CN111027643B - 深度神经网络模型的训练方法、人机交互识别方法、装置、电子设备及存储介质 - Google Patents
深度神经网络模型的训练方法、人机交互识别方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN111027643B CN111027643B CN201911370210.9A CN201911370210A CN111027643B CN 111027643 B CN111027643 B CN 111027643B CN 201911370210 A CN201911370210 A CN 201911370210A CN 111027643 B CN111027643 B CN 111027643B
- Authority
- CN
- China
- Prior art keywords
- user
- coordinate
- frequency domain
- identified
- sequence
- 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
- 238000000034 method Methods 0.000 title claims abstract description 94
- 238000003062 neural network model Methods 0.000 title claims abstract description 82
- 238000012549 training Methods 0.000 title claims abstract description 59
- 230000003993 interaction Effects 0.000 title claims abstract description 37
- 238000012795 verification Methods 0.000 claims abstract description 97
- 238000004891 communication Methods 0.000 claims description 28
- 230000002159 abnormal effect Effects 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 13
- 230000008859 change Effects 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 6
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 18
- 238000010586 diagram Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 6
- 230000001680 brushing effect Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000012015 optical character recognition Methods 0.000 description 3
- 230000003213 activating effect Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 210000002268 wool Anatomy 0.000 description 2
- 241000270322 Lepidosauria Species 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000005242 forging Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- 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
- G06F21/45—Structures or tools for the administration of authentication
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Security & Cryptography (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供了一种深度神经网络模型的训练方法、人机交互识别方法、装置、电子设备及存储介质，其中，该识别方法包括：基于所获取的待识别用户进行验证码操作的原始轨迹数据，生成待识别用户的频域特征数据；基于该频域特征数据，生成待识别用户的特征向量；将该特征向量，输入深度神经网络模型，得到表示待识别用户的属性的识别结果。采用本申请实施例的技术方案，可以将基于待识别用户的频域特征数据生成的特征向量输入深度神经网络模型，得到表示待识别用户的属性的识别结果，采用本发明实施例的技术方案，提高了人机交互识别结果的准确性，并且无需用户进行更复杂的操作，有利于提升用户体验。
Description
技术领域
本发明涉及计算机技术领域，特别是涉及一种深度神经网络模型的训练方法、人机交互识别方法、装置、电子设备及存储介质。
背景技术
目前，在实际应用中经常需要防止他人使用机刷方法来执行预设操作，例如：在投票、拉新促活激励、内容上传等场景中，通过使用滑动或选字等验证码，来识别进行验证码操作的用户是否为正常用户，以便减少刷票、薅羊毛、批量上传低质内容等恶意行为。
随着OCR(光学字符识别，Optical Character Recognition)、爬虫、深度学习等技术的发展，利用这些技术几乎可以攻破验证码技术；目前，主要是通过设置复杂的验证码来提高识别的准确性。
但是，由于设置了复杂的验证码，需要用户进行更复杂的操作，降低了识别效率。
发明内容
本发明实施例的目的在于提供一种深度神经网络模型的训练方法、人机交互识别方法、装置、电子设备及存储介质，以在不需要用户进行更复杂的操作的前提下，提高人机交互识别结果的准确性，以及提高识别效率。具体技术方案如下：
在本发明实施的第一方面，首先提供了一种深度神经网络模型的训练方法，包括：
获取多个样本用户进行验证码操作的原始轨迹数据，所述多个样本用户包括正常用户；
