CN111783062A - 验证码识别方法、装置、计算机设备和存储介质 - Google Patents

验证码识别方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN111783062A
CN111783062A CN202010468671.6A CN202010468671A CN111783062A CN 111783062 A CN111783062 A CN 111783062A CN 202010468671 A CN202010468671 A CN 202010468671A CN 111783062 A CN111783062 A CN 111783062A
Authority
CN
China
Prior art keywords
click
sequence
clicked
target
area
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
Application number
CN202010468671.6A
Other languages
English (en)
Other versions
CN111783062B (zh
Inventor
王元
褚哲
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Suning Financial Technology Nanjing Co Ltd
Original Assignee
Suning Financial Technology Nanjing Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Suning Financial Technology Nanjing Co Ltd filed Critical Suning Financial Technology Nanjing Co Ltd
Priority to CN202010468671.6A priority Critical patent/CN111783062B/zh
Publication of CN111783062A publication Critical patent/CN111783062A/zh
Application granted granted Critical
Publication of CN111783062B publication Critical patent/CN111783062B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour
    • 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
    • G06V30/40—Document-oriented image-based pattern recognition
    • G06V30/41—Analysis of document content
    • G06V30/413—Classification of content, e.g. text, photographs or tables
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Computer Security & Cryptography (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Computer Hardware Design (AREA)
  • Health & Medical Sciences (AREA)
  • Image Analysis (AREA)
  • Character Input (AREA)

Abstract

本申请涉及一种验证码识别方法、装置、计算机设备和存储介质。该方法包括：获取待识别验证码图片，待识别验证码图片包括提示图区域和点选图区域；将提示图区域输入至提示图识别模型中，得到基准字符序列和基准字符数目；将点选图区域和基准字符数目输入至点选图识别模型中，得到待点选对象集合；根据基准字符序列和待点选对象集合确定目标点选对象序列，目标点选对象序列与基准字符序列匹配；获取目标点选对象序列对应的序列位置信息；将序列位置信息作为验证识别结果，发送至验证服务器，以使验证服务器根据验证识别结果进行验证。采用本方法能够提高待识别验证码图片验证识别结果的准确性。

