原始图片增加噪点,得到加噪图片;获取图片识别模型对原始图片的识别结果以及对所述加噪图片的识别结果;获取原始图片的像素值与加噪图片的像素值之间的差距;根据所述差距是否大于预设阈值,和/或,重复执行次数是否大于预设次数,判断是否结束根据所述原始图片对噪点生成模型的训练;若否,则更新所述噪点生成模型。
可选的,所述原始图片的像素值与加噪图片的像素值之间的差距为所述原始图片的像素值与加噪图片的像素值之间的欧式距离。
可选的,所述训练模型12具体可以用于:重复执行下述步骤,直至确定结束根据所述原始图片对噪点生成模型的训练:通过噪点生成模型对原始图片增加噪点,得到加噪图片;获取图片识别模型对原始图片的识别结果以及对所述加噪图片的识别结果;获取原始图片的像素值与加噪图片的像素值之间的差距;根据所述差距是否大于预设阈值,和/或,重复执行次数是否大于预设次数,判断是否结束根据所述原始图片对噪点生成模型的训练;若否,则根据识别结果差距,获取分类误导程度值,其中,所述识别结果差距为图片识别模型对原始图片的识别结果以及对所述加噪图片的识别结果之间的差距;根据所述欧式距离以及所述分类误导程度值确定Loss值;根据所述Loss值对所述噪点生成模型进行更新。
可选的,所述图片识别模型的识别结果包括图片属于各个类别的置信度;相应的,所述训练模型12具体可以用于:重复执行下述步骤,直至确定结束根据所述原始图片对噪点生成模型的训练:通过噪点生成模型对原始图片增加噪点,得到加噪图片;获取图片识别模型对原始图片的识别结果以及对所述加噪图片的识别结果;获取原始图片的像素值与加噪图片的像素值之间的差距;根据所述差距是否大于预设阈值,和/或,重复执行次数是否大于预设次数,判断是否结束根据所述原始图片对噪点生成模型的训练;若否,则根据置信度差值,确定分类误导程度值,其中,所述置信度差值为原始图片属于每个类别的置信度与加噪图片属于该类别的置信度之间的差值;根据所述欧式距离以及所述分类误导程度值确定Loss值;根据所述Loss值对所述噪点生成模型进行更新。
可选的,所述训练模型12具体可以用于:重复执行下述步骤,直至确定结束根据所述原始图片对噪点生成模型的训练:通过噪点生成模型对原始图片增加噪点,得到加噪图片;获取图片识别模型对原始图片的识别结果以及对所述加噪图片的识别结果;获取原始图片的像素值与加噪图片的像素值之间的差距;判断是否重复执行次数为1且所述差距大于预设阈值;若是,则更新所述噪点生成模型,将所述重复执行次数清零,并重新根据所述原始图像对所述噪点生成模型进行训练;若否,则根据所述差距是否大于预设阈值,和/或,重复执行次数是否大于预设次数,判断是否结束根据所述原始图片对噪点生成模型的训练;若否,则更新所述噪点生成模型。
可选的,所述噪点生成模型的输出为所述加噪图片;或者,所述噪点生成模型的输出为噪点图片,所述原始图片与所述噪点图片相加得到所述加噪图片。
图9所示装置可以执行前述实施例一至三提供的图像处理方法,本实施例未详细描述的部分,可参考对前述实施例的相关说明。该技术方案的执行过程和技术效果参见前述实施例中的描述,在此不再赘述。
图10为本申请实施例提供的另一种图像处理装置的结构示意图。如图10所示,该装置可以包括:
图片获取模块13,用于获取人机识别图片,其中,所述人机识别图片包括噪点;
结果获取模块14,用于获取预设图片识别模型对所述人机识别图片的识别结果;
确定模块15,用于确定所述识别结果满足预设条件;
展示模块16,用于展示所述人机识别图片。
可选的,所述确定模块15具体可以用于:获取所述人机识别图片对应的正确识别结果;若所述预设图片识别模型对所述人机识别图片的识别结果与所述正确识别结果不同,则确定所述识别结果满足预设条件。
可选的,所述图片获取模块13具体可以用于:获取用于生成人机识别图片的原始图片;通过噪点生成模型在所述原始图片中添加噪点,得到所述人机识别图片。
可选的,所述正确识别结果为所述预设图片识别模型对所述原始图片的识别结果。
可选的,所述展示模块16还可以用于:确认所述识别结果满足预设条件后,展示所述识别结果。
可选的,所述展示模块16还可以用于:响应于用户请求排除干扰的操作事件,展示所述识别结果。
可选的,所述展示模块16还可以用于:展示所述人机识别图片之后,若预设时间内没有获取到用户的反馈,则向用户展示用于提醒用户请求排除干扰的信息。
可选的,所述展示模块16还可以用于:接收用户对所述人机识别图片的反馈;确定所述反馈满足所述人机识别图片的识别条件;展示提示,其中,所述提示为用于展示通过人机识别的指示。
可选的,所述确定模块15还可以用于:确定展示所述人机识别图片与获取到用户的反馈之间的时间间隔;若所述时间间隔小于预设间隔,则确定所述反馈不满足所述人机识别图片的识别条件。
图10所示装置可以执行前述实施例四提供的图像处理方法,本实施例未详细描述的部分,可参考对前述实施例的相关说明。该技术方案的执行过程和技术效果参见前述实施例中的描述,在此不再赘述。