基于每个样本用户的所述原始轨迹数据，生成每个所述样本用户的频域特征数据；
基于每个所述样本用户的频域特征数据，生成每个所述样本用户的特征向量，作为每个所述样本用户对应的训练样本；
基于每个样本用户对应的训练样本对初始深度神经网络模型进行训练，得到所述深度神经网络模型，所述深度神经网络模型用于识别待识别用户是否为正常用户。
进一步的，所述多个样本用户还包括非正常用户。
在本发明实施的第二方面，还提供了一种人机交互识别方法，包括：
基于所获取的待识别用户进行验证码操作的原始轨迹数据，生成所述待识别用户的频域特征数据；
基于所述频域特征数据，生成所述待识别用户的特征向量；
将所述特征向量，输入深度神经网络模型，得到表示所述待识别用户的属性的识别结果，所述待识别用户的属性表示所述待识别用户是否为正常用户；其中，所述深度神经网络模型为利用上述任一所述的深度神经网络模型的训练方法生成的。
进一步的，所述基于所获取的待识别用户进行验证码操作的原始轨迹数据，生成所述待识别用户在的频域特征数据，包括：
基于所获取的待识别用户进行验证码操作的原始轨迹数据，构建所述待识别用户的X坐标序列和Y坐标序列，所述X坐标序列包括所述原始轨迹数据中在各预设时刻处的X坐标值，所述Y坐标序列包括所述原始轨迹数据中在各所述预设时刻处的Y坐标值，其中，相邻的预设时刻之间的时间间隔相等；
分别对所述X坐标序列和所述Y坐标序列进行离散傅立叶变换，得到所述待识别用户的X坐标频域序列和Y坐标频域序列，作为所述待识别用户的频域特征数据。
进一步的，所述基于所获取的待识别用户进行验证码操作的原始轨迹数据，构建所述待识别用户的X坐标序列和Y坐标序列，包括：
对所获取的待识别用户进行验证码操作的原始轨迹数据进行插值，得到所述待识别用户的X坐标序列和Y坐标序列。
进一步的，所述方法还包括：获取所述待识别用户进行所述验证码操作的校验结果；
如果所述校验结果为通过，并且所述识别结果表示所述待识别用户为正常用户，确定所述待识别用户通过验证码验证。
进一步的，所述深度神经网络模型为autoencoder(自编码器)模型、one-classSVM(单类支持向量机，One-class Support Vector Machine)模型、iforest(孤立森林，Isolation Forest)模型中的一种。
在本发明实施的又一方面，还提供了一种深度神经网络模型的训练装置，包括：
获取模块，用于获取多个样本用户进行验证码操作的原始轨迹数据，所述多个样本用户包括正常用户；
第一生成模块，用于基于每个样本用户的所述原始轨迹数据，生成每个所述样本用户的频域特征数据；
第二生成模块，用于基于每个所述样本用户的频域特征数据，生成每个所述样本用户的特征向量，作为每个所述样本用户对应的训练样本；
训练模块，用于基于每个样本用户对应的训练样本对初始深度神经网络模型进行训练，得到所述深度神经网络模型，所述深度神经网络模型用于识别待识别用户是否为正常用户。
进一步的，所述多个样本用户还包括非正常用户。
在本发明实施的又一方面，还提供了一种人机交互识别装置，包括：
第一生成模块，用于基于所获取的待识别用户进行验证码操作的原始轨迹数据，生成所述待识别用户的频域特征数据；
第二生成模块，用于基于所述频域特征数据，生成所述待识别用户的特征向量；
输入模块，用于将所述特征向量，输入深度神经网络模型，得到表示所述待识别用户的属性的识别结果，所述待识别用户的属性表示所述待识别用户是否为正常用户；其中，所述深度神经网络模型为利用上述任一所述的深度神经网络模型的训练方法生成的。
进一步的，所述第一生成模块，包括：
构建子模块，用于基于所获取的待识别用户进行验证码操作的原始轨迹数据，构建所述待识别用户的X坐标序列和Y坐标序列，所述X坐标序列包括所述原始轨迹数据中在各预设时刻处的X坐标值，所述Y坐标序列包括所述原始轨迹数据中在各所述预设时刻处的Y坐标值，其中，相邻的预设时刻之间的时间间隔相等；
变换子模块，用于分别对所述X坐标序列和所述Y坐标序列进行离散傅立叶变换，得到所述待识别用户的X坐标频域序列和Y坐标频域序列，作为所述待识别用户的频域特征数据。
进一步的，所述构建子模块，具体用于对所获取的待识别用户进行验证码操作的原始轨迹数据进行插值，得到所述待识别用户的X坐标序列和Y坐标序列。
进一步的，所述装置还包括：
获取模块，用于获取所述待识别用户进行所述验证码操作的校验结果；
确定模块，用于如果所述校验结果为通过，并且所述识别结果表示所述待识别用户为正常用户，确定所述待识别用户通过验证码验证。
进一步的，所述深度神经网络模型为autoencoder模型、one-class SVM模型、iforest模型中的一种。
在本发明实施的又一方面，还提供了一种电子设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现上述任一所述的深度神经网络模型的训练方法步骤。
在本发明实施的又一方面，还提供了一种电子设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现上述任一所述的人机交互识别方法步骤。
在本发明实施的又一方面，还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述任一所述的深度神经网络模型的训练方法。
在本发明实施的又一方面，还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述任一所述的人机交互识别方法。
在本发明实施的又一方面，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述任一所述的深度神经网络模型的训练方法。
在本发明实施的又一方面，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述任一所述的人机交互识别方法。
本发明实施例提供的深度神经网络模型的训练方法、人机交互识别方法、装置、电子设备及存储介质，基于所获取的待识别用户进行验证码操作的原始轨迹数据，生成待识别用户的频域特征数据；基于该频域特征数据，生成待识别用户的特征向量；将该特征向量，输入深度神经网络模型，得到表示待识别用户的属性的识别结果。由于频域特征数据能够表示原始轨迹数据生成时的生物频率特征，也就是说，频域特征数据可以反应出原始轨迹数据生成过程中的速率变化，现有技术在伪造轨迹数据的过程中的速率变化不同于正常用户进行验证码操作过程中的速率变化，并且，正常用户的位于高频的频域特征数据低于异常用户的位于高频的频域特征数据，正常用户的频域特征数据的波动性高于异常用户的的频域特征数据的波动性，所以，采用该方案，在不需要用户进行更复杂的操作的前提下，提高了人机交互识别结果的准确性，并且相比进行复杂的操作，提高了识别效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。