Description

验证码识别方法、装置、计算机设备和存储介质
技术领域
本申请涉及计算机技术领域，特别是涉及一种验证码识别方法、装置、计算机设备和存 储介质。
背景技术
随着计算机技术的发展，出现了验证码识别技术，验证码识别技术是一种基于图灵测试 的自动化识别技术，其中，文字点选是一种验证码形势，主要从所给的图片中识别出字数不 等的文字，并且按照提示，依次点选对应的文字，从而完成验证码识别过程。
目前，都是通过验证码识别模型实现文字点选验证码识别的，通常都是将待识别验证码 图片作为验证码识别模型的输入，直接得到待识别验证码图片的验证识别结果，然而，这种 方式需要非常依赖验证码识别模型，一旦验证码识别模型训练时并没有与待识别验证码图片 相关的训练样本，则就会出现验证识别模型输出的验证识别结果不准确的问题。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高待识别验证码图片对应的验证识 别结果的准确性的验证码识别方法、装置、计算机设备和存储介质。
一种验证码识别方法，该方法包括：
获取待识别验证码图片，待识别验证码图片包括提示图区域和点选图区域，提示图区域 包括至少一个候选基准字符，点选图区域包括至少一个候选待点选对象；
将提示图区域输入至提示图识别模型中，得到提示图区域中的基准字符序列和对应的基 准字符数目；
将点选图区域和基准字符数目输入至点选图识别模型中，得到点选图区域中的待点选对 象集合；
根据基准字符序列和待点选对象集合确定目标点选对象序列，目标点选对象序列与基准 字符序列匹配；
获取目标点选对象序列对应的序列位置信息；
将序列位置信息作为待识别验证码图片对应的验证识别结果，验证识别结果发送至验证 服务器，以使验证服务器根据验证识别结果进行验证。
在其中一个实施例中，提示图区域和点选图区域确定步骤包括：对待识别验证码图片进 行切图，得到第一区域和第二区域；根据预设验证码业务规则将第一区域作为提示图区域， 将第二区域作为点选图区域。
在其中一个实施例中，点选图识别模型包括点选图检测子模型和点选图识别子模型，将 点选图区域和基准字符数目输入至点选图识别模型中，得到点选图区域中的待点选对象集合， 包括：将点选图区域和基准字符数目输入至点选图检测子模型中，得到候选待点选对象对应 的位置信息和置信度序列；根据置信度序列和基准字符数目确定目标候选待点选对象；获取 目标候选待点选对象对应的信道区域信息；将信道区域信息输入至点选图识别子模型中，得 到对应的待点选对象集合。
在其中一个实施例中，根据置信度序列和基准字符数目确定目标候选待点选对象，包括： 按照置信度序列中的置信度大小将候选待点选对象进行排列，得到排列后的候选待点选对象； 根据基准字符数目从排列后的候选待点选对象中确定目标候选待点选对象；
在其中一个实施例中，获取目标候选待点选对象对应的信道区域信息，包括：根据目标 候选待点选对象对应的位置信息确定对应的目标对象区域；获取目标对象区域对应的区域RGB 通道参数；根据区域RGB通道参数计算得到信道区域信息。
在其中一个实施例中，点选图检测子模型的训练步骤包括：获取初始点选图检测子模型； 获取训练验证码点选图区域集，训练验证码点选图区域集中各个训练验证码点选图区域包括 对应的标准位置信息标签；将训练验证码点选图区域集输入至初始点选图检测子模型中，得 到训练验证码点选图区域集中各个训练验证码点选图区域对应的输出位置信息标签；根据标 准位置信息标签和输出位置信息标签计算得到训练损失值；根据训练损失值对初始点选图检 测子模型的模型参数进行调整，直至满足收敛条件，得到点选图检测子模型；
在其中一个实施例中，根据标准位置信息标签和输出位置信息标签计算得到训练损失值， 计算公式如下：
loss＝l分类+α(n)·l回归
Figure BDA0002513512710000021
Figure BDA0002513512710000022
Figure BDA0002513512710000023
其中，loss表示点选图检测子模型对应的训练损失值；S表示点选图检测子模型内部正 方形网格输出边长，单位为像素；l分类代表第一损失子值；l回归代表第二损失子值；Bj代表输 出位置信息标签；
Figure BDA0002513512710000024
代表标准位置信息标签；Ci代表点选图检测子模型预测为待点选对象的 概率；
Figure BDA0002513512710000025
为待点选对象对应的标注标签值(等于1或0)；IOU()函数表示标准位置信息标签 和输出位置信息标签的距离计算；Lim表示针对点选图检测子模型预测的输出位置信息标签相 对于点选图检测子模型的最后一层网络结构取整近似运算；argmax为最大值参数求解函数；
Figure BDA0002513512710000026
代表只将含有待点选对象的中心点的网格所对应的点选图检测子模型预测值带入损失函 数进行计算，不惩罚无待点选对象网格对应的点选图检测子模型预测值；L1smooth表示L1平 滑距离函数；α(n)表示损失函数的动态权重，n表示点选图检测子模型方向传播迭代索引，但 其小于Nth时，使用数值a作为权重，不然则使用数值b。
在其中一个实施例中，基准字符序列包括至少一个基准字符和对应的基准字符顺序，根 据基准字符序列和待点选对象集合确定目标点选对象序列，包括：根据基准字符从待点选对 象集合确定匹配的目标点选对象；根据基准字符顺序确定目标点选对象对应的目标点选对象 顺序；将目标点选对象按照目标点选对象顺序依次排列，得到目标点选对象序列。
在其中一个实施例中，点选图识别模型包括点选图检测子模型，获取目标点选对象序列 对应的序列位置信息，包括：将目标点选对象序列输入至点选图检测子模型中，得到目标点 选对象序列中各个目标点选对象对应的位置信息，由各个目标点选对象对应的位置信息组成 目标点选对象序列对应的序列位置信息。
一种验证码识别装置，该装置包括：
验证码图片获取模块，用于获取待识别验证码图片，待识别验证码图片包括提示图区域 和点选图区域，提示图区域包括至少一个候选基准字符，点选图区域包括至少一个候选待点 选对象；
提示图识别模型处理模块，用于将提示图区域输入至提示图识别模型中，得到提示图区 域中的基准字符序列和对应的基准字符数目；
点选图识别模型处理模块，用于将点选图区域和基准字符数目输入至点选图识别模型中， 得到点选图区域中的待点选对象集合；
点选对象序列确定模块，用于根据基准字符序列和待点选对象集合确定目标点选对象序 列，目标点选对象序列与基准字符序列匹配；
序列位置信息获取模块，用于获取目标点选对象序列对应的序列位置信息；
验证识别结果生成模块，用于将序列位置信息作为待识别验证码图片对应的验证识别结 果，验证识别结果发送至验证服务器，以使验证服务器根据验证识别结果进行验证。
一种计算机设备，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计算机 程序，所述处理器执行所述计算机程序时实现以下步骤：
获取待识别验证码图片，待识别验证码图片包括提示图区域和点选图区域，提示图区域 包括至少一个候选基准字符，点选图区域包括至少一个候选待点选对象；
将提示图区域输入至提示图识别模型中，得到提示图区域中的基准字符序列和对应的基 准字符数目；
将点选图区域和基准字符数目输入至点选图识别模型中，得到点选图区域中的待点选对 象集合；
根据基准字符序列和待点选对象集合确定目标点选对象序列，目标点选对象序列与基准 字符序列匹配；
获取目标点选对象序列对应的序列位置信息；
将序列位置信息作为待识别验证码图片对应的验证识别结果，验证识别结果发送至验证 服务器，以使验证服务器根据验证识别结果进行验证。
一种计算机可读存储介质，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 现以下步骤：
获取待识别验证码图片，待识别验证码图片包括提示图区域和点选图区域，提示图区域 包括至少一个候选基准字符，点选图区域包括至少一个候选待点选对象；
将提示图区域输入至提示图识别模型中，得到提示图区域中的基准字符序列和对应的基 准字符数目；
将点选图区域和基准字符数目输入至点选图识别模型中，得到点选图区域中的待点选对 象集合；
根据基准字符序列和待点选对象集合确定目标点选对象序列，目标点选对象序列与基准 字符序列匹配；
获取目标点选对象序列对应的序列位置信息；
将序列位置信息作为待识别验证码图片对应的验证识别结果，验证识别结果发送至验证 服务器，以使验证服务器根据验证识别结果进行验证。
上述验证码识别方法、装置、计算机设备和存储介质，获取待识别验证码图片，待识别 验证码图片包括提示图区域和点选图区域，提示图区域包括至少一个候选基准字符，点选图 区域包括至少一个候选待点选对象；将提示图区域输入至提示图识别模型中，得到提示图区 域中的基准字符序列和对应的基准字符数目；将点选图区域和基准字符数目输入至点选图识 别模型中，得到点选图区域中的待点选对象集合；根据基准字符序列和待点选对象集合确定 目标点选对象序列，目标点选对象序列与基准字符序列匹配；获取目标点选对象序列对应的 序列位置信息；将序列位置信息作为待识别验证码图片对应的验证识别结果，验证识别结果 发送至验证服务器，以使验证服务器根据验证识别结果进行验证。
其中，通过对提示图识别模型的输出结果和点选图识别模型的输出结果进行再次验证计 算，可以避免由于提示图识别模型和点选图识别模型的输出结果出现误差导致最后的验证结 果准确性低的问题，从而保证待识别验证码图片的验证识别结果的准确性。
附图说明
图1为一个实施例中验证码识别方法的应用环境图；
图2为一个实施例中验证码识别方法的流程示意图；
图2A为一个实施例中待识别验证码图片的结构示意图；
图3为一个实施例中提示图区域和点选图区域确定步骤的流程示意图；
图4为一个实施例中点选图识别模型处理步骤的流程示意图；
图5为一个实施例中目标候选待点选对象确定步骤的流程示意图；
图6为一个实施例中信道区域信息获取步骤的流程示意图；
图7为一个实施例中点选图检测子模型的训练步骤的流程示意图；
图8为一个实施例中目标点选对象序列确定步骤的流程示意图；
图9为一个实施例中验证码识别装置的结构框图；
图10为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申 请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于 限定本申请。
本申请提供的验证码识别方法，可以应用于如图1所示的应用环境中。其中，终端102 通过网络与处理服务器104进行通信，处理服务器104与验证服务器106进行网络通信。其 中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式 可穿戴设备，处理服务器104和验证服务器106可以用独立的服务器或者是多个服务器组成 的服务器集群来实现。