图11为本申请实施例提供的一种电子设备的结构示意图。该电子设备可以为任意具有图像处理功能的设备。如图11所示,该电子设备可以包括:第一处理器21和第一存储器22。其中,所述第一存储器22用于存储支持电子设备执行前述任一实施例提供的图像处理方法的程序,所述第一处理器21被配置为用于执行所述第一存储器22中存储的程序。
所述程序包括一条或多条计算机指令,其中,所述一条或多条计算机指令被所述第一处理器21执行时能够实现如下步骤:
获取用于对噪点生成模型进行训练的原始图片;
根据图片识别模型对加噪图片的识别结果,对所述噪点生成模型进行训练;
其中,所述加噪图片为通过所述噪点生成模型在原始图片中添加噪点得到的图片。
可选地,所述第一处理器21还用于执行前述图1-图7所示实施例中的全部或部分步骤。
其中,所述电子设备的结构中还可以包括第一通信接口23,用于电子设备与其他设备或通信网络通信。
图12为本申请实施例提供的另一种电子设备的结构示意图。如图12所示,该电子设备可以包括:第二处理器24和第二存储器25。其中,所述第二存储器25用于存储支持电子设备执行前述任一实施例提供的图像处理方法的程序,所述第二处理器24被配置为用于执行所述第二存储器25中存储的程序。
所述程序包括一条或多条计算机指令,其中,所述一条或多条计算机指令被所述第二处理器24执行时能够实现如下步骤:
获取人机识别图片,其中,所述人机识别图片包括噪点;
获取预设图片识别模型对所述人机识别图片的识别结果;
确定所述识别结果满足预设条件;
展示所述人机识别图片。
可选地,所述第二处理器24还用于执行前述图8所示实施例中的全部或部分步骤。
其中,所述电子设备的结构中还可以包括第二通信接口26,用于电子设备与其他设备或通信网络通信。
另外,本申请实施例提供了一种存储计算机指令的计算机可读存储介质,当所述计算机指令被处理器执行时,致使所述处理器执行包括以下的动作:
获取用于对噪点生成模型进行训练的原始图片;
根据图片识别模型对加噪图片的识别结果,对所述噪点生成模型进行训练;
其中,所述加噪图片为通过所述噪点生成模型在原始图片中添加噪点得到的图片。
当所述计算机指令被处理器执行时,还可以致使所述处理器执行实施例一至三中的图像处理方法所涉及的全部或部分步骤。
另外,本申请实施例提供了另一种存储计算机指令的计算机可读存储介质,当所述计算机指令被处理器执行时,致使所述处理器执行包括以下的动作:
获取人机识别图片,其中,所述人机识别图片包括噪点;
获取预设图片识别模型对所述人机识别图片的识别结果;
确定所述识别结果满足预设条件;
展示所述人机识别图片。
当所述计算机指令被处理器执行时,还可以致使所述处理器执行实施例四中的图像处理方法所涉及的全部或部分步骤。
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和软件结合的方式来实现。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计算机产品的形式体现出来,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程图像处理设备的处理器以产生一个机器,使得通过计算机或其他可编程图像处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程图像处理设备以特定方式楼层的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程图像处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
最后应说明的是:以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,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申请各实施例技术方案的精神和范围。
Claims (28)
1.一种图像处理方法,其特征在于,包括:
获取用于对噪点生成模型进行训练的原始图片;
根据图片识别模型对加噪图片的识别结果,对所述噪点生成模型进行训练;
其中,所述加噪图片为通过所述噪点生成模型在原始图片中添加噪点得到的图片。
2.根据权利要求1所述的方法,其特征在于,根据图片识别模型对加噪图片的识别结果,对所述噪点生成模型进行训练之后,还包括:
根据训练完成的噪点生成模型,在待处理的图片中添加噪点,得到用作验证码的加噪图片;
或者,输出所述训练完成的噪点生成模型。
3.根据权利要求2所述的方法,其特征在于,在得到用作验证码的加噪图片之后,还包括:
将所述用作验证码的加噪图片添加到验证码图片库;
响应于用户的操作事件,从验证码图片库中选择加噪图片;
将所选择的加噪图片显示给用户,供所述用户通过识别所述加噪图片输入验证码。
4.根据权利要求1所述的方法,其特征在于,根据图片识别模型对加噪图片的识别结果,对所述噪点生成模型进行训练,包括:
根据所述原始图片,通过生成式对抗网络对所述噪点生成模型进行训练;
其中,所述生成式对抗网络中的生成模型包括所述噪点生成模型,所述生成式对抗网络中的判别模型包括所述图片识别模型。