图1为本发明实施例提供的一种深度神经网络模型的训练方法的流程图；
图2为本发明实施例提供的一种人机交互识别方法的流程图；
图3为本发明实施例提供的另一种人机交互识别方法的流程图；
图4为本发明实施例提供的原始轨迹数据中的Y坐标值与X坐标值之间的示意图；
图5为本发明实施例提供的原始轨迹数据的X坐标值与时间之间的示意图；
图6为本发明实施例提供的一种选字验证码的示意图；
图7为本发明实施例提供的频域特征数据中的X坐标频域序列的频域值与频率之间的示意图；
图8为本发明实施例提供的另一种人机交互识别方法的流程图；
图9为本发明实施例提供的一种深度神经网络模型的训练装置的结构示意图；
图10为本发明实施例提供的一种人机交互识别装置的结构示意图；
图11为本发明实施例提供的另一种人机交互识别装置的结构示意图；
图12为本发明实施例提供的另一种人机交互识别装置的结构示意图；
图13为本发明实施例提供的一种电子设备的结构示意图；
图14为本发明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
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描述。
目前，在实际应用中经常需要防止他人使用机刷方法来执行预设操作，例如：在投票、拉新促活激励、内容上传等场景中，通过使用滑动或选字等验证码，来识别进行验证码操作的用户是否为正常用户，以便减少刷票、薅羊毛、批量上传低质内容等恶意行为。
随着OCR、爬虫、深度学习等技术的发展，利用这些技术几乎可以攻破验证码技术；目前，主要是通过设置复杂的验证码来提高识别的准确性；但是，由于设置了复杂的验证码，需要用户进行更复杂的操作，降低了用户体验。
为了在不需要用户进行更复杂的操作的前提下，提高人机交互识别结果的准确性，本申请实施例提供了一种深度神经网络模型的训练方法，如图1所示，具体可以包括如下步骤：
步骤101，获取多个样本用户进行验证码操作的原始轨迹数据，多个样本用户包括正常用户；
步骤102，基于每个样本用户的原始轨迹数据，生成该样本用户的频域特征数据；
步骤103，基于该样本用户的频域特征数据，生成该样本用户的特征向量，作为该样本用户对应的训练样本；
步骤104，基于每个样本用户对应的训练样本对初始深度神经网络模型进行训练，得到深度神经网络模型，深度神经网络模型用于识别待识别用户是否为正常用户。
采用本申请实施例提供的上述训练方法，可以得到用于识别待识别用户是否为正常用户的深度神经网络模型。
具体的，在上述步骤101中，每个样本用户在进行验证码操作时，终端设备每隔预设时长可以采集样本用户的手指或者鼠标所在终端设备的屏幕上的X坐标值和Y坐标值，作为样本用户进行验证码操作的原始轨迹数据；基于此，可以获取终端设备采集的每个样本用户的原始轨迹数据。
在上述步骤102中，可以基于每个样本用户进行验证码操作的原始轨迹数据，构建该样本用户的X坐标序列和Y坐标序列，分别对X坐标序列和Y坐标序列中进行离散傅立叶变换，得到该样本用户的X坐标频域序列和Y坐标频域序列，作为该样本用户的频域特征数据；其中，关于详细的生成过程可以参考以下的人机交互识别方法中的步骤301-302的相关描述。
在上述步骤103中，可以将该样本用户的X坐标频域序列中的各频域值以及Y坐标频域序列中的各频域值作为该样本用户的特征向量中的各参量；其中，关于详细的生成过程可以参考以下的人机交互识别方法中的步骤303的相关描述。
具体的，每个样本用户的属性是已知的，样本用户的属性表示该样本用户是否为正常用户。
上述步骤104的具体过程可以如下：将每个样本用户对应的训练样本输入至初始深度神经网络模型，采用该初始深度神经网络模型的当前权重参数，对训练样本进行处理，输出表示该样本用户的属性的识别结果；如果输出的识别结果所表示的该样本用户的属性与该样本的属性一致，则将下一样本用户对应的训练样本输入至上述深度神经网络模型，重复上述步骤；如果输出的识别结果所表示的该样本用户的属性与该样本的属性不一致，则调整该初始深度神经网络模型的当前权重参数后，继续将该样本用户对应的训练样本输入至权重参数调整后的深度神经网络模型，直到输出的识别结果所表示的该样本用户的属性与该样本的属性一致，然后将下一样本用户对应的训练样本输入至上述深度神经网络模型，重复上述步骤；基于此，在使用所有样本用户对应的训练样本对初始深度神经网络模型进行训练后，可以确定最终的权重参数，得到训练完成的深度神经网络模型。
本领域技术人员可以理解的是，如果上述多个样本为正常用户，那么采用上述训练方法得到的深度神经网络模型，可以识别出待识别用户是否为正常用户，如果待识别用户为正常用户，也就是说，该待识别用户进行验证码操作的原始轨迹数据为真实的用户进行验证码操作时得到的，那么，除正常用户之外的用户为非正常用户，即异常用户，该待识别用户进行验证码操作的原始轨迹数据是伪造出来的。
进一步的，上述多个样本用户还包括非正常用户；可以理解的是，如果上述多个样本中包括正常用户和非正常用户，那么采用上述训练方法得到的深度神经网络模型，可以识别出待识别用户是正常用户，还是非正常用户。
本发明实施例还提供了一种人机交互识别方法，如图2所示，具体可以包括如下步骤：
步骤201，基于所获取的待识别用户进行验证码操作的原始轨迹数据，生成待识别用户的频域特征数据。
步骤202，基于该频域特征数据，生成待识别用户的特征向量。
步骤203，将该特征向量，输入深度神经网络模型，得到表示待识别用户的属性的识别结果，待识别用户的属性表示该待识别用户是否为正常用户；其中，深度神经网络模型为利用上述的深度神经网络模型的训练方法生成的。
采用本发明实施例提供的上述人机交互识别方法，可以将基于待识别用户的频域特征数据生成的特征向量输入深度神经网络模型，得到表示待识别用户的属性的识别结果，由于频域特征数据能够表示原始轨迹数据生成时的生物频率特征，也就是说，频域特征数据可以反应出原始轨迹数据生成过程中的速率变化，现有技术在伪造轨迹数据的过程中的速率变化不同于正常用户进行验证码操作过程中的速率变化，并且，正常用户的位于高频的频域特征数据低于异常用户的位于高频的频域特征数据，正常用户的频域特征数据的波动性高于异常用户的的频域特征数据的波动性，所以，采用该方案，由于频域特征数据可以反应出原始轨迹数据生成过程中的速率变化，增加了攻破该识别方法的困难度，因此，可以在不需要用户进行更复杂的操作的前提下，提高人机交互识别结果的准确性，并且相比进行复杂的操作，提高了识别效率。
本发明实施例还提供了另一种人机交互识别方法，可以应用于服务器，也可以应用于客户端，如图3所示，以应用于服务器为例，具体可以包括如下步骤：
步骤301，基于所获取的待识别用户进行验证码操作的原始轨迹数据，构建待识别用户的X坐标序列和Y坐标序列。
本步骤中，X坐标序列包括该原始轨迹数据中在各预设时刻处的X坐标值，Y坐标序列包括该原始轨迹数据中在各预设时刻处的Y坐标值，其中，相邻的预设时刻之间的时间间隔相等，相邻的预设时刻之间的时间间隔的设置可以根据实际的使用需求进行调整，本申请实施例在此不做限制，在一种实施方式中，相邻的预设时刻之间的时间间隔可以设置为10ms。
其中，X坐标序列中的X坐标值的数量，以及Y坐标序列中的Y坐标值的数量可以根据实际的使用需求进行调整，本申请实施例在此不做限制，在一种实施方式中，X坐标序列中的X坐标值的数量，以及Y坐标序列中的Y坐标值的数量可以设置为50。
本领域技术人员可以理解的是，待识别用户在完成验证码操作时，待识别用户的手指或者鼠标所在终端设备的屏幕上滑过的轨迹可以如图4-图5所示，其中：图4中的各坐标系的横坐标表示该轨迹的X坐标值，单位为像素，纵坐标表示该轨迹的Y坐标值，单位为像素；图5中的各坐标系的横坐标表示时间，单位为秒，纵坐标表示该轨迹的X坐标值，单位为像素。
例如：待识别用户在进行图6所示的验证码操作时，终端设备每隔预设时长可以采集待识别用户的手指或者鼠标所在终端设备的屏幕上的X坐标值和Y坐标值，作为待识别用户进行验证码操作的原始轨迹数据，并将该原始轨迹数据发送给服务器，由于上述预设时长和终端设备的设置有关，并且，该原始数据中的各X坐标值和各Y坐标值对应的时刻与本步骤中的各预设时刻并不对应，可以对原始数据中的X坐标值和Y坐标值进行处理，得到待识别用户的X坐标序列和Y坐标序列。
在一种实施方式中，可以通过对所获取的待识别用户进行验证码操作的原始轨迹数据进行插值，得到待识别用户的X坐标序列和Y坐标序列。
示例性的，所获取的待识别用户进行验证码操作的原始轨迹数据为(x1，y1，t1)，(x2，y2，t2)，.....，(xn，yn，tn)......，其中，tn表示第n个时刻，xn表示在tn时刻，待识别用户进行验证码操作的手指或者鼠标所在终端设备的屏幕上的X坐标值，yn表示在tn时刻，待识别用户进行验证码操作的手指或者鼠标所在终端设备的屏幕上的Y坐标值，上述各预设时刻中的第一个预设时刻位于t1时刻和t2时刻之间，为方便描述，记为T1，其中，t1时刻和t2时刻之间的时间间隔记为Δt，t1时刻与T1时刻之间的时间间隔为ΔT，可以采用以下插值公式进行计算，得到待识别用户的X坐标序列中的在T1时刻处的X坐标值和Y坐标序列中的在T1时刻处的Y坐标值：
其中，X1表示待识别用户的X坐标序列中的在T1时刻处的X坐标值，Y1表示待识别用户的Y坐标序列中的在T1时刻处的Y坐标值。
以此类推，可以得到待识别用户的X坐标序列和Y坐标序列。
步骤302，分别对X坐标序列和Y坐标序列中进行离散傅立叶变换，得到待识别用户的X坐标频域序列和Y坐标频域序列，作为待识别用户的频域特征数据。
示例性的，在执行完上述步骤301后，得到的X坐标序列为X1，X2，X3......Xn，Y坐标序列为Y1，Y2，Y3......Yn，采用以下公式对X坐标序列进行离散傅立叶变换：
其中，表示待识别用户的的X坐标序列对应的第k+1个频域值，N表示X坐标序列中的X坐标值的个数，k的取值范围为：0～(N-1)，Xn表示上述X坐标序列中第n个X坐标值；基于此，可以得到待识别用户的X坐标序列对应的各频域值，作为待识别用户的X坐标频域序列。
采用以下公式对Y坐标序列进行离散傅立叶变换：
其中，表示待识别用户的的Y坐标序列对应的第k+1个频域值，N表示Y坐标序列中的Y坐标值的个数，k的取值范围为：0～(N-1)，Yn表示上述Y坐标序列中第n个Y坐标值；基于此，可以得到待识别用户的Y坐标序列对应的各频域值，作为待识别用户的Y坐标频域序列。
为了更直观的比较正常用户的频域特征数据与非正常用户的频域特征数据，可以针对已知的用户的原始轨迹数据，在完成步骤302后，可以得到已知的用户的频域特征数据；其中，可以将得到的待识别用户的X坐标频域序列中的各频域值作为纵坐标，上述k作为横坐标建立坐标系，其中，上述频域值表示幅值，单位为db；k表示频率，单位为Hz；如图7所示，图7中的第一行的坐标系为正常用户的X坐标频域序列中的各频域值与k建立的坐标系，第二行的坐标系为非正常用户的X坐标频域序列中的各频域值与k建立的坐标系；通过对比我们可以发现，正常用户的频域特征数据的波动性高于非正常用户的的频域特征数据的波动性。
步骤303，基于该频域特征数据，生成待识别用户的特征向量。
本步骤中，待识别用户的特征向量中的各参量为X坐标频域序列中的各频域值以及Y坐标频域序列中的各频域值。
示例性的，待识别用户的X坐标频域序列为Y坐标频域序列为/>那么待识别用户的特征向量可以为
步骤304，将该特征向量，输入深度神经网络模型，得到表示待识别用户的属性的识别结果。
本步骤中，待识别用户的属性表示该待识别用户是否为正常用户；其中，深度神经网络模型为采用上述的深度神经网络模型的训练方法生成的。
采用本发明实施例提供的上述人机交互识别方法，通过分别对待识别用户的X坐标序列和Y坐标序列进行离散傅立叶变换，得到的频域特征数据可以反应出原始轨迹数据生成过程中的速率变化，所以，增加了攻破该识别方法的困难度，因此，可以在不需要用户进行更复杂的操作的前提下，提高人机交互的识别结果的准确性；并且相比进行复杂的操作，提高了识别效率。
本发明实施例还提供了另一种人机交互识别方法，具体可以包括如下步骤：
步骤801，基于所获取的待识别用户进行验证码操作的原始轨迹数据，生成待识别用户的频域特征数据。
本步骤与图3实施例步骤301-302中生成待识别用户的频域特征数据的方法相同，在此不再详述。
步骤802，基于该频域特征数据，生成待识别用户的特征向量。
本步骤与图3实施例步骤303中生成待识别用户的特征向量的方法相同，在此不再详述。
步骤803，将该特征向量，输入深度神经网络模型，得到表示待识别用户的属性的识别结果。
本步骤中，深度神经网络模型为采用上述的深度神经网络模型的训练方法生成的。
步骤804，获取待识别用户进行该验证码操作的校验结果。
例如，待识别用户在对图6所示的验证码进行校验时，可以确定待识别用户是否依次选择了隧、赫、港、川；如果不是，即待识别用户的实际选择顺序与校验过程中所要求的选择顺序不一致，那么校验结果为不通过，如果是，即待识别用户的实际选择顺序与校验过程中所要求的选择顺序一致，那么校验结果为通过。
其中，步骤804与步骤801-803之间没有严格的执行顺序，可以同时执行；参照图8，图8提供了一种步骤804在步骤803之后的人机交互识别方法的实施例。
步骤805，判断如果该校验结果是否为通过，并且该识别结果是否表示待识别用户为正常用户。
具体的，如果该校验结果为通过，并且该识别结果表示待识别用户为正常用户，则进入步骤806；否则，即该校验结果为未通过，并且该识别结果表示待识别用户为正常用户，或者该校验结果为通过，并且该识别结果表示待识别用户为非正常用户，或者该校验结果为未通过，并且该识别结果表示待识别用户为非正常用户，则进入步骤807。
步骤806，确定待识别用户通过验证码验证。
也就是说，如果该校验结果为通过，并且该识别结果表示待识别用户为正常用户，则确定待识别用户通过验证码验证。
步骤807，确定待识别用户未通过验证码验证。
也就是说，如果该校验结果为未通过，并且该识别结果表示待识别用户为正常用户，或者该校验结果为通过，并且该识别结果表示待识别用户为非正常用户，或者该校验结果为未通过，并且该识别结果表示待识别用户为非正常用户，则确定待识别用户未通过验证码验证。
采用本发明实施例提供的上述人机交互识别方法，当校验结果为通过，并且该识别结果表示待识别用户为正常用户时，确定待识别用户通过验证码验证，在此过程中，所涉及到的频域特征数据可以反应出原始轨迹数据生成过程中的速率变化，所以，增加了攻破该识别方法的困难度，因此，可以在不需要用户进行更复杂的操作的前提下，提高人机交互的识别结果的准确性；并且相比进行复杂的操作，提高了识别效率。
在一种实施方式中，上述的深度神经网络模型可以为autoencoder模型、one-class SVM模型、iforest模型中的一种。
本领域技术人员可以理解的是，基于正常用户的特征向量进行训练得到的深度神经网络模型可以识别出待识别用户是否为正常用户，如果待识别用户为正常用户，也就是说，上述原始轨迹数据为真实的用户进行验证码操作时得到的，那么，除正常用户之外的用户为非正常用户，即异常用户，上述原始轨迹数据是伪造出来的。
相应于本发明实施例提供的上述深度神经网络模型的训练方法，本申请实施例还提供了一种深度神经网络模型的训练装置，如图9所示，具体可以包括：
获取模块901，用于获取多个样本用户进行验证码操作的原始轨迹数据，所述多个样本用户包括正常用户；
第一生成模块902，用于基于每个样本用户的所述原始轨迹数据，生成每个所述样本用户的频域特征数据；
第二生成模块903，用于基于每个所述样本用户的频域特征数据，生成每个所述样本用户的特征向量，作为每个所述样本用户对应的训练样本；
训练模块904，用于基于每个样本用户对应的训练样本对初始深度神经网络模型进行训练，得到所述深度神经网络模型，所述深度神经网络模型用于识别待识别用户是否为正常用户。
进一步的，所述多个样本用户还包括非正常用户。
相应于本发明实施例提供的上述人机交互识别方法，本发明实施例还提供了还提供了一种人机交互识别装置，如图10所示，具体可以包括：
第一生成模块1001，用于基于所获取的待识别用户进行验证码操作的原始轨迹数据，生成所述待识别用户的频域特征数据；
第二生成模块1002，用于基于所述频域特征数据，生成所述待识别用户的特征向量；
输入模块1003，用于将所述特征向量，输入深度神经网络模型，得到表示所述待识别用户的属性的识别结果，所述待识别用户的属性表示所述待识别用户是否为正常用户；其中，所述深度神经网络模型为利用以上所述的深度神经网络模型的训练方法生成的。
进一步的，如图11所示，所述第一生成模块1001，包括：
构建子模块10011，用于基于所获取的待识别用户进行验证码操作的原始轨迹数据，构建所述待识别用户的X坐标序列和Y坐标序列，所述X坐标序列包括所述原始轨迹数据中在各预设时刻处的X坐标值，所述Y坐标序列包括所述原始轨迹数据中在各所述预设时刻处的Y坐标值，其中，相邻的预设时刻之间的时间间隔相等；
变换子模块10012，用于分别对所述X坐标序列和所述Y坐标序列进行离散傅立叶变换，得到所述待识别用户的X坐标频域序列和Y坐标频域序列，作为所述待识别用户的频域特征数据。
进一步的，所述构建子模块10011，具体用于对所获取的待识别用户进行验证码操作的原始轨迹数据进行插值，得到所述待识别用户的X坐标序列和Y坐标序列。
近一步的，如图12所示，所述装置还包括：
获取模块1004，用于获取所述待识别用户进行所述验证码操作的校验结果；
确定模块1005，用于如果所述校验结果为通过，并且所述识别结果表示所述待识别用户为正常用户，确定所述待识别用户通过验证码验证。
进一步的，所述深度神经网络模型为autoencoder模型、one-class SVM模型、iforest模型中的一种。
本发明实施例还提供了一种电子设备，如图13所示，包括处理器1301、通信接口1302、存储器1303和通信总线1304，其中，处理器1301，通信接口1302，存储器1303通过通信总线1304完成相互间的通信，
存储器1303，用于存放计算机程序；
处理器1301，用于执行存储器1303上所存放的程序时，实现上述任一深度神经网络模型的训练方法的步骤。
本发明实施例还提供了一种电子设备，如图14所示，包括处理器1401、通信接口1402、存储器1403和通信总线1404，其中，处理器1401，通信接口1402，存储器1403通过通信总线1404完成相互间的通信，
存储器1403，用于存放计算机程序；
处理器1401，用于执行存储器1403上所存放的程序时，实现上述任一人机交互识别方法的步骤。
上述终端提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect，简称PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，简称EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述终端与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory，简称RAM)，也可以包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital Signal Processing，简称DSP)、专用集成电路(Application SpecificIntegrated Circuit，简称ASIC)、现场可编程门阵列(Field－Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在本发明提供的又一实施例中，还提供了一种计算机可读存储介质，该计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述实施例中任一所述的深度神经网络模型的训练方法。
在本发明提供的又一实施例中，还提供了一种计算机可读存储介质，该计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述实施例中任一所述的人机交互识别方法。
在本发明提供的又一实施例中，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述实施例中任一所述的深度神经网络模型的训练方法。
在本发明提供的又一实施例中，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述实施例中任一所述的人机交互识别方法。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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过程、方法、物品或者设备不仅包括那些要素，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过程、方法、物品或者设备所固有的要素。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过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、电子设备、计算机可读存储介质以及计算机程序产品而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。
Claims (11)
1.一种深度神经网络模型的训练方法，其特征在于，包括：
获取多个样本用户进行验证码操作的原始轨迹数据，所述多个样本用户包括正常用户；
基于每个样本用户的所述原始轨迹数据，生成每个所述样本用户的频域特征数据；
所述基于每个样本用户的所述原始轨迹数据，生成每个所述样本用户的频域特征数据，包括：
对每个样本用户的所述原始轨迹数据进行插值，得到所述样本用户的X坐标序列和Y坐标序列，所述X坐标序列包括所述原始轨迹数据中在各预设时刻处的X坐标值，所述Y坐标序列包括所述原始轨迹数据中在各所述预设时刻处的Y坐标值，其中，相邻的预设时刻之间的时间间隔相等；
分别对所述X坐标序列和所述Y坐标序列进行离散傅立叶变换，得到每个样本用户的X坐标频域序列和Y坐标频域序列，作为每个样本用户的频域特征数据；
基于每个所述样本用户的频域特征数据，生成每个所述样本用户的特征向量，作为每个所述样本用户对应的训练样本；其中，所述特征向量中的各参量为X坐标频域序列中的各频域值以及Y坐标频域序列中的各频域值；
基于每个样本用户对应的训练样本对初始深度神经网络模型进行训练，得到所述深度神经网络模型，所述深度神经网络模型用于识别待识别用户是否为正常用户。
2.根据权利要求1所述的训练方法，其特征在于，所述多个样本用户还包括非正常用户。
3.一种人机交互识别方法，其特征在于，包括：
基于所获取的待识别用户进行验证码操作的原始轨迹数据，生成所述待识别用户的频域特征数据；
所述基于所获取的待识别用户进行验证码操作的原始轨迹数据，生成所述待识别用户的频域特征数据，包括：
对所获取的待识别用户进行验证码操作的原始轨迹数据进行插值，得到所述待识别用户的X坐标序列和Y坐标序列，所述X坐标序列包括所述原始轨迹数据中在各预设时刻处的X坐标值，所述Y坐标序列包括所述原始轨迹数据中在各所述预设时刻处的Y坐标值，其中，相邻的预设时刻之间的时间间隔相等；
分别对所述X坐标序列和所述Y坐标序列进行离散傅立叶变换，得到所述待识别用户的X坐标频域序列和Y坐标频域序列，作为所述待识别用户的频域特征数据；
基于所述频域特征数据，生成所述待识别用户的特征向量；其中，所述特征向量中的各参量为X坐标频域序列中的各频域值以及Y坐标频域序列中的各频域值；
将所述特征向量，输入深度神经网络模型，得到表示所述待识别用户的属性的识别结果，所述待识别用户的属性表示所述待识别用户是否为正常用户；其中，所述深度神经网络模型为利用权利要求1或2所述的方法生成的。
4.根据权利要求3所述的方法，其特征在于，所述方法还包括：
获取所述待识别用户进行所述验证码操作的校验结果；
如果所述校验结果为通过，并且所述识别结果表示所述待识别用户为正常用户，确定所述待识别用户通过验证码验证。
5.根据权利要求3-4中任意一项所述的方法，其特征在于，所述深度神经网络模型为自编码器autoencoder模型、单类支持向量机one-class SVM模型、孤立森林iforest模型中的一种。
6.一种深度神经网络模型的训练装置，其特征在于，包括：
获取模块，用于获取多个样本用户进行验证码操作的原始轨迹数据，所述多个样本用户包括正常用户；
第一生成模块，用于基于每个样本用户的所述原始轨迹数据，生成每个所述样本用户的频域特征数据；
所述第一生成模块，包括：
构建子模块，用于对每个样本用户的所述原始轨迹数据进行插值，得到所述样本用户的X坐标序列和Y坐标序列，所述X坐标序列包括所述原始轨迹数据中在各预设时刻处的X坐标值，所述Y坐标序列包括所述原始轨迹数据中在各所述预设时刻处的Y坐标值，其中，相邻的预设时刻之间的时间间隔相等；
变化子模块，用于分别对所述X坐标序列和所述Y坐标序列进行离散傅立叶变换，得到每个样本用户的X坐标频域序列和Y坐标频域序列，作为每个样本用户的频域特征数据；
第二生成模块，用于基于每个所述样本用户的频域特征数据，生成每个所述样本用户的特征向量，作为每个所述样本用户对应的训练样本；其中，所述特征向量中的各参量为X坐标频域序列中的各频域值以及Y坐标频域序列中的各频域值；
训练模块，用于基于每个样本用户对应的训练样本对初始深度神经网络模型进行训练，得到所述深度神经网络模型，所述深度神经网络模型用于识别待识别用户是否为正常用户。
7.根据权利要求6所述的训练装置，其特征在于，所述多个样本用户还包括非正常用户。
8.一种人机交互识别装置，其特征在于，包括：
第一生成模块，用于基于所获取的待识别用户进行验证码操作的原始轨迹数据，生成所述待识别用户的频域特征数据；
所述第一生成模块，包括：
构建子模块，用于基于所获取的待识别用户进行验证码操作的原始轨迹数据，构建所述待识别用户的X坐标序列和Y坐标序列，所述X坐标序列包括所述原始轨迹数据中在各预设时刻处的X坐标值，所述Y坐标序列包括所述原始轨迹数据中在各所述预设时刻处的Y坐标值，其中，相邻的预设时刻之间的时间间隔相等；
变换子模块，用于分别对所述X坐标序列和所述Y坐标序列进行离散傅立叶变换，得到所述待识别用户的X坐标频域序列和Y坐标频域序列，作为所述待识别用户的频域特征数据；
第二生成模块，用于基于所述频域特征数据，生成所述待识别用户的特征向量；其中，所述特征向量中的各参量为X坐标频域序列中的各频域值以及Y坐标频域序列中的各频域值；
输入模块，用于将所述特征向量，输入深度神经网络模型，得到表示所述待识别用户的属性的识别结果，所述待识别用户的属性表示所述待识别用户是否为正常用户；其中，所述深度神经网络模型利用权利要求1或2所述的方法生成的；
所述构建子模块，具体用于对所获取的待识别用户进行验证码操作的原始轨迹数据进行插值，得到所述待识别用户的X坐标序列和Y坐标序列。
9.根据权利要求8所述的装置，其特征在于，所述装置还包括：
获取模块，用于获取所述待识别用户进行所述验证码操作的校验结果；
确定模块，用于如果所述校验结果为通过，并且所述识别结果表示所述待识别用户为正常用户，确定所述待识别用户通过验证码验证。
10.一种电子设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现权利要求1-2任一所述的方法步骤，或者实现权利要求3-5任一所述的方法步骤。
11.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-2任一所述的方法步骤，或者实现权利要求3-5任一所述的方法步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911370210.9A CN111027643B (zh) | 2019-12-26 | 2019-12-26 | 深度神经网络模型的训练方法、人机交互识别方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911370210.9A CN111027643B (zh) | 2019-12-26 | 2019-12-26 | 深度神经网络模型的训练方法、人机交互识别方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111027643A CN111027643A (zh) | 2020-04-17 |
| CN111027643B true CN111027643B (zh) | 2024-03-08 |
Family
ID=70214869
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911370210.9A Active CN111027643B (zh) | 2019-12-26 | 2019-12-26 | 深度神经网络模型的训练方法、人机交互识别方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111027643B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111666968A (zh) * | 2020-04-21 | 2020-09-15 | 北京奇艺世纪科技有限公司 | 人机识别方法及装置、电子设备、计算机可读存储介质 |
| CN111504680B (zh) * | 2020-04-30 | 2021-03-26 | 东华大学 | 一种基于wsvm和dcae的涤纶长丝生产的故障诊断方法和系统 |
| CN113259388B (zh) * | 2021-06-22 | 2021-11-12 | 贝壳找房(北京)科技有限公司 | 网络流量异常检测方法、电子设备及可读存储介质 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103140857A (zh) * | 2010-09-28 | 2013-06-05 | 乐天株式会社 | 认证系统、认证方法、认证装置、信息终端、程序以及信息记录介质 |
| US8831329B1 (en) * | 2013-06-28 | 2014-09-09 | Google Inc. | Extracting card data with card models |
| CN108563939A (zh) * | 2018-04-25 | 2018-09-21 | 常州大学 | 基于步态轨迹曲线特征的人体身份识别 |
| CN108683813A (zh) * | 2018-05-18 | 2018-10-19 | 西北工业大学 | 一种基于智能手机使用习惯的用户身份持续识别方法 |
| CN108898128A (zh) * | 2018-07-11 | 2018-11-27 | 宁波艾腾湃智能科技有限公司 | 一种通过照片匹配数字化三维模型的防伪方法及设备 |
| CN109635542A (zh) * | 2018-11-30 | 2019-04-16 | 华为技术有限公司 | 一种生物识别交互方法、图形交互界面及相关装置 |
| CN109740335A (zh) * | 2018-11-27 | 2019-05-10 | 武汉极意网络科技有限公司 | 验证码操作轨迹的分类方法及装置 |
| CN110045819A (zh) * | 2019-03-01 | 2019-07-23 | 华为技术有限公司 | 一种手势处理方法及设备 |
| CN110046647A (zh) * | 2019-03-08 | 2019-07-23 | 同盾控股有限公司 | 一种验证码机器行为识别方法及装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10083696B1 (en) * | 2017-03-07 | 2018-09-25 | Daon Holdings Limited | Methods and systems for determining user liveness |
-
2019
- 2019-12-26 CN CN201911370210.9A patent/CN111027643B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103140857A (zh) * | 2010-09-28 | 2013-06-05 | 乐天株式会社 | 认证系统、认证方法、认证装置、信息终端、程序以及信息记录介质 |
| US8831329B1 (en) * | 2013-06-28 | 2014-09-09 | Google Inc. | Extracting card data with card models |
| CN108563939A (zh) * | 2018-04-25 | 2018-09-21 | 常州大学 | 基于步态轨迹曲线特征的人体身份识别 |
| CN108683813A (zh) * | 2018-05-18 | 2018-10-19 | 西北工业大学 | 一种基于智能手机使用习惯的用户身份持续识别方法 |
| CN108898128A (zh) * | 2018-07-11 | 2018-11-27 | 宁波艾腾湃智能科技有限公司 | 一种通过照片匹配数字化三维模型的防伪方法及设备 |
| CN109740335A (zh) * | 2018-11-27 | 2019-05-10 | 武汉极意网络科技有限公司 | 验证码操作轨迹的分类方法及装置 |
| CN109635542A (zh) * | 2018-11-30 | 2019-04-16 | 华为技术有限公司 | 一种生物识别交互方法、图形交互界面及相关装置 |
| CN110045819A (zh) * | 2019-03-01 | 2019-07-23 | 华为技术有限公司 | 一种手势处理方法及设备 |
| CN110046647A (zh) * | 2019-03-08 | 2019-07-23 | 同盾控股有限公司 | 一种验证码机器行为识别方法及装置 |
Non-Patent Citations (4)
| Title |
|---|
| Synthetic on-line signature generation. Part I: Methodology and algorithms;Javior Galbally 等;《Pattern Recognition》;20120731;第45卷(第7期);第2610-2621页 * |
| 基于Matlab图像处理的频率域滤波分析及应用;东红林 等;《软件导刊》;20171015;第16卷(第10期);第205-208页 * |
| 基于神经网络的滑动式验证码人机识别研究;梁小林 等;《数学理论与应用》;20171215(第3期);第43-50页 * |
| 滑块式验证码的破解方法研究;朱林果;《中国优秀硕士学位论文全文数据库 信息科技辑(月刊)》;20190615(第6期);第I138-442页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111027643A (zh) | 2020-04-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111027643B (zh) | 深度神经网络模型的训练方法、人机交互识别方法、装置、电子设备及存储介质 | |
| CN110311902B (zh) | 一种异常行为的识别方法、装置及电子设备 | |
| CN109460514B (zh) | 用于推送信息的方法和装置 | |
| US10547618B2 (en) | Method and apparatus for setting access privilege, server and storage medium | |
| CN109376078B (zh) | 移动应用的测试方法、终端设备及介质 | |
| CN108650260B (zh) | 一种恶意网站的识别方法和装置 | |
| CN106874253A (zh) | 识别敏感信息的方法及装置 | |
| CN111552633A (zh) | 接口的异常调用测试方法、装置、计算机设备及存储介质 | |
| CN104809174A (zh) | 一种终端应用的打开方法 | |
| CN109857908A (zh) | 用于匹配视频的方法和装置 | |
| CN112085087B (zh) | 业务规则生成的方法、装置、计算机设备及存储介质 | |
| CN111461445A (zh) | 短期风速预测方法、装置、计算机设备及存储介质 | |
| CN111383651A (zh) | 一种语音降噪方法、装置及终端设备 | |
| CN111461979A (zh) | 验证码图像去噪识别方法、电子装置及存储介质 | |
| CN111160624A (zh) | 一种用户意向预测方法、用户意向预测装置及终端设备 | |
| WO2019153587A1 (zh) | 用户身份验证方法、装置、计算机设备和存储介质 | |
| CN114155875B (zh) | 语音场景篡改鉴别的方法、装置、电子设备及存储介质 | |
| CN110807476B (zh) | 一种密码安全等级分类方法、装置及电子设备 | |
| CN111159464A (zh) | 一种音频片段的检测方法及相关设备 | |
| CN104424944A (zh) | 一种信息处理方法及电子设备 | |
| CN104580109A (zh) | 生成点选验证码的方法及装置 | |
| CN116737939B (zh) | 元学习方法、文本分类方法、装置、电子设备及存储介质 | |
| CN110717315B (zh) | 系统数据批量修改方法、装置、存储介质及电子设备 | |
| CN112182520B (zh) | 非法账号的识别方法、装置、可读介质及电子设备 | |
| CN111047146A (zh) | 一种企业用户的风险识别方法、装置及设备 |
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 |