具体地，终端102采集到待识别验证码图片，待识别验证码图片包括提示图区域和点选 图区域，提示图区域包括至少一个候选基准字符，点选图区域包括至少一个候选待点选对象， 并将待识别验证码图片发送至处理服务器104，处理服务器104将提示图区域输入至提示图识 别模型中，得到提示图区域中的基准字符序列和对应的基准字符数目，将点选图区域和基准 字符数目输入至点选图识别模型中，得到点选图区域中的待点选对象集合，根据基准字符序 列和待点选对象集合确定目标点选对象序列，目标点选对象序列与基准字符序列匹配，获取 目标点选对象序列对应的序列位置信息，将序列位置信息作为待识别验证码图片对应的验证 识别结果，验证识别结果发送至验证服务器106，以使验证服务器106根据验证识别结果进行 验证。在一个实施例中，如图2所示，提供了一种验证码识别方法，以该方法应用于图1中 的处理服务器为例进行说明，包括以下步骤：
步骤202，获取待识别验证码图片，待识别验证码图片包括提示图区域和点选图区域，提 示图区域包括至少一个候选基准字符，点选图区域包括至少一个候选待点选对象。
其中，这里的待识别验证码图片是用来等待识别的验证码图片，所谓验证码图片是用来 进行验证码识别的图片，验证码图片包括但不限于提示图区域和点选图区域等，即验证码图 片可以分割成提示图区域和点选图区域，其中，提示图区域是用来提示验证用户需要进行相 应操作的提示区域，提示图区域中包括至少一个候选基准字符，所谓基准字符是提示图区域 中的提示内容，基准字符可以是但不限于文字、字符、图片以及对应的组合等等，可以根据 提示图区域中的候选基准字符确定提示图区域的相应操作。
其中，点选图区域是提供验证用户根据提示图区域中的候选基准字符进行相应操作的区 域，即，提示图区域是用来提示验证用户的，而点选图区域是验证用户根据提示图区域的提 示进行相应操作的区域，点选图区域中包括至少一个候选待点选对象，其中，待点选对象是 点选图区域中的提示内容，待点选对象可以是但不限于文字、字符、图片以及对应的组合等 等，其中，待点选对象可以包括但不限于候选基准字符，即待点选对象可以是候选基准字符， 也可以是除了候选基准字符还可以包括其他待点选对象。在一个实施例中，如图2A所示，图 2A示出一个实施例中待识别验证码图片的结构示意图，图2A示出的待识别验证码图片包括提 示图区域和点选图区域，提示图区域包括至少一个候选基准字符，点选图区域包括至少一个 候选待点选对象。
步骤204，将提示图区域输入至提示图识别模型中，得到提示图区域中的基准字符序列和 对应的基准字符数目。
其中，提示图识别模型是用来进行提示图区域识别的网络模型，可以通过提示图识别模 型得到提示图区域中的各个基准字符，各个基准字符之间的顺序，以及提示图区域中的所有 基准字符的总数目。其中，这里的基准字符是指提示图区域中的基准字符，可以候选基准字 符中的至少一个基准字符作为基准字符，也可以是所有候选基准字符都可以作为基准字符。
其中，提示图识别模型可以根据深度学习一阶段(one-stage)模型设计得到。该提示图 识别模型可以是由STN(Spatial Transformer Network，空间变换网络)模型与CNN模型串 联而成，共享全连接层的softmax损失函数。具体地，将提示图区域输入至提示图识别模型 中，通过提示图识别模型对提示图区域进行计算得到，提示图区域中的基准字符序列和对应 的基准字符数目，其中，所谓基准字符序列是各个基准字符以及各个基准字符之间的顺序组 成集合。
其中，在一个实施例中，为了保证基准字符数目的输出准确性，提示图模型在其后处理 中使用K-means聚类算法，通过检查聚类像素中心点周围的黑色像素点与白色像素点的比例， 反向验证基准字符数目，确保基准字符数目小于或等于符合条件的聚类个数，从而提高基准 字符数目的输出准确性。
步骤206，将点选图区域和基准字符数目输入至点选图识别模型中，得到点选图区域中的 待点选对象集合。
其中，这里的点选图识别模型是用来进行点选图区域识别的网络模型，可以通过点选图 识别模型得到点选图区域中所有的候选点选对象，由各个候选点选对象组成待点选对象集合， 其中，候选点选对象是指点选图区域中的候选待点选对象，即也就是通过点选图识别模型可 以将点选图区域中的候选待点选对象提取出来。
其中，点选图识别模型可以是单一的网络模型，直接将点选图区域和提示图识别模型输 入至点选图识别模型中，通过点选图识别模型中的第一网络结构输出候选待点选对象对应的 位置信息和置信度序列，根据置信度序列和基准字符数目确定目标候选待点选对象，获取目 标候选待点选对应的信道区域信息，再通过第二网络结构根据信道区域信息计算得到对应的 待点选对象集合。
在另一个实施例中，点选图识别模型包括点选图检测子模型和点选图识别子模型，所谓 点选图检测子模型是用来检测点选图区域中候选待点选对象的位置的网络模型，可以通过点 选图检测子模型得知点选图区域中各个候选待点选对象的位置，而点选图识别子模型是用来 识别点选图区域中各个候选点选对象具体内容的网络模型，可以通过点选图识别子模型得知 点选图区域中各个候选点选对象的具体内容。
具体地，将点选图区域和基准字符数目输入至点选图检测子模型中，得到候选待点选对 象对应的位置信息和置信度序列，根据置信度序列和基准字符数目确定目标候选待点选对象， 获取目标候选待点选对象对应的信道区域信息，将信道区域信息输入至点选图识别子模型中， 得到对应的待点选对象集合。
步骤208，根据基准字符序列和待点选对象集合确定目标点选对象序列，目标点选对象序 列与基准字符序列匹配。
其中，这里的目标点选对象序列是由各个目标点选对象，以及各个目标点选对象之间的 顺序组成的集合，即目标点选对象序列包括目标点选对象具体内容，以及各个目标点选对象 之间的顺序。
具体地，在得到提示图识别模型输出的基准字符序列和点选图识别模型输出的待点选对 象集合后，为了提高最后验证识别结果的准确性，避免模型输出结果不准确，需要对模型输 出的结果进行验证，则可以根据基准字符序列和待点选对象集合确定得到目标点选对象序列， 其中，由于基准字符序列包括至少一个基准字符和对应的基准字符顺序，因此，可以根据基 准字符序列中的基准字符从待点选对象集合中确定匹配的目标点选对象，再按照基准字符序 列中的基准字符顺序确定各个目标点选对象对应的顺序，最后将各个目标点选对象按照该顺 序依次排列，从而得到目标点选对象序列。即，目标点选对象序列中的目标点选对象与基准 字符序列中的基准字符是匹配的，而目标点选对象之间的顺序与基准字符之间的顺序是匹配 的，即目标点选对象序列与基准字符序列匹配。
例如，基准字符序列为：北京王案闷，各个文字之间的顺序是固定的，而待点选对象集 合为：[京、凉、竞、好]、[天、无、王、夫]、[安、胡、按、案]、[北、邶、苝、悲]、[门、 闷、们、扪]、[和、合、种、木]、[颐、已、二、无]，其中，[]代表目标点选对象对应位置 的候选项。先根据基准字符序列中的个数，筛选出目标点选对象为：[京、凉、竞、好]、[天、 无、王、夫]、[安、胡、按、案]、[北、邶、苝、悲]、[门、闷、们、扪]，再根据基准字 符序列中基准字符顺序:第一个是北，第二个是京，第三个是王，第四个是案，第五个是闷， 确定各个目标点选对象之间的顺序为：“北京王案闷”。
步骤210，获取目标点选对象序列对应的序列位置信息。
其中，这里的序列位置信息是指目标点选对象对应的位置信息的集合，目标点选对象对 应的位置信息是描述目标点选对象的位置的，可以根据该位置信息定位到对应的目标点选对 象。具体地，在确定得到目标点选对象序列后，获取目标点选对象中的各个目标点选对象对 应的位置信息，从而得到序列位置信息。
其中，获取目标点选对象序列中的各个目标点选对象对应的位置信息可以是计算各个目 标点选对象对应的位置信息，或者还可以是由于点选图识别模型包括点选图检测子模型，点 选图检测子模型是用来检测目标点选对象对应的位置的网络模型，因此，将目标点选对象序 列中的各个目标点选对象依次作为点选图检测子模型的输入，通过点选图检测子模型对各个 目标点选对象进行计算，得到对应的位置信息，从而得到序列位置信息序列。其中，序列位 置信息序列可以是序列坐标信息序列，即由各个目标点选对象对应的坐标信息组成的集合。
步骤212，将序列位置信息作为待识别验证码图片对应的验证识别结果，验证识别结果发 送至验证服务器，以使验证服务器根据验证识别结果进行验证。
具体地，在得到序列位置信息后，可以将序列位置信息作为待识别验证码图片对应的验 证码识别结果，执行主体处理服务器可以将验证码识别结果发送至验证服务器，即将序列位 置信息发送至验证服务器。验证服务器接收到序列位置信息后，可以根据该序列位置信息进 行验证，具体可以是，允许该待识别验证码图片验证通过。其中，验证服务器是用来进行待 识别验证码图片进行验证的服务器。
上述验证码识别方法中，获取待识别验证码图片，待识别验证码图片包括提示图区域和 点选图区域，提示图区域包括至少一个候选基准字符，点选图区域包括至少一个候选待点选 对象；将提示图区域输入至提示图识别模型中，得到提示图区域中的基准字符序列和对应的 基准字符数目；将点选图区域和基准字符数目输入至点选图识别模型中，得到点选图区域中 的待点选对象集合；根据基准字符序列和待点选对象集合确定目标点选对象序列，目标点选 对象序列与基准字符序列匹配；获取目标点选对象序列对应的序列位置信息；将序列位置信 息作为待识别验证码图片对应的验证识别结果，验证识别结果发送至验证服务器，以使验证 服务器根据验证识别结果进行验证。
其中，通过对提示图识别模型的输出结果和点选图识别模型的输出结果进行再次验证计 算，可以避免由于提示图识别模型和点选图识别模型的输出结果出现误差导致最后的验证结 果准确性低的问题，从而保证待识别验证码图片的验证识别结果的准确性。
在一个实施例中，如图3所示，提示图区域和点选图区域确定步骤包括：
步骤302，对待识别验证码图片进行切图，得到第一区域和第二区域。
步骤304，根据预设验证码业务规则将第一区域作为提示图区域，将第二区域作为点选图 区域。
其中，待识别验证码图片包括提示图区域和点选图区域，需要从待识别验证码图片中确 定提示图区域和点选图区域，具体可以是，对待识别验证码图片进行切图，得到第一区域和 第二区域。其中，由于待识别验证码图片的提示图区域和点选图区域是存在分割线的，可以 根据该分割线对待识别验证码图片进行切图，从而得到第一区域和第二区域。进一步地，可 根据预设验证码业务规则将第一区域作为提示图区域，将第二区域作为点选图区域，而预设 验证码业务规则可以预先根据业务需求、实际应用场景、产品需求确定得到的，预设验证码 业务规则经过大量的数据设置得到的，可以将第一区域作为提示图区域，将第二区域作为点 选图区域。
例如，从请求的数据源(例如网站)，获取待识别验证码图片，如图2A所示，其中，待识别验证码图片获取是通过标准http和JavaScript前端技术，得到验证码弹出框所对应的图片元素，再根据验证码供应商的不同，在获取待识别验证码图片后，需要进一步对待识别验证码图片进行切图操作，从而进行区域切图，获得对应的提示图区域、点选图区域。
在一个实施例中，如图4所示，点选图识别模型包括点选图检测子模型和点选图识别子 模型，将点选图区域和基准字符数目输入至点选图识别模型中，得到点选图区域中的待点选 对象集合，包括：
步骤402，将点选图区域和基准字符数目输入至点选图检测子模型中，得到候选待点选对 象对应的位置信息和置信度序列。
步骤404，根据置信度序列和基准字符数目确定目标候选待点选对象。
其中，点选图识别模型是用来进行点选图区域识别的网络模型，点选图识别模型可以包 括点选图检测子模型和点选图识别子模型，所谓点选图检测子模型是用来检测点选图区域中 候选待点选对象的位置的网络模型，可以通过点选图检测子模型得知点选图区域中各个候选 待点选对象的位置，而点选图识别子模型是用来识别点选图区域中各个候选点选对象具体内 容的网络模型，可以通过点选图识别子模型得知点选图区域中各个候选点选对象的具体内容。
在一个实施例中，点选图检测子模型将3750个常用汉字统一归为1个类别，即点选图检 测子模型只区分图片的前景(汉字)和背景(汉字以外的背景)，因此需要对点选图检测子 模型的网络结构进行定义，使其使用的CNN深度学习模型区别于通用YOLO模型，进而提高针 对性，同时使训练易于正确拟合。其中，点选图检测子模型网络结构分为CNN特征提取层、 全连接层。
1、CNN层：CNN层采用5层串联形式，具体结构定义如下表所示。
图表1 CNN层定义
Figure BDA0002513512710000091
Figure BDA0002513512710000101
2、全连接层：全连接层采用双层结构，具体如下表所示。
图表2全连接层定义
Figure BDA0002513512710000102
Figure BDA0002513512710000111
具体地，将点选图区域和基准字符数目输入至点选图检测子模型中，得到候选待点选对 象对应的位置信息和置信度序列，所谓置信度序列中各个置信度是各个候选待点选对象对应 的置信度组成的集合，可以根据置信度序列和基准字符数目从各个候选待点选对象中筛选出 目标候选待点选对象。具体可以是，根据置信度序列中的各个置信度大小将置信度序列进行 排序，例如，按照置信度从高到低的顺序依次排序各个候选待点选对象，得到排序后的各个 候选待点选对象，再根据基准字符数目从排列后的候选待点选对象中确定与基准字符数目匹 配的目标候选待点选对象，也就是说目标候选待点选对象的数目与基准字符数目相同。
步骤406，获取目标候选待点选对象对应的信道区域信息。
步骤408，将信道区域信息输入至点选图识别子模型中，得到对应的待点选对象集合。
其中，这里的信道区域信息是指目标候选待点选对象对应的区域信道相关的信息，区域 信道可以是目标候选待点选对象对应的颜色空间信道值，例如，区域信道可以是HSV信道中 的V信道，由于V信道不受关照反射、色彩饱和度影响，则可以将HSV信道中的V信道作为 目标候选待点选对象对应的区域信道。
具体地，在确定得到目标候选待点选对象后，可以获取目标候选待点选对象对应的颜色 空间参数，再根据颜色空间参数计算得到对应的信道区域信息。其中，目标候选待点选对象 对应的颜色空间参数可以是RGB通道参数，所谓RGB是从颜色发光的原理来设计定的，通俗 点说它的颜色混合方式就好像有红、绿、蓝三盏灯，当它们的光相互叠合的时候，色彩相混， 而亮度却等于两者亮度之总和，越混合亮度越高，即加法混合。其中，目标候选待点选对象 对应的信道区域信息可以是HSV通道中V信道对应的信道值。
例如，获取目标候选待点选对象对应的RGB通道参数，RGB通道参数包括R通道参数、G 通道参数和B通道参数，可根据R通道参数、G通道参数和B通道参数计算得到对应的中间R 通道参数、中间G通道参数和中间B通道参数，最后可根据中间R通道参数、中间G通道参数和中间B通道参数计算得到信道区域信息。
其中，根据R通道参数、G通道参数和B通道参数计算得到对应的中间R通道参数、中间 G通道参数和中间B通道参数，以及根据中间R通道参数、中间G通道参数和中间B通道参数 计算得到验证区域信道值，具体可以如以下公式所示：
Figure BDA0002513512710000112
Figure BDA0002513512710000113
Figure BDA0002513512710000121
Cmax＝max(R′,G′,B′)
其中，R为R通道参数、R′为中间R通道参数、G为G通道参数、G′为中间G通道参数、 B为B通道参数、B′为中间B通道参数，Cmax为信道区域信息。
进一步地，再将信道区域信息输入至点选图识别子模型中，通过点选图识别子模型对信 道区域信息进行计算从而得到对应的待点选对象集合。
在一个实施例中，如图5所示，根据置信度序列和基准字符数目确定目标候选待点选对 象，包括：
步骤502，按照置信度序列中的置信度大小将候选待点选对象进行排列，得到排列后的候 选待点选对象。
步骤504，根据基准字符数目从排列后的候选待点选对象中确定目标候选待点选对象。
具体地，在得到置信度序列后，由于提示图识别模型输出的结果的准确性并不是特别高， 因此可能提示图识别模型输出的置信度个数与输入的基准字符数目不匹配，有可能置信度个 数大于输入的基准字符数目，因此，为了保证后续的验证识别结果的准确性，因此，需要根 据置信度序列和基准字符数据筛选候选待点选对象，具体可以是，按照置信度序列中的置信 度大小将候选待点选对象进行排列，得到排列后的候选待点选对象，例如，按照置信度序列 中的置信度大小从高到低的顺序，将候选待点选对象进行排列，得到排列后的候选待点选对 象。
进一步地，可以根据基准字符数目从排列后的候选待点选对象中确定目标候选待点选对 象，也就是说目标候选待点选对象的数目与基准字符数目相同。例如，基准字符数目为4个， 候选点选对象有5个，则可以将置信度最小的候选待点选对象进行排除，得到目标候选待点 选对象。
在一个实施例中，如图6所示，获取目标候选待点选对象对应的信道区域信息，包括：
步骤602，根据目标候选待点选对象对应的位置信息确定对应的目标对象区域。
步骤604，获取目标对象区域对应的区域RGB通道参数。
步骤606，根据区域RGB通道参数计算得到信道区域信息。
其中，这里的信道区域信息是指目标候选待点选对象对应的区域信道相关的信息，区域 信道可以是目标候选待点选对象对应的颜色空间信道值，例如，区域信道可以是HSV信道中 的V信道，由于V信道不受关照反射、色彩饱和度影响，则可以将HSV信道中的V信道作为 目标候选待点选对象对应的区域信道。
具体地，在确定得到目标候选待点选对象后，可以获取目标候选待点选对象对应的颜色 空间参数，再根据颜色空间参数计算得到对应的信道区域信息。其中，目标候选待点选对象 对应的颜色空间参数可以是RGB通道参数，所谓RGB是从颜色发光的原理来设计定的，通俗 点说它的颜色混合方式就好像有红、绿、蓝三盏灯，当它们的光相互叠合的时候，色彩相混， 而亮度却等于两者亮度之总和，越混合亮度越高，即加法混合。其中，目标候选待点选对象 对应的信道区域信息可以是HSV通道中V信道对应的信道值。
例如，获取目标候选待点选对象对应的RGB通道参数，RGB通道参数包括R通道参数、G 通道参数和B通道参数，可根据R通道参数、G通道参数和B通道参数计算得到对应的中间R 通道参数、中间G通道参数和中间B通道参数，最后可根据中间R通道参数、中间G通道参数和中间B通道参数计算得到信道区域信息。
其中，根据R通道参数、G通道参数和B通道参数计算得到对应的中间R通道参数、中间 G通道参数和中间B通道参数，以及根据中间R通道参数、中间G通道参数和中间B通道参数 计算得到验证区域信道值，具体可以如以下公式所示：
Figure BDA0002513512710000131
Figure BDA0002513512710000132
Figure BDA0002513512710000133
Cmax＝max(R′,G′,B′)
其中，R为R通道参数、R′为中间R通道参数、G为G通道参数、G′为中间G通道参数、 B为B通道参数、B′为中间B通道参数，Cmax为信道区域信息。
在一个实施例中，如图7所示，点选图检测子模型的训练步骤包括：
步骤702，获取初始点选图检测子模型。
步骤704，获取训练验证码点选图区域集，训练验证码点选图区域集中各个训练验证码点 选图区域包括对应的标准位置信息标签。
步骤706，将训练验证码点选图区域集输入至初始点选图检测子模型中，得到训练验证码 点选图区域集中各个训练验证码点选图区域对应的输出位置信息标签。
其中，这里的初始点选图检测子模型是指未进行训练的点选图检测子模型，当初始点选 图检测子模型训练成功后，就得到点选图检测子模型。具体可以是，获取训练验证码点选图 区域集，所谓训练验证码点选图区域集是训练用的验证码点选图区域组成的集合，包括至少 一个训练验证码点选图区域，其中，每个训练验证码点选图区域都包括对应的标准位置信息 标签，即标准位置信息标签就好像是训练验证码点选图区域的标准答案，可以用来验证初始 点选图检测子模型的输出结果。
具体地，将获取到的训练验证码点选图区域集输入至初始点选图检测子模型中，通过初 始点选图检测子模型对训练验证码点选图区域集进行计算得到各个训练验证码点选图区域对 应的输出位置信息标签。
步骤708，根据标准位置信息标签和输出位置信息标签计算得到训练损失值。
步骤710，根据训练损失值对初始点选图检测子模型的模型参数进行调整，直至满足收敛 条件，得到点选图检测子模型。
其中，在得到初始点选图检测子模型输出的输出位置信息标签后，可以根据输出位置信 息标签和标准位置信息标签计算得到训练损失值，可以根据训练损失值判定初始点选图检测 子模型是否已经完成了训练。其中，根据输出位置信息标签和标准位置信息标签的计算方式 可自定义，自定义可以是根据输出位置信息标签和标准位置信息标签进行均值计算，从而得 到训练损失值，或者还可以是根据输出位置信息标签和标准位置信息标签进行加权求和计算， 从而得到训练损失值等等。
最后，在得到训练损失值后，可以根据训练损失值判定初始点选图检测子模型是否已经 完成了训练，具体可以是，根据训练损失值对初始点选图检测子模型的模型参数进行调整， 直至满足收敛条件，其中收敛条件可以预先根据业务需求、实际应用场景或产品需求等进行 设置，收敛条件可以是当训练损失值达到最小时，可以认为是满足收敛条件，或者还可以是 当训练损失值不再发生变化时，则可以认为时满足收敛条件等等。当训练损失值满足收敛条 件时，可以确定初始点选检测子模型已经完成了训练，从而得到已经训练好的点选图检测子 模型。
在一个实施例中，根据标准位置信息标签和输出位置信息标签计算得到训练损失值，计 算公式如下：
loss＝l分类+α(n)·l回归
Figure BDA0002513512710000141
Figure BDA0002513512710000142
Figure BDA0002513512710000143
其中，loss表示点选图检测子模型对应的训练损失值；S表示点选图检测子模型内部正 方形网格输出边长，单位为像素；l分类代表第一损失子值；l回归代表第二损失子值；Bj代表输 出位置信息标签；
Figure BDA0002513512710000144
代表标准位置信息标签；Ci代表点选图检测子模型预测为待点选对象的 概率；
Figure BDA0002513512710000145
为待点选对象对应的标注标签值(等于1或0)；IOU()函数表示标准位置信息标签 和输出位置信息标签的距离计算；Lim表示针对点选图检测子模型预测的输出位置信息标签相 对于点选图检测子模型的最后一层网络结构取整近似运算；arg max为最大值参数求解函数；
Figure BDA0002513512710000146
代表只将含有待点选对象的中心点的网格所对应的点选图检测子模型预测值带入损失函 数进行计算，不惩罚无待点选对象网格对应的点选图检测子模型预测值；L1smooth表示L1平 滑距离函数；α(n)表示损失函数的动态权重，n表示点选图检测子模型方向传播迭代索引，但 其小于Nth时，使用数值a作为权重，不然则使用数值b。
在一个实施例中，如图8所示，基准字符序列包括至少一个基准字符和对应的基准字符 顺序，根据基准字符序列和待点选对象集合确定目标点选对象序列，包括：
步骤802，根据基准字符从待点选对象集合确定匹配的目标点选对象。
步骤804，根据基准字符顺序确定目标点选对象对应的目标点选对象顺序。
步骤806，将目标点选对象按照目标点选对象顺序依次排列，得到目标点选对象序列。
其中，由于基准字符序列包括至少一个基准字符和对应的基准字符顺序，因此，可以根 据基准字符序列中的基准字符从待点选对象集合中确定匹配的目标点选对象，再按照基准字 符序列中的基准字符顺序确定各个目标点选对象对应的顺序，最后将各个目标点选对象按照 该顺序依次排列，从而得到目标点选对象序列。即，目标点选对象序列中的目标点选对象与 基准字符序列中的基准字符是匹配的，而目标点选对象之间的顺序与基准字符之间的顺序是 匹配的，即目标点选对象序列与基准字符序列匹配。
例如，基准字符序列为：北京王案闷，各个文字之间的顺序是固定的，而待点选对象集 合为：[京、凉、竞、好]、[天、无、王、夫]、[安、胡、按、案]、[北、邶、苝、悲]、[门、 闷、们、扪]、[和、合、种、木]、[颐、已、二、无]，其中，[]代表目标点选对象对应位置 的候选项。先根据基准字符序列中的个数，筛选出目标点选对象为：[京、凉、竞、好]、[天、 无、王、夫]、[安、胡、按、案]、[北、邶、苝、悲]、[门、闷、们、扪]，再根据基准字 符序列中基准字符顺序:第一个是北，第二个是京，第三个是王，第四个是案，第五个是闷， 确定各个目标点选对象之间的顺序为：“北京王案闷”。
在一个实施例中，点选图识别模型包括点选图检测子模型，获取目标点选对象序列对应 的序列位置信息，包括：将目标点选对象序列输入至点选图检测子模型中，得到目标点选对 象序列中各个目标点选对象对应的位置信息，由各个目标点选对象对应的位置信息组成目标 点选对象序列对应的序列位置信息。
其中，由于点选图检测子模型是用来检测目标点选对象对应的位置的网络模型，点选图 识别模型可以包括点选图检测子模型，可以通过点选图检测子模型来获得目标点选对象序列 对应的序列位置信息，而这里的目标点选对象序列是由各个目标点选对象，以及各个目标点 选对象之间的顺序组成的集合，即目标点选对象序列包括目标点选对象具体内容，以及各个 目标点选对象之间的顺序。
其中，序列位置信息是指目标点选对象对应的位置信息的集合，目标点选对象对应的位 置信息是描述目标点选对象的位置的，可以根据该位置信息定位到对应的目标点选对象。
具体地，可以将目标点选对象序列输入至点选图检测子模型中，通过点选图检测子模型 对各个目标点选对象进行计算，得到对应的位置信息，从而得到序列位置信息序列。其中， 序列位置信息序列可以是序列坐标信息序列，即由各个目标点选对象对应的坐标信息组成的 集合。其中，可以由各个目标点选对象对应的位置信息组成目标点选对象序列对应的序列位 置信息。
在一个具体的实施例中，提供了一种验证码识别方法，具体包括以下内容：
1、获取初始点选图检测子模型。
2、获取训练验证码点选图区域集，训练验证码点选图区域集中各个训练验证码点选图区 域包括对应的标准位置信息标签。
3、将训练验证码点选图区域集输入至初始点选图检测子模型中，得到训练验证码点选图 区域集中各个训练验证码点选图区域对应的输出位置信息标签。
4、根据标准位置信息标签和输出位置信息标签计算得到训练损失值。
4-1、其中，计算公式如下：
loss＝l分类+α(n)·l回归
Figure BDA0002513512710000161
Figure BDA0002513512710000162
Figure BDA0002513512710000163
其中，loss表示点选图检测子模型对应的训练损失值；S表示点选图检测子模型内部正 方形网格输出边长，单位为像素；l分类代表第一损失子值；l回归代表第二损失子值；Bj代表输 出位置信息标签；
Figure BDA0002513512710000164
代表标准位置信息标签；Ci代表点选图检测子模型预测为待点选对象的 概率；
Figure BDA0002513512710000165
为待点选对象对应的标注标签值(等于1或0)；IOU()函数表示标准位置信息标签 和输出位置信息标签的距离计算；Lim表示针对点选图检测子模型预测的输出位置信息标签相 对于点选图检测子模型的最后一层网络结构取整近似运算；arg max为最大值参数求解函数；
Figure BDA0002513512710000166
代表只将含有待点选对象的中心点的网格所对应的点选图检测子模型预测值带入损失函 数进行计算，不惩罚无待点选对象网格对应的点选图检测子模型预测值；L1smooth表示L1平 滑距离函数；α(n)表示损失函数的动态权重，n表示点选图检测子模型方向传播迭代索引，但 其小于Nth时，使用数值a作为权重，不然则使用数值b。
5、根据训练损失值对初始点选图检测子模型的模型参数进行调整，直至满足收敛条件， 得到点选图检测子模型。
6、获取待识别验证码图片，待识别验证码图片包括提示图区域和点选图区域，提示图区 域包括至少一个候选基准字符，点选图区域包括至少一个候选待点选对象。
6-1、对待识别验证码图片进行切图，得到第一区域和第二区域。
6-2、根据预设验证码业务规则将第一区域作为提示图区域，将第二区域作为点选图区域。
7、将提示图区域输入至提示图识别模型中，得到提示图区域中的基准字符序列和对应的 基准字符数目。
8、将点选图区域和基准字符数目输入至点选图识别模型中，得到点选图区域中的待点选 对象集合。
8-1、点选图识别模型包括点选图检测子模型和点选图识别子模型，将点选图区域和基准 字符数目输入至点选图检测子模型中，得到候选待点选对象对应的位置信息和置信度序列。
8-2、根据置信度序列和基准字符数目确定目标候选待点选对象。
8-2-1、按照置信度序列中的置信度大小将候选待点选对象进行排列，得到排列后的候选 待点选对象。
8-2-2、根据基准字符数目从排列后的候选待点选对象中确定目标候选待点选对象。
8-3、获取目标候选待点选对象对应的信道区域信息。
8-3-1、获取目标对象区域对应的区域RGB通道参数。
8-3-2、根据区域RGB通道参数计算得到信道区域信息。
8-4、将信道区域信息输入至点选图识别子模型中，得到对应的待点选对象集合。
9、根据基准字符序列和待点选对象集合确定目标点选对象序列，目标点选对象序列与基 准字符序列匹配。
9-1、基准字符序列包括至少一个基准字符和对应的基准字符顺序，根据基准字符从待点 选对象集合确定匹配的目标点选对象。
9-2、根据基准字符顺序确定目标点选对象对应的目标点选对象顺序。
9-3、将目标点选对象按照目标点选对象顺序依次排列，得到目标点选对象序列。
10、获取目标点选对象序列对应的序列位置信息。
10-1、点选图识别模型包括点选图检测子模型，将目标点选对象序列输入至点选图检测 子模型中，得到目标点选对象序列中各个目标点选对象对应的位置信息，由各个目标点选对 象对应的位置信息组成目标点选对象序列对应的序列位置信息。
11、将序列位置信息作为待识别验证码图片对应的验证识别结果，验证识别结果发送至 验证服务器，以使验证服务器根据验证识别结果进行验证。
应该理解的是，虽然上述流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤 并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没 有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，上述流程图中的至少一部分步 骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成， 而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可 以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图9所示，提供了一种验证码识别装置900，包括：验证码图片获 取模块902、提示图识别模型处理模块904、点选图识别模型处理模块906、点选对象序列确 定模块908、序列位置信息获取模块910和验证识别结果生成模块912，其中：
验证码图片获取模块902，用于获取待识别验证码图片，待识别验证码图片包括提示图区 域和点选图区域，提示图区域包括至少一个候选基准字符，点选图区域包括至少一个候选待 点选对象。
提示图识别模型处理模块904，用于将提示图区域输入至提示图识别模型中，得到提示图 区域中的基准字符序列和对应的基准字符数目。
点选图识别模型处理模块906，用于将点选图区域和基准字符数目输入至点选图识别模型 中，得到点选图区域中的待点选对象集合。
点选对象序列确定模块908，用于根据基准字符序列和待点选对象集合确定目标点选对象 序列，目标点选对象序列与基准字符序列匹配。
序列位置信息获取模块910，用于获取目标点选对象序列对应的序列位置信息。
验证识别结果生成模块912，用于将序列位置信息作为待识别验证码图片对应的验证识 别结果，验证识别结果发送至验证服务器，以使验证服务器根据验证识别结果进行验证。
在一个实施例中，验证码图片获取模块902还用于对待识别验证码图片进行切图，得到 第一区域和第二区域，根据预设验证码业务规则将第一区域作为提示图区域，将第二区域作 为点选图区域。
在一个实施例中，点选图识别模型包括点选图检测子模型和点选图识别子模型，点选图 识别模型处理模块906还用于将点选图区域和基准字符数目输入至点选图检测子模型中，得 到候选待点选对象对应的位置信息和置信度序列，根据置信度序列和基准字符数目确定目标 候选待点选对象，获取目标候选待点选对象对应的信道区域信息，将信道区域信息输入至点 选图识别子模型中，得到对应的待点选对象集合。
在一个实施例中，点选图识别模型处理模块906还用于按照置信度序列中的置信度大小 将候选待点选对象进行排列，得到排列后的候选待点选对象，根据基准字符数目从排列后的 候选待点选对象中确定目标候选待点选对象。
在一个实施例中，点选图识别模型处理模块906还用于根据目标候选待点选对象对应的 位置信息确定对应的目标对象区域，获取目标对象区域对应的区域RGB通道参数，根据区域 RGB通道参数计算得到信道区域信息。
在一个实施例中，验证码识别装置900还用于获取初始点选图检测子模型，获取训练验 证码点选图区域集，训练验证码点选图区域集中各个训练验证码点选图区域包括对应的标准 位置信息标签，将训练验证码点选图区域集输入至初始点选图检测子模型中，得到训练验证 码点选图区域集中各个训练验证码点选图区域对应的输出位置信息标签，根据标准位置信息 标签和输出位置信息标签计算得到训练损失值，根据训练损失值对初始点选图检测子模型的 模型参数进行调整，直至满足收敛条件，得到点选图检测子模型。
在一个实施例中，基准字符序列包括至少一个基准字符和对应的基准字符顺序，点选对 象序列确定模块908还用于根据基准字符从待点选对象集合确定匹配的目标点选对象，根据 基准字符顺序确定目标点选对象对应的目标点选对象顺序，将目标点选对象按照目标点选对 象顺序依次排列，得到目标点选对象序列。
在一个实施例中，点选图识别模型包括点选图检测子模型，序列位置信息获取模块910 还用于将目标点选对象序列输入至点选图检测子模型中，得到目标点选对象序列中各个目标 点选对象对应的位置信息，由各个目标点选对象对应的位置信息组成目标点选对象序列对应 的序列位置信息。
关于验证码识别装置的具体限定可以参见上文中对于验证码识别方法的限定，在此不再 赘述。上述验证码识别装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上 述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于 计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图 可以如图10所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据 库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非 易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。 该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备 的数据库用于存储提示图识别模型和点选图识别模型。该计算机设备的网络接口用于与外部 的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种验证码识别方法。
本领域技术人员可以理解，图10中示出的结构，仅仅是与本申请方案相关的部分结构的 框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包 括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可 在处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：获取待识别验证码 图片，待识别验证码图片包括提示图区域和点选图区域，提示图区域包括至少一个候选基准 字符，点选图区域包括至少一个候选待点选对象；将提示图区域输入至提示图识别模型中， 得到提示图区域中的基准字符序列和对应的基准字符数目；将点选图区域和基准字符数目输 入至点选图识别模型中，得到点选图区域中的待点选对象集合；根据基准字符序列和待点选 对象集合确定目标点选对象序列，目标点选对象序列与基准字符序列匹配；获取目标点选对 象序列对应的序列位置信息；将序列位置信息作为待识别验证码图片对应的验证识别结果， 验证识别结果发送至验证服务器，以使验证服务器根据验证识别结果进行验证。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：对待识别验证码图片进行 切图，得到第一区域和第二区域；根据预设验证码业务规则将第一区域作为提示图区域，将 第二区域作为点选图区域。
在一个实施例中，点选图识别模型包括点选图检测子模型和点选图识别子模型，处理器 执行计算机程序时还实现以下步骤：将点选图区域和基准字符数目输入至点选图检测子模型 中，得到候选待点选对象对应的位置信息和置信度序列；根据置信度序列和基准字符数目确 定目标候选待点选对象；获取目标候选待点选对象对应的信道区域信息；将信道区域信息输 入至点选图识别子模型中，得到对应的待点选对象集合。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：按照置信度序列中的置信 度大小将候选待点选对象进行排列，得到排列后的候选待点选对象；根据基准字符数目从排 列后的候选待点选对象中确定目标候选待点选对象；
在一个实施例中，处理器执行计算机程序时还实现以下步骤：根据目标候选待点选对象 对应的位置信息确定对应的目标对象区域；获取目标对象区域对应的区域RGB通道参数；根 据区域RGB通道参数计算得到信道区域信息。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取初始点选图检测子模 型；获取训练验证码点选图区域集，训练验证码点选图区域集中各个训练验证码点选图区域 包括对应的标准位置信息标签；将训练验证码点选图区域集输入至初始点选图检测子模型中， 得到训练验证码点选图区域集中各个训练验证码点选图区域对应的输出位置信息标签；根据 标准位置信息标签和输出位置信息标签计算得到训练损失值；根据训练损失值对初始点选图 检测子模型的模型参数进行调整，直至满足收敛条件，得到点选图检测子模型。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
loss＝l分类+α(n)·l回归
Figure BDA0002513512710000201
Figure BDA0002513512710000202
Figure BDA0002513512710000203
其中，loss表示点选图检测子模型对应的训练损失值；S表示点选图检测子模型内部正 方形网格输出边长，单位为像素；l分类代表第一损失子值；l回归代表第二损失子值；Bj代表输 出位置信息标签；
Figure BDA0002513512710000204
代表标准位置信息标签；Ci代表点选图检测子模型预测为待点选对象的 概率；
Figure BDA0002513512710000205
为待点选对象对应的标注标签值(等于1或0)；IOU()函数表示标准位置信息标签 和输出位置信息标签的距离计算；Lim表示针对点选图检测子模型预测的输出位置信息标签相 对于点选图检测子模型的最后一层网络结构取整近似运算；argmax为最大值参数求解函数；
Figure BDA0002513512710000206
代表只将含有待点选对象的中心点的网格所对应的点选图检测子模型预测值带入损失函 数进行计算，不惩罚无待点选对象网格对应的点选图检测子模型预测值；L1smooth表示L1平 滑距离函数；α(n)表示损失函数的动态权重，n表示点选图检测子模型方向传播迭代索引，但 其小于Nth时，使用数值a作为权重，不然则使用数值b。
在一个实施例中，基准字符序列包括至少一个基准字符和对应的基准字符顺序，处理器 执行计算机程序时还实现以下步骤：根据基准字符从待点选对象集合确定匹配的目标点选对 象；根据基准字符顺序确定目标点选对象对应的目标点选对象顺序；将目标点选对象按照目 标点选对象顺序依次排列，得到目标点选对象序列。
在一个实施例中，点选图识别模型包括点选图检测子模型，处理器执行计算机程序时还 实现以下步骤：将目标点选对象序列输入至点选图检测子模型中，得到目标点选对象序列中 各个目标点选对象对应的位置信息，由各个目标点选对象对应的位置信息组成目标点选对象 序列对应的序列位置信息。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程 序被处理器执行时实现以下步骤：获取待识别验证码图片，待识别验证码图片包括提示图区 域和点选图区域，提示图区域包括至少一个候选基准字符，点选图区域包括至少一个候选待 点选对象；将提示图区域输入至提示图识别模型中，得到提示图区域中的基准字符序列和对 应的基准字符数目；将点选图区域和基准字符数目输入至点选图识别模型中，得到点选图区 域中的待点选对象集合；根据基准字符序列和待点选对象集合确定目标点选对象序列，目标 点选对象序列与基准字符序列匹配；获取目标点选对象序列对应的序列位置信息；将序列位 置信息作为待识别验证码图片对应的验证识别结果，验证识别结果发送至验证服务器，以使 验证服务器根据验证识别结果进行验证。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：对待识别验证码图片进行 切图，得到第一区域和第二区域；根据预设验证码业务规则将第一区域作为提示图区域，将 第二区域作为点选图区域。
在一个实施例中，点选图识别模型包括点选图检测子模型和点选图识别子模型，处理器 执行计算机程序时还实现以下步骤：将点选图区域和基准字符数目输入至点选图检测子模型 中，得到候选待点选对象对应的位置信息和置信度序列；根据置信度序列和基准字符数目确 定目标候选待点选对象；获取目标候选待点选对象对应的信道区域信息；将信道区域信息输 入至点选图识别子模型中，得到对应的待点选对象集合。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：按照置信度序列中的置信 度大小将候选待点选对象进行排列，得到排列后的候选待点选对象；根据基准字符数目从排 列后的候选待点选对象中确定目标候选待点选对象；
在一个实施例中，处理器执行计算机程序时还实现以下步骤：根据目标候选待点选对象 对应的位置信息确定对应的目标对象区域；获取目标对象区域对应的区域RGB通道参数；根 据区域RGB通道参数计算得到信道区域信息。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取初始点选图检测子模 型；获取训练验证码点选图区域集，训练验证码点选图区域集中各个训练验证码点选图区域 包括对应的标准位置信息标签；将训练验证码点选图区域集输入至初始点选图检测子模型中， 得到训练验证码点选图区域集中各个训练验证码点选图区域对应的输出位置信息标签；根据 标准位置信息标签和输出位置信息标签计算得到训练损失值；根据训练损失值对初始点选图 检测子模型的模型参数进行调整，直至满足收敛条件，得到点选图检测子模型。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
loss＝l分类+α(n)·l回归
Figure BDA0002513512710000211
Figure BDA0002513512710000212
Figure BDA0002513512710000213
其中，loss表示点选图检测子模型对应的训练损失值；S表示点选图检测子模型内部正 方形网格输出边长，单位为像素；l分类代表第一损失子值；l回归代表第二损失子值；Bj代表输 出位置信息标签；
Figure BDA0002513512710000214
代表标准位置信息标签；Ci代表点选图检测子模型预测为待点选对象的 概率；
Figure BDA0002513512710000215
为待点选对象对应的标注标签值(等于1或0)；IOU()函数表示标准位置信息标签 和输出位置信息标签的距离计算；Lim表示针对点选图检测子模型预测的输出位置信息标签相 对于点选图检测子模型的最后一层网络结构取整近似运算；argmax为最大值参数求解函数；
Figure BDA0002513512710000221
代表只将含有待点选对象的中心点的网格所对应的点选图检测子模型预测值带入损失函 数进行计算，不惩罚无待点选对象网格对应的点选图检测子模型预测值；L1smooth表示L1平 滑距离函数；α(n)表示损失函数的动态权重，n表示点选图检测子模型方向传播迭代索引，但 其小于Nth时，使用数值a作为权重，不然则使用数值b。
在一个实施例中，基准字符序列包括至少一个基准字符和对应的基准字符顺序，处理器 执行计算机程序时还实现以下步骤：根据基准字符从待点选对象集合确定匹配的目标点选对 象；根据基准字符顺序确定目标点选对象对应的目标点选对象顺序；将目标点选对象按照目 标点选对象顺序依次排列，得到目标点选对象序列。
在一个实施例中，点选图识别模型包括点选图检测子模型，处理器执行计算机程序时还 实现以下步骤：将目标点选对象序列输入至点选图检测子模型中，得到目标点选对象序列中 各个目标点选对象对应的位置信息，由各个目标点选对象对应的位置信息组成目标点选对象 序列对应的序列位置信息。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计 算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存 储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所 提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易 失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、 电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机 存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸 如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、 增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus) 直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM) 等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各 个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应 当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因 此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不 脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因 此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种验证码识别方法，所述方法包括：
获取待识别验证码图片，所述待识别验证码图片包括提示图区域和点选图区域，所述提示图区域包括至少一个候选基准字符，所述点选图区域包括至少一个候选待点选对象；
将所述提示图区域输入至提示图识别模型中，得到所述提示图区域中的基准字符序列和对应的基准字符数目；
将所述点选图区域和所述基准字符数目输入至点选图识别模型中，得到所述点选图区域中的待点选对象集合；
根据所述基准字符序列和所述待点选对象集合确定目标点选对象序列，所述目标点选对象序列与所述基准字符序列匹配；
获取所述目标点选对象序列对应的序列位置信息；
将所述序列位置信息作为所述待识别验证码图片对应的验证识别结果，所述验证识别结果发送至验证服务器，以使所述验证服务器根据验证识别结果进行验证。
2.根据权利要求1所述的方法，其特征在于，所述提示图区域和点选图区域确定步骤包括：
对所述待识别验证码图片进行切图，得到第一区域和第二区域；
根据预设验证码业务规则将第一区域作为提示图区域，将所述第二区域作为点选图区域。
3.根据权利要求1所述的方法，其特征在于，所述点选图识别模型包括点选图检测子模型和点选图识别子模型，所述将所述点选图区域和所述基准字符数目输入至点选图识别模型中，得到所述点选图区域中的待点选对象集合，包括：
将所述点选图区域和所述基准字符数目输入至所述点选图检测子模型中，得到所述候选待点选对象对应的位置信息和置信度序列；
根据所述置信度序列和所述基准字符数目确定目标候选待点选对象；
获取所述目标候选待点选对象对应的信道区域信息；
将所述信道区域信息输入至所述点选图识别子模型中，得到对应的待点选对象集合。
4.根据权利要求3所述的方法，其特征在于，所述根据所述置信度序列和所述基准字符数目确定目标候选待点选对象，包括：
按照置信度序列中的置信度大小将候选待点选对象进行排列，得到排列后的候选待点选对象；
根据所述基准字符数目从所述排列后的候选待点选对象中确定目标候选待点选对象；
所述获取所述目标候选待点选对象对应的信道区域信息，包括：
根据所述目标候选待点选对象对应的位置信息确定对应的目标对象区域；
获取所述目标对象区域对应的区域RGB通道参数；
根据所述区域RGB通道参数计算得到所述信道区域信息。
5.根据权利要求3所述的方法，其特征在于，所述点选图检测子模型的训练步骤包括：
获取初始点选图检测子模型；
获取训练验证码点选图区域集，所述训练验证码点选图区域集中各个训练验证码点选图区域包括对应的标准位置信息标签；
将所述训练验证码点选图区域集输入至所述初始点选图检测子模型中，得到所述训练验证码点选图区域集中各个训练验证码点选图区域对应的输出位置信息标签；
根据所述标准位置信息标签和所述输出位置信息标签计算得到训练损失值；
根据所述训练损失值对所述初始点选图检测子模型的模型参数进行调整，直至满足收敛条件，得到所述点选图检测子模型；
所述根据所述标准位置信息标签和所述输出位置信息标签计算得到训练损失值，计算公式如下：
loss＝l分类+α(n)·l回归
Figure FDA0002513512700000021
Figure FDA0002513512700000022
Figure FDA0002513512700000023
其中，loss表示点选图检测子模型对应的训练损失值；S表示点选图检测子模型内部正方形网格输出边长，单位为像素；l分类代表第一损失子值；l回归代表第二损失子值；Bj代表输出位置信息标签；
Figure FDA0002513512700000024
代表标准位置信息标签；Ci代表点选图检测子模型预测为待点选对象的概率；
Figure FDA0002513512700000025
为待点选对象对应的标注标签值(等于1或0)；IOU()函数表示标准位置信息标签和所述输出位置信息标签的距离计算；Lim表示针对点选图检测子模型预测的输出位置信息标签相对于点选图检测子模型的最后一层网络结构取整近似运算；arg max为最大值参数求解函数；
Figure FDA0002513512700000026
代表只将含有待点选对象的中心点的网格所对应的点选图检测子模型预测值带入损失函数进行计算，不惩罚无待点选对象网格对应的点选图检测子模型预测值；L1smooth表示L1平滑距离函数；α(n)表示损失函数的动态权重，n表示点选图检测子模型方向传播迭代索引，但其小于Nth时，使用数值a作为权重，不然则使用数值b。
6.根据权利要求1所述的方法，其特征在于，所述基准字符序列包括至少一个基准字符和对应的基准字符顺序，所述根据所述基准字符序列和所述待点选对象集合确定目标点选对象序列，包括：
根据所述基准字符从所述待点选对象集合确定匹配的目标点选对象；
根据所述基准字符顺序确定所述目标点选对象对应的目标点选对象顺序；
将所述目标点选对象按照所述目标点选对象顺序依次排列，得到目标点选对象序列。
7.根据权利要求1所述的方法，其特征在于，所述点选图识别模型包括点选图检测子模型，所述获取所述目标点选对象序列对应的序列位置信息，包括：
将所述目标点选对象序列输入至所述点选图检测子模型中，得到目标点选对象序列中各个目标点选对象对应的位置信息，由各个所述目标点选对象对应的位置信息组成所述目标点选对象序列对应的序列位置信息。
8.一种验证码识别装置，其特征在于，所述装置包括：
验证码图片获取模块，用于获取待识别验证码图片，所述待识别验证码图片包括提示图区域和点选图区域，所述提示图区域包括至少一个候选基准字符，所述点选图区域包括至少一个候选待点选对象；
提示图识别模型处理模块，用于将所述提示图区域输入至提示图识别模型中，得到所述提示图区域中的基准字符序列和对应的基准字符数目；
点选图识别模型处理模块，用于将所述点选图区域和所述基准字符数目输入至点选图识别模型中，得到所述点选图区域中的待点选对象集合；
点选对象序列确定模块，用于根据所述基准字符序列和所述待点选对象集合确定目标点选对象序列，所述目标点选对象序列与所述基准字符序列匹配；
序列位置信息获取模块，用于获取所述目标点选对象序列对应的序列位置信息；
验证识别结果生成模块，用于将所述序列位置信息作为所述待识别验证码图片对应的验证识别结果，所述验证识别结果发送至验证服务器，以使所述验证服务器根据验证识别结果进行验证。
9.一种计算机设备，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计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质，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至7中任一项所述的方法的步骤。
CN202010468671.6A 2020-05-28 2020-05-28 验证码识别方法、装置、计算机设备和存储介质 Active CN111783062B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010468671.6A CN111783062B (zh) 2020-05-28 2020-05-28 验证码识别方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010468671.6A CN111783062B (zh) 2020-05-28 2020-05-28 验证码识别方法、装置、计算机设备和存储介质

Publications (2)

Publication Number Publication Date
CN111783062A true CN111783062A (zh) 2020-10-16
CN111783062B CN111783062B (zh) 2023-05-02

Family

ID=72754301

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010468671.6A Active CN111783062B (zh) 2020-05-28 2020-05-28 验证码识别方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN111783062B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112487394A (zh) * 2020-11-30 2021-03-12 携程旅游网络技术（上海）有限公司 图形推理验证码识别方法、系统、设备及介质
CN113282905A (zh) * 2021-04-23 2021-08-20 新华三信息安全技术有限公司 一种登录测试方法及装置
CN118072324A (zh) * 2024-04-23 2024-05-24 浙江保融科技股份有限公司 一种基于语义点选字元的验证码识别方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN109697353A (zh) * 2018-11-26 2019-04-30 武汉极意网络科技有限公司 一种点击验证码的验证方法和装置
CN110188761A (zh) * 2019-04-22 2019-08-30 平安科技（深圳）有限公司 验证码的识别方法、装置、计算机设备和存储介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN109697353A (zh) * 2018-11-26 2019-04-30 武汉极意网络科技有限公司 一种点击验证码的验证方法和装置
CN110188761A (zh) * 2019-04-22 2019-08-30 平安科技（深圳）有限公司 验证码的识别方法、装置、计算机设备和存储介质

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112487394A (zh) * 2020-11-30 2021-03-12 携程旅游网络技术（上海）有限公司 图形推理验证码识别方法、系统、设备及介质
CN113282905A (zh) * 2021-04-23 2021-08-20 新华三信息安全技术有限公司 一种登录测试方法及装置
CN118072324A (zh) * 2024-04-23 2024-05-24 浙江保融科技股份有限公司 一种基于语义点选字元的验证码识别方法

Also Published As

Publication number Publication date
CN111783062B (zh) 2023-05-02

Similar Documents

Publication Publication Date Title
US20240070214A1 (en) Image searching method and apparatus
US11087447B2 (en) Systems and methods for quality assurance of image recognition model
US10503775B1 (en) Composition aware image querying
US9773196B2 (en) Utilizing deep learning for automatic digital image segmentation and stylization
JP6994588B2 (ja) 顔特徴抽出モデル訓練方法、顔特徴抽出方法、装置、機器および記憶媒体
CN111783062B (zh) 验证码识别方法、装置、计算机设备和存储介质
WO2020119419A1 (zh) 基于图像识别的测试方法、装置、计算机设备及存储介质
CN111160169B (zh) 人脸检测方法、装置、设备及计算机可读存储介质
CN111428552B (zh) 黑眼圈识别方法、装置、计算机设备和存储介质
CN110807491A (zh) 车牌图像清晰度模型训练方法、清晰度检测方法及装置
US20230084638A1 (en) Method and apparatus for classification model training and classification, computer device, and storage medium
CN111144372A (zh) 车辆检测方法、装置、计算机设备和存储介质
CN111832581B (zh) 肺部特征识别方法、装置、计算机设备及存储介质
US20230137337A1 (en) Enhanced machine learning model for joint detection and multi person pose estimation
CN108877928B (zh) 患者信息采集方法、装置、计算机设备和存储介质
TWI525574B (zh) 協作性人臉標註方法以及協作性人臉標註系統
CN112966758B (zh) 一种农作物病虫草害识别方法、装置、系统及存储介质
CN110175500B (zh) 指静脉比对方法、装置、计算机设备及存储介质
Zhang et al. Visual aesthetic understanding: Sample-specific aesthetic classification and deep activation map visualization
CN110580507B (zh) 一种城市肌理分类识别方法
CN111832561A (zh) 基于计算机视觉的字符序列识别方法、装置、设备和介质
CN110728680A (zh) 行车记录仪检测方法、装置、计算机设备和存储介质
CN113221695A (zh) 训练肤色识别模型的方法、识别肤色的方法及相关装置
CN112163110A (zh) 图像分类方法、装置、电子设备和计算机可读存储介质
CN114445716B (zh) 关键点检测方法、装置、计算机设备、介质及程序产品

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