5.根据权利要求2所述的方法,其特征在于,获取用于对噪点生成模型进行训练的原始图片,包括:
获取用于生成验证码图片的原始图片;
相应的,根据训练完成的噪点生成模型,在待处理的图片中添加噪点,得到用作验证码的加噪图片,包括:
获取通过所述训练完成的噪点生成模型对所述原始图片添加噪点后得到的加噪图片。
6.根据权利要求1所述的方法,其特征在于,获取用于对噪点生成模型进行训练的原始图片,包括:
获取用于对噪点生成模型进行训练的多个原始图片;
相应的,根据图片识别模型对加噪图片的识别结果,对所述噪点生成模型进行训练,包括:
依次对每个原始图片进行处理,其中对原始图片的处理包括:根据图片识别模型对加噪图片的识别结果,对所述噪点生成模型进行训练。
7.根据权利要求6所述的方法,其特征在于,在根据图片识别模型对加噪图片的识别结果,对所述噪点生成模型进行训练之前,还包括:
根据所述多个原始图片对图片识别模型进行训练。
8.根据权利要求1所述的方法,其特征在于,所述图片识别模型的识别结果为图片的类别;
相应的,所述方法还包括:
若根据图片识别模型对原始图片的识别结果与根据图片识别模型对所述原始图片对应的加噪图片的识别结果不一致,则结束根据所述原始图片对所述噪点生成模型的训练。
9.根据权利要求1所述的方法,其特征在于,根据图片识别模型对加噪图片的识别结果,对所述噪点生成模型进行训练,包括:
重复执行下述步骤,直至确定结束根据所述原始图片对噪点生成模型的训练:通过噪点生成模型对原始图片增加噪点,得到加噪图片;获取图片识别模型对原始图片的识别结果以及对所述加噪图片的识别结果;判断是否结束根据所述原始图片对噪点生成模型的训练;若否,则更新所述噪点生成模型。
10.根据权利要求9所述的方法,其特征在于,判断是否结束根据所述原始图片对噪点生成模型的训练,包括:
获取原始图片的像素值与加噪图片的像素值之间的差距;
根据所述差距是否大于预设阈值,和/或,重复执行次数是否大于预设次数,判断是否结束根据所述原始图片对噪点生成模型的训练。
11.根据权利要求10所述的方法,其特征在于,所述原始图片的像素值与加噪图片的像素值之间的差距为所述原始图片的像素值与加噪图片的像素值之间的欧式距离。
12.根据权利要求11所述的方法,其特征在于,更新所述噪点生成模型,包括:
根据识别结果差距,获取分类误导程度值,其中,所述识别结果差距为图片识别模型对原始图片的识别结果以及对所述加噪图片的识别结果之间的差距;
根据所述欧式距离以及所述分类误导程度值确定Loss值;
根据所述Loss值对所述噪点生成模型进行更新。
13.根据权利要求12所述的方法,其特征在于,所述图片识别模型的识别结果包括图片属于各个类别的置信度;
相应的,根据识别结果差距,获取分类误导程度值,包括:
根据置信度差值,确定分类误导程度值,其中,所述置信度差值为原始图片属于每个类别的置信度与加噪图片属于该类别的置信度之间的差值。
14.根据权利要求10所述的方法,其特征在于,根据所述差距是否大于预设阈值,和/或,重复执行次数是否大于预设次数,判断是否结束根据所述原始图片对噪点生成模型的训练,包括:
判断是否重复执行次数为1且所述差距大于预设阈值;
若是,则更新所述噪点生成模型,将所述重复执行次数清零,并重新根据所述原始图像对所述噪点生成模型进行训练;
若否,则根据所述差距是否大于预设阈值,和/或,重复执行次数是否大于预设次数,判断是否结束根据所述原始图片对噪点生成模型的训练。
15.根据权利要求1-14中任一项所述的方法,其特征在于,所述噪点生成模型的输出为所述加噪图片;
或者,所述噪点生成模型的输出为噪点图片;相应的,所述方法还包括:将所述原始图片与所述噪点图片相加,生成所述加噪图片。
16.一种图像处理方法,其特征在于,包括:
获取人机识别图片,其中,所述人机识别图片包括噪点;
获取预设图片识别模型对所述人机识别图片的识别结果;
确定所述识别结果满足预设条件;
展示所述人机识别图片。
17.根据权利要求16所述的方法,其特征在于,确定所述识别结果满足预设条件,包括:
获取所述人机识别图片对应的正确识别结果;
若所述预设图片识别模型对所述人机识别图片的识别结果与所述正确识别结果不同,则确定所述识别结果满足预设条件。
18.根据权利要求17所述的方法,其特征在于,获取人机识别图片,包括:
获取用于生成人机识别图片的原始图片;
通过噪点生成模型在所述原始图片中添加噪点,得到所述人机识别图片。
19.根据权利要求18所述的方法,其特征在于,所述正确识别结果为所述预设图片识别模型对所述原始图片的识别结果。
20.根据权利要求16所述的方法,其特征在于,确认所述识别结果满足预设条件后,还包括:
展示所述识别结果。
21.根据权利要求16所述的方法,其特征在于,还包括:
响应于用户请求排除干扰的操作事件,展示所述识别结果。
22.根据权利要求16所述的方法,其特征在于,展示所述人机识别图片之后,还包括:
若预设时间内没有获取到用户的反馈,则向用户展示用于提醒用户请求排除干扰的信息。
23.根据权利要求16至22中任一项所述的方法,其特征在于,还包括:
接收用户对所述人机识别图片的反馈;
确定所述反馈满足所述人机识别图片的识别条件;
展示提示,其中,所述提示为用于展示通过人机识别的指示。
24.根据权利要求16至22中任一项所述的方法,其特征在于,还包括:
确定展示所述人机识别图片与获取到用户的反馈之间的时间间隔;
若所述时间间隔小于预设间隔,则确定所述反馈不满足所述人机识别图片的识别条件。
25.一种图像处理装置,其特征在于,包括:
获取模块,用于获取用于对噪点生成模型进行训练的原始图片;
训练模块,用于根据图片识别模型对加噪图片的识别结果,对所述噪点生成模型进行训练,其中,所述加噪图片为通过所述噪点生成模型在原始图片中添加噪点得到的图片。
26.一种图像处理装置,其特征在于,包括:
图片获取模块,用于获取人机识别图片,其中,所述人机识别图片包括噪点;
结果获取模块,用于获取预设图片识别模型对所述人机识别图片的识别结果;
确定模块,用于确定所述识别结果满足预设条件;
展示模块,用于展示所述人机识别图片。
27.一种电子设备,其特征在于,包括:第一存储器和第一处理器;其中,
所述第一存储器用于存储一条或多条计算机指令,其中,所述一条或多条计算机指令被所述第一处理器执行时实现如权利要求1至15中任一项所述的图像处理方法。
28.一种电子设备,其特征在于,包括:第二存储器和第二处理器;其中,
所述第二存储器用于存储一条或多条计算机指令,其中,所述一条或多条计算机指令被所述第二处理器执行时实现如权利要求16至24中任一项所述的图像处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811062717.3A CN110895691B (zh) | 2018-09-12 | 2018-09-12 | 图像处理方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811062717.3A CN110895691B (zh) | 2018-09-12 | 2018-09-12 | 图像处理方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110895691A true CN110895691A (zh) | 2020-03-20 |
CN110895691B CN110895691B (zh) | 2023-06-23 |
Family
ID=69784909
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811062717.3A Active CN110895691B (zh) | 2018-09-12 | 2018-09-12 | 图像处理方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110895691B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111951805A (zh) * | 2020-07-10 | 2020-11-17 | 华为技术有限公司 | 一种文本数据处理方法及装置 |
WO2022156552A1 (zh) * | 2021-01-19 | 2022-07-28 | 北京嘀嘀无限科技发展有限公司 | 验证码图像加密方法、设备、存储介质和计算机程序产品 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102014108924A1 (de) * | 2013-06-28 | 2015-01-15 | Cognex Corporation | Ein halbüberwachtes Verfahren zum Trainiern eines Hilfsmodells zur Erkennung und Erfassung von Mehrfachmustern |
WO2018119684A1 (zh) * | 2016-12-27 | 2018-07-05 | 深圳前海达闼云端智能科技有限公司 | 一种图像识别系统及图像识别方法 |
CN108388833A (zh) * | 2018-01-15 | 2018-08-10 | 阿里巴巴集团控股有限公司 | 一种图像识别方法、装置及设备 |
CN108446621A (zh) * | 2018-03-14 | 2018-08-24 | 平安科技(深圳)有限公司 | 票据识别方法、服务器及计算机可读存储介质 |
-
2018
- 2018-09-12 CN CN201811062717.3A patent/CN110895691B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102014108924A1 (de) * | 2013-06-28 | 2015-01-15 | Cognex Corporation | Ein halbüberwachtes Verfahren zum Trainiern eines Hilfsmodells zur Erkennung und Erfassung von Mehrfachmustern |
WO2018119684A1 (zh) * | 2016-12-27 | 2018-07-05 | 深圳前海达闼云端智能科技有限公司 | 一种图像识别系统及图像识别方法 |
CN108388833A (zh) * | 2018-01-15 | 2018-08-10 | 阿里巴巴集团控股有限公司 | 一种图像识别方法、装置及设备 |
CN108446621A (zh) * | 2018-03-14 | 2018-08-24 | 平安科技(深圳)有限公司 | 票据识别方法、服务器及计算机可读存储介质 |
Non-Patent Citations (2)
Title |
---|
LEI LUO等: ""Nuclear-L1 norm joint regression for face reconstruction and recognition with mixed noise"" * |
张素雯等: ""深层卷积神经网络在车标分类上的应用"" * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111951805A (zh) * | 2020-07-10 | 2020-11-17 | 华为技术有限公司 | 一种文本数据处理方法及装置 |
WO2022156552A1 (zh) * | 2021-01-19 | 2022-07-28 | 北京嘀嘀无限科技发展有限公司 | 验证码图像加密方法、设备、存储介质和计算机程序产品 |
Also Published As
Publication number | Publication date |
---|---|
CN110895691B (zh) | 2023-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10404720B2 (en) | Method and system for identifying a human or machine | |
US9076030B2 (en) | Liveness detection | |
CN108345641B (zh) | 一种爬取网站数据的方法、存储介质和服务器 | |
CN110837856B (zh) | 神经网络训练及目标检测方法、装置、设备和存储介质 | |
CN106650398B (zh) | 移动平台的验证码识别系统及识别方法 | |
CN107682368B (zh) | 基于交互操作的验证方法、客户端、服务器及系统 | |
US20200320419A1 (en) | Method and device of classification models construction and data prediction | |
CN110969045B (zh) | 一种行为检测方法、装置、电子设备和存储介质 | |
CN111291668A (zh) | 活体检测方法、装置、电子设备及可读存储介质 | |
CN110895691A (zh) | 图像处理方法、装置及电子设备 | |
CN112101231A (zh) | 学习行为的监控方法、终端、小程序以及服务器 | |
CN117409419A (zh) | 图像检测方法、设备及存储介质 | |
CN106250755B (zh) | 用于生成验证码的方法及装置 | |
CN109299592B (zh) | 人机行为特征边界构建方法、系统、服务器及存储介质 | |
WO2016171923A1 (en) | Method and system for identifying a human or machine | |
CN112200711B (zh) | 一种水印分类模型的训练方法及系统 | |
CN115037790A (zh) | 异常注册识别方法、装置、设备及存储介质 | |
CN114917590A (zh) | 一种虚拟现实的游戏系统 | |
CN111860261B (zh) | 一种客流值的统计方法、装置、设备及介质 | |
CN110415688B (zh) | 一种信息交互方法及机器人 | |
CN109376585B (zh) | 一种人脸识别的辅助方法、人脸识别方法及终端设备 | |
CN114067401A (zh) | 目标检测模型的训练及身份验证方法和装置 | |
CN114218574A (zh) | 一种数据检测方法、装置、电子设备以及存储介质 | |
CN111402027B (zh) | 身份识别方法、商品贷审核方法、装置及终端设备 | |
CN112528790A (zh) | 基于行为识别的教学管理方法、装置及服务器 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |