CN111783064B - 图形验证码生成方法、装置、计算机设备及存储介质 - Google Patents
图形验证码生成方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN111783064B CN111783064B CN202010623142.9A CN202010623142A CN111783064B CN 111783064 B CN111783064 B CN 111783064B CN 202010623142 A CN202010623142 A CN 202010623142A CN 111783064 B CN111783064 B CN 111783064B
- Authority
- CN
- China
- Prior art keywords
- image
- disturbance
- images
- transformation
- value
- 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
- 238000012795 verification Methods 0.000 title claims abstract description 99
- 238000000034 method Methods 0.000 title claims abstract description 68
- 230000009466 transformation Effects 0.000 claims abstract description 94
- 239000002131 composite material Substances 0.000 claims abstract description 49
- 238000012549 training Methods 0.000 claims description 79
- 238000004364 calculation method Methods 0.000 claims description 65
- 230000006870 function Effects 0.000 claims description 29
- 238000006073 displacement reaction Methods 0.000 claims description 26
- 238000004590 computer program Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 14
- 238000010200 validation analysis Methods 0.000 claims 1
- 238000004422 calculation algorithm Methods 0.000 abstract description 3
- 238000013473 artificial intelligence Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005336 cracking Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Security & Cryptography (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了图形验证码生成方法、装置、计算机设备及存储介质。方法包括:根据字符池随机生成与生成请求信息对应的初始图像,根据变换参数集合对初始图像分别进行多次随机变换以得到对应的多张变换图像,根据比例系数集合及多个训练后的识别模型生成与每一张变换图像对应的复合扰动图像,将变换图像与复合扰动图像进行叠加以得到多张变换图像对应的多张叠加图像,从多张叠加图像中选择一张最优叠加图像作为图形验证码并发送至客户端。本发明基于图像算法技术,属于人工智能技术领域,所得到的每一张叠加图像均是基于多个识别模型生成的,客户可清楚识别图形验证码且难以被识别机器人破解,提高了生成的图像验证码的可靠性。
Description
技术领域
本发明涉及图像算法技术领域,属于智慧城市中图形验证码生成相关的应用场景,尤其涉及一种图形验证码生成方法、装置、计算机设备及存储介质。
背景技术
传统的图形验证码均是服务器随机产生若干个包含数字或字符的字符串,根据预设的图像扰动参数在其中添加扰动因素后生成一幅验证码图片,也称为图形验证码,并将该图形验证码发送至客户端,如常见的扰动因素有字符进行不规则变形、随机添加一些线条、随机添加一些点或补丁等等。客户察看来自服务器的图形验证码,并对其进行识别以获取验证信息,可将验证信息输入表单提交给服务器验证,验证成功才能使用后续功能。
目前图形验证码的生成方法中为提高安全性,可以增加扰动的程度,而扰动程度过大则有很大几率会生成客户无法清楚识别的验证码图片,需要客户点击更换验证码图片以重新获取新的验证码图片,导致客户输入验证信息的时间较长,给客户带来了不好的体验;还可以在图片中只添加较小的扰动,扰动程度过小则会轻易被OCR识别机器人破解,对验证的安全性造成影响。因此,现有的技术方法中面临无法在图像验证码中添加高质量扰动的问题,导致所生成的图形验证码可靠性不高。
发明内容
本发明实施例提供了一种图形验证码生成方法、装置、计算机设备及存储介质,旨在解决现有技术方法中所存在的生成的图形验证码可靠性不高的问题。
第一方面,本发明实施例提供了一种图形验证码生成方法,其包括:
接收到来自客户端的生成请求信息,根据预存的字符池随机生成与所述生成请求信息对应的初始图像;
根据预置的变换参数集合对所述初始图像分别进行多次随机变换以得到对应的多张变换图像;
根据预设范数集合、预存的比例系数集合及多个训练后的识别模型生成与每一张所述变换图像对应的一张复合扰动图像;
将每一所述变换图像与对应的一张所述复合扰动图像进行叠加,以得到与多张所述变换图像对应的多张叠加图像;
根据所述初始图像及预置的图像损失值计算公式从所述多张叠加图像中选择一张最优叠加图像作为图形验证码发送至所述客户端。
第二方面,本发明实施例提供了一种图形验证码生成装置,其包括:
初始图像生成单元,用于接收到来自客户端的生成请求信息,根据预存的字符池随机生成与所述生成请求信息对应的初始图像;
变换图像获取单元,用于根据预置的变换参数集合对所述初始图像分别进行多次随机变换以得到对应的多张变换图像;
复合扰动图像生成单元,用于根据预设范数集合、预存的比例系数集合及多个训练后的识别模型生成与每一张所述变换图像对应的一张复合扰动图像;
叠加图像获取单元,用于将每一所述变换图像与对应的一张所述复合扰动图像进行叠加,以得到与多张所述变换图像对应的多张叠加图像;
最优叠加图像获取单元,用于根据所述初始图像及预置的图像损失值计算公式从所述多张叠加图像中选择一张最优叠加图像作为图形验证码发送至所述客户端。
第三方面,本发明实施例又提供了一种计算机设备,其包括存储器、处理器及存储在所述存储器上并可在所述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上述第一方面所述的图形验证码生成方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,其中所述计算机可读存储介质存储有计算机程序,所述计算机程序当被处理器执行时使所述处理器执行上述第一方面所述的图形验证码生成方法。
本发明实施例提供了一种图形验证码生成方法、装置、计算机设备及存储介质。根据字符池随机生成与生成请求信息对应的初始图像,根据变换参数集合对初始图像分别进行多次随机变换以得到对应的多张变换图像,根据比例系数集合及多个训练后的识别模型生成与每一张变换图像对应的复合扰动图像,将变换图像与复合扰动图像进行叠加以得到多张变换图像对应的多张叠加图像,从多张叠加图像中选择一张最优叠加图像作为图形验证码并发送至客户端。通过上述方法,采用多个识别模型生成与每一变换图像对应的一张复合扰动图像,并将一张变换图像对应的多张复合扰动图像进行叠加,从多张叠加图像中选择最优的一张作为图形验证码,提升了最终得到的图形验证码的可靠性,可大幅提高被识别机器人破解的难度,客户可清楚识别所得到的图形验证码且难以被识别机器人破解,提高了所生成的图像验证码的可靠性。
附图说明
为了更清楚地说明本发明实施例技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,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为本发明实施例提供的图形验证码生成方法的流程示意图;
图2为本发明实施例提供的图形验证码生成方法的应用场景示意图;
图3为本发明实施例提供的图形验证码生成方法的子流程示意图;
图4为本发明实施例提供的图形验证码生成方法的另一子流程示意图;
图5为本发明实施例提供的图形验证码生成方法的另一流程示意图;
图6为本发明实施例提供的图形验证码生成方法的另一子流程示意图;
图7为本发明实施例提供的图形验证码生成方法的另一子流程示意图;
图8为本发明实施例提供的图形验证码生成方法的另一子流程示意图;
图9为本发明实施例提供的图形验证码生成装置的示意性框图;
图10为本发明实施例提供的计算机设备的示意性框图。
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清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
请参阅图1及图2,图1是本发明实施例提供的图形验证码生成方法的流程示意图;图2为本发明实施例提供的图形验证码生成方法的应用场景示意图。该图形验证码生成方法应用于管理服务器10中,该方法通过安装于管理服务器10中的应用软件进行执行,管理服务器10与至少一台客户端20进行通信,客户可通过客户端20发送生成请求信息至管理服务器10,管理服务器10基于接收的生成请求信息及多个训练后的识别模型生成添加扰动的图形验证码并反馈至客户端20。管理服务器10即是用于图形验证码生成方法以生成图形验证码的服务器端,管理服务器10可以是企业所设置的服务器端,客户端20即是可用于与管理服务器10进行通信的终端设备,例如台式电脑、笔记本电脑、平板电脑或手机等。如图1所示,该方法包括步骤S110~S150。
S110、接收到来自客户端的生成请求信息,根据预存的字符池随机生成与所述生成请求信息对应的初始图像。
接收到来自客户端的生成请求信息,根据预存的字符池随机生成与所述生成请求信息对应的初始图像。客户使用客户端进行登录等操作时,为避免客户进行非正常操作(例如短时间内多次登录),需对客户的操作进行验证。进行验证时客户端发送生成请求信息至管理服务器,生成请求信息即为生成图形验证码的请求信息,生成请求信息中包含客户端的网络地址信息(IP地址)、字符数、客户账号等信息,管理服务器根据预存的字符池生成与生成请求信息对应的初始图像,字符池即为管理服务器中所预存的包含多个字符的资源池,字符池中可以包含大写字母、小写字母、数字或汉字等字符。
在一实施例中,如图3所示,步骤S110包括子步骤S111、S112和S113。
S111、随机获取所述字符池中与所述生成请求信息的字符数对应的多个字符;S112、根据多个所述字符生成对应的多个字符图片;S113、对所述多个字符图片进行拼接以得到对应的初始图像。
具体的,根据字符数从字符池中随机获取对应数量的多个字符,例如,字符数为“4”,则从字符池中随机选择4个字符。根据每一字符生成对应的字符图片。例如,可先创建一个白底黑字的div元素,div元素即是为HTML(标准通用标记语言下的一个应用)文档内大块(block-level)的内容提供结构和背景的元素,将随机选择得到的一个字符“a”添加至该div元素中,通过Canvas插件即可生成与字符“a”对应的字符图片,Canvas插件即是在HTML文档内用于根据网页内容实时生成图像的插件。对每一字符对应生成的字符图片进行拼接,即可得到对应的一张初始图像。
步骤S112之前还包括:判断所述多个字符中是否同时包含数字和字母;若同时包含数字和字母,执行所述根据多个所述字符生成对应的多个字符图片的步骤,也即是执行步骤S112;若不同时包含数字和字母,返回执行所述随机获取所述字符池中与所述生成请求信息的字符数对应的多个字符的步骤,也即是返回执行步骤S111。
为确保所生成的图形验证码中字符的多样性,可对随机选择得到的多个字符中是否同时包含数字和字母进行判断,若同时包含则进行下一步,若不同时包含则再次随机选择多个字符。
S120、根据预置的变换参数集合对所述初始图像分别进行多次随机变换以得到对应的多张变换图像。
根据预置的变换参数集合对所述初始图像分别进行多次随机变换以得到对应的多张变换图像。所述变换参数集合包括水平位移参数集合、垂直位移参数集合及偏转角度参数集合。变换参数集合即为管理服务器中预先存储的数据集合,可从变换参数集合中随机获取多个参数组合,分别对初始图像进行变换操作,得到对应的多组变换图像。
在一实施例中,如图4所示,步骤S120包括子步骤S121和S122。
S121、分别从所述水平位移参数集合、垂直位移参数集合及偏转角度参数集合中随机获取一个水平位移参数、一个垂直位移参数及一个偏转角度参数作为一个参数组合;S122、根据所述参数组合对所述初始图像进行变换处理以得到对应的一张变换图像。
分别从所述水平位移参数集合、垂直位移参数集合及偏转角度参数集合中随机获取一个水平位移参数、一个垂直位移参数及一个偏转角度参数作为一个参数组合。例如,水平位移参数集合中包括-5p(pixel像素)、-1p及3p三个水平位移参数,垂直位移参数集合中包括-4p、-1p及2p三个垂直位移参数,偏转角度参数集合中包括-20°、-5°及10°三个偏转角度参数,随机选择得到的一个参数组合为:水平位移参数3p、垂直位移参数-4p及偏转角度参数-5°。根据所述参数组合对所述初始图像进行变换处理以得到对应的一张变换图像,则根据所得到的多个参数组合对初始图像进行多次变换处理,每次变换处理得到对应的一张变换图像,多次变换处理可对应得到多张变换图像。例如,根据上述示例中变换参数集合所包含的三个子集合,对三个子集合中所包含的参数值进行随机组合可得到3×3×3=27个参数组合,则根据27个参数组合分别对初始图像进行变换处理可得到27张变换图像。
S130、根据预设范数集合、预存的比例系数集合及多个训练后的识别模型生成与每一张所述变换图像对应的一张复合扰动图像。
根据预设范数集合、预存的比例系数集合及多个训练后的识别模型生成与每一张所述变换图像对应的一张复合扰动图像。训练后的识别模型的数量与范数集合中所包含的范数的数量相等,则最终可得到多个训练后的识别模型,根据多个识别模型分别生成与一张变换图像对应的多张目标扰动图像,并对目标扰动图像进行叠加以得到与该变换图像对应的一张复合扰动图像,则每一张变换图像进行上述处理后均可得到对应的一张复合扰动图像。
在一实施例中,如图5所示,步骤S130之前包括步骤S1310。
S1310、若接收到用户所输入的训练数据集及训练规则,根据所述训练数据集、所述训练规则及预置的范数集合对预存的识别模型进行训练,以得到与所述范数集合中每一范数对应的一个训练后的识别模型。
若接收到用户所输入的训练数据集及训练规则,根据所述训练数据集、所述训练规则及预置的范数集合对预存的识别模型进行训练,以得到与所述范数集合中每一范数对应的一个训练后的识别模型。具体的,在使用多个训练后的识别模型之前,还可对识别模型进行训练得到多个训练后的识别模型。其中,所述训练规则包括模数阈值、损失函数计算公式、扰动迭代计算公式及梯度计算公式,用户可以是管理服务器的管理员。在使用识别模型之前,还需对识别模型进行训练,其中,范数集合中包含多个范数,范数集合可表示为P,范数集合P是包含多个非零正整数的集合,若P是所有非零正整数的集合,则P=1,2…,∞;范数集合中的任意一个范数p∈P,根据范数集合中的每一个范数p对识别模型进行训练,可得到一个训练后的识别模型,则所得到的训练后的识别模型的数量与范数集合中所包含的范数的数量相等。识别模型即是可以对图形识别码进行识别以获取对应字符序列的神经网络模型,识别模型中包含多个参数值,对识别模型进行训练即为对其中的参数值进行调整,对识别模型进行训练需使用用户所输入的训练数据集及训练规则,用户可以是管理服务器的管理员,训练数据集中包含多条训练数据,每一条训练数据均对应一张训练图像及一个目标字符序列,训练规则即是对识别模型进行训练的具体规则信息。
在一实施例中,如图6所示,步骤S1310包括子步骤S1311、S1312、S1313、S1314、S1315、S1316和S1317。
S1311、获取所述范数集合中的一个范数作为目标范数。
获取所述范数集合中的一个范数作为目标范数,针对目标范数对识别模型进行训练,即可得到一个与该目标范数对应的训练后的识别模型,训练数据集中的一张训练图像可对识别模型进行一次训练,多张训练图像可完成对识别模型的迭代训练。训练后的识别模型可用于生成图形验证码。
S1312、确定所述训练图像中的一张训练图像为目标训练图像;S1313、根据所述模数阈值及所述目标范数对所述识别模型中对应的基础参数值进行配置。
具体的,模数阈值可采用εp进行表示,例如可预先配置范数p=2及模数阈值εp=10,则可根据p=2及εp=10对识别模型中与范数及模数阈值所对应的两个基础参数值进行配置,识别模型中所配置的基础参数值为固定值,在对识别模型进行训练时不会涉及对基础参数值的校正。
S1314、根据所述识别模型、所述扰动迭代计算公式及所述损失函数计算公式生成与所述目标训练图像对应的一张扰动图像。
具体的,首先根据目标训练图像x初始化一张与x尺寸相同的扰动图像σp;初始化得到的扰动图像σp中每一像素点的像素值均为0,损失函数计算公式可定义为CTC(Connectionist temporal classification)损失函数CTCLoss,则损失函数计算公式可定义为LS=L(yp,y,θ),其中,yp为将目标训练图像x与扰动图像叠加后所得到的图像输入识别模型进行识别所得到的字符序列,对两个尺寸相同的图像进行叠加也即是将两个图像中每一像素对应的像素值进行相加,y为目标训练图像对应的目标字符序列,θ为识别模型中所设置的参数值,根据损失函数计算公式计算梯度值其中,g为损失值Ls对该扰动图像的偏导值,进一步根据扰动迭代计算公式计算得到新的扰动图像σp’,其中,表示v的p范数模数,α为扰动迭代的学习率,也即是将扰动图像σp展开为一维向量v=(v1,v2,…,vn),在v上定义的p范数即为对vi的各个元素值上面定义的范数值例,例如,若p=2,||σp||2表示x与x+δp之间的欧式距离;若p=∞,||σp||∞表示扰动图像δp的最大值;表示将v投影,具体的计算为在满足||v||p≤∈p的前提下,可根据上述方法对σp进行多次迭代更新得到最终得到的一张扰动图像。
S1315、将所述扰动图像与所述目标训练图像进行叠加以得到一张叠加训练图像。
可将最终所得到的叠加训练图像表示为x+σpx,x为目标训练图像,σpx为经过上述方法进行迭代更新后所得到的一张扰动图像。
S1316、根据所述损失函数计算公式计算所述叠加训练图像与所述目标训练图像之间的损失值。
具体的,将所得到的叠加训练图像输入识别模型以识别得到对应的字符序列,根据损失函数计算公式计算得到该字符序列yx与目标字符序列y之间的损失值LS=L(yx,y,θ)。
S1317、根据所述梯度计算公式、所述损失值及所述识别模型的计算值计算得到所述识别模型中每一参数的更新值以校正每一所述参数的参数值。
具体的,将识别模型中一个参数对叠加训练图像x+δpx进行计算所得到的计算值输入梯度计算公式,并结合上述损失值,即可计算得到与该参数对应的更新值,这一计算过程也即为梯度下降计算。可根据所计算得到的每一参数的更新值对该参数原始的参数值进行校正,对识别模型中参数的参数值进行校正的过程不涉及识别模型中所配置的基础参数值,对识别模型中可进行校正的所有参数进行一次校正也即是对识别模型进行了一次训练,可根据上述过程对识别模型进行多次迭代训练。
具体的,梯度计算公式可表示为:
其中,为计算得到的参数t的更新值,ωt为参数t原始的参数值,γ为梯度计算公式中预置的学习率,为基于损失值及参数t对应的计算值对该参数t的偏导值(这一计算过程中需使用该参数对应的计算值)。
在一实施例中,如图7所示,步骤S130包括子步骤S131、S132、S133和S134。
S131、根据所述比例系数集合及每一所述识别模型对应的范数确定每一所述识别模型对应的阈值信息。
根据所述比例系数集合及每一所述识别模型对应的范数确定每一所述识别模型对应的阈值信息。具体的,为范数集合P所设定的比例系数集合可表示为βP,其中,∑βp=1,其中p∈P,若P是所有非零正整数的集合,则P=1,2…,∞;则可确定与范数p对应的识别模型的阈值信息为εp×βP,εp为该识别模型中所设置的模数阈值。
S132、根据所述阈值信息对与每一所述阈值信息对应的所述识别模型的基础参数值进行更新。
根据所述阈值信息对与每一所述阈值信息对应的所述识别模型的基础参数值进行更新。根据每一识别模型所对应的阈值信息,对该识别模型中与模数阈值对应的一个基础参数值进行更新,例如,与范数p对应的识别模型中模数阈值的基础参数值为εp,则更新后该模数阈值对应的基础参数值为εp×βP,其中,p∈P。
S133、根据一张所述变换图像、所述扰动迭代计算公式、所述损失函数计算公式及多个所述识别模型,分别生成与每一所述识别模型对应的一张目标扰动图像。
根据一张所述变换图像、所述扰动迭代计算公式、所述损失函数计算公式及多个所述识别模型,分别生成与每一所述识别模型对应的一张目标扰动图像。具体的,根据一个识别模型、扰动迭代计算公式及损失函数计算公式生成与变换图像对应的一张目标扰动图像的过程,与根据目标训练图像生成对应的一张扰动图像的过程相同,在此不作赘述。根据一个识别模型可对应生成一张目标扰动图像,则多个识别模型可生成数量相同的多张目标扰动图像。
S134、对多张所述目标扰动图像进行叠加以得到与所述变换图像对应的一张复合扰动图像。
对多张所述目标扰动图像进行叠加以得到与所述变换图像对应的一张复合扰动图像。由于所得到的多张目标扰动图像的尺寸均相同,因此可对所得到的目标扰动图像进行叠加得到一张复合扰动图像。每一张变换图像进行上述处理后均可得到对应的一张复合扰动图像。
S140、将每一所述变换图像与对应的一张所述复合扰动图像进行叠加,以得到与多张所述变换图像对应的多张叠加图像。
将每一所述变换图像与对应的一张所述复合扰动图像进行叠加,以得到与多张所述变换图像对应的多张叠加图像。将一张变换图像与对应的复合扰动图像进行叠加即可得到一张叠加图像,则多张变换图像可对应得到多张叠加图像。变换图像与复合扰动图像的尺寸相同,则对两个尺寸相同的图像进行叠加也即是将两个图像中每一像素对应的像素值进行相加。
S150、根据所述初始图像及预置的图像损失值计算公式从所述多张叠加图像中选择一张最优叠加图像作为图形验证码发送至所述客户端。
根据所述初始图像及预置的图像损失值计算公式从所述多张叠加图像中选择一张最优叠加图像作为图形验证码发送至所述客户端。得到多张叠加图像后,还可从中选择得到一张最优叠加图像作为图形验证码,并将该图形验证码发送至客户端,可在初始图像中添加合适的扰动得到图形验证码,通过多个识别模型生成与每一变换图像对应的一张复合扰动图像,并将一张变换图像对应的多张复合扰动图像进行叠加,并从多张叠加图像中选择最优的一张作为图形验证码,由于所得到的每一张叠加图像均是基于多个识别模型生成的,因此提升了最终得到的图形验证码的可靠性,可大幅提高图形验证码被识别机器人破解的难度,客户可清楚识别所得到的图形验证码且难以被OCR识别机器人破解,提高了所生成的图像验证码的可靠性。
在一实施例中,如图8所示,步骤S150包括子步骤S151和S152。
S151、根据所述图像损失值计算公式分别计算每一所述叠加图像与所述初始图像之间的图像损失值。
根据所述图像损失值计算公式分别计算每一所述叠加图像与所述初始图像之间的图像损失值。图像损失值计算公式可表示为 其中,x为任意一张叠加图像,μx为该叠加图像中所有像素点的像素平均值,y为初始图像,μy为初始图像中所有像素点的像素平均值,σxy为该叠加图像的像素值与初始图像的像素值之间的协方差,σx为该叠加图像的像素值的标准差,σy为初始图像的像素值的标准差,c1及c2均为公式中预设的参数值。
S152、选择数值最大的一个所述图像损失值所对应的叠加图像作为所述最优叠加图像。
选择数值最大的一个所述图像损失值所对应的叠加图像作为所述最优叠加图像。根据每一叠加图像对应的图像损失值,选择数值最大的一个图像损失值所对应的叠加图像作为最优叠加图像,也即是将该最优叠加图像作为最终所得到的图形验证码。
本申请中的技术方法可应用于智慧政务/智慧城管/智慧社区/智慧安防/智慧物流/智慧医疗/智慧教育/智慧环保/智慧交通等包含图形验证码生成的应用场景中,从而推动智慧城市的建设。
在本发明实施例所提供的图形验证码生成方法中,根据字符池随机生成与生成请求信息对应的初始图像,根据变换参数集合对初始图像分别进行多次随机变换以得到对应的多张变换图像,根据比例系数集合及多个训练后的识别模型生成与每一张变换图像对应的复合扰动图像,将变换图像与复合扰动图像进行叠加以得到多张变换图像对应的多张叠加图像,从多张叠加图像中选择一张最优叠加图像作为图形验证码并发送至客户端。通过上述方法,采用多个识别模型生成与每一变换图像对应的一张复合扰动图像,并将一张变换图像对应的多张复合扰动图像进行叠加,从多张叠加图像中选择最优的一张作为图形验证码,提升了最终得到的图形验证码的可靠性,可大幅提高被识别机器人破解的难度,客户可清楚识别所得到的图形验证码且难以被识别机器人破解,提高了所生成的图像验证码的可靠性。
本发明实施例还提供一种图形验证码生成装置,该图形验证码生成装置用于执行前述图形验证码生成方法的任一实施例。具体地,请参阅图9,图9是本发明实施例提供的图形验证码生成装置的示意性框图。该图形验证码生成装置可以配置于用户终端中。
如图9所示,图形验证码生成装置100包括初始图像生成单元110、变换图像获取单元120、复合扰动图像生成单元130、叠加图像获取单元140和最优叠加图像获取单元150。
初始图像生成单元110,用于接收到来自客户端的生成请求信息,根据预存的字符池随机生成与所述生成请求信息对应的初始图像。
在一实施例中,所述初始图像生成单元110包括子单元:字符随机获取单元、字符图片生成单元及字符图片拼接单元。
字符随机获取单元,用于随机获取所述字符池中与所述生成请求信息的字符数对应的多个字符;字符图片生成单元,用于根据多个所述字符生成对应的多个字符图片;字符图片拼接单元,用于对所述多个字符图片进行拼接以得到对应的初始图像。
变换图像获取单元120,用于根据预置的变换参数集合对所述初始图像分别进行多次随机变换以得到对应的多张变换图像。
在一实施例中,所述变换图像获取单元120包括子单元:参数组合获取单元及图像变换处理单元。
参数组合获取单元,用于分别从所述水平位移参数集合、垂直位移参数集合及偏转角度参数集合中随机获取一个水平位移参数、一个垂直位移参数及一个偏转角度参数作为一个参数组合;图像变换处理单元,用于根据所述参数组合对所述初始图像进行变换处理以得到对应的一张变换图像。
复合扰动图像生成单元130,用于根据预设范数集合、预存的比例系数集合及多个所述训练后的识别模型生成与每一张所述变换图像对应的一张复合扰动图像。
在一实施例中,所述验证码生成装置100还包括子单元:识别模型训练单元。
识别模型训练单元,用于若接收到用户所输入的训练数据集及训练规则,根据所述训练数据集、所述训练规则及所述范数集合对预存的识别模型进行训练,以得到与所述范数集合中每一范数对应的一个训练后的识别模型。
在一实施例中,所述识别模型训练单元包括子单元:目标范数确定单元、目标训练图像确定单元、识别模型配置单元、扰动图像生成单元、图像叠加单元、损失值计算单元及参数更新单元。
目标范数确定单元,用于获取所述范数集合中的一个范数作为目标范数;目标训练图像确定单元,用于确定所述训练图像中的一张训练图像为目标训练图像;识别模型配置单元,用于根据所述模数阈值及所述目标范数对所述识别模型中对应的基础参数值进行配置;扰动图像生成单元,用于根据所述识别模型、所述扰动迭代计算公式及所述损失函数计算公式生成与所述目标训练图像对应的一张扰动图像;图像叠加单元,用于将所述扰动图像与所述目标训练图像进行叠加以得到一张叠加训练图像;损失值计算单元,用于根据所述损失函数计算公式计算所述叠加训练图像与所述目标训练图像之间的损失值;参数更新单元,用于根据所述梯度计算公式、所述损失值及所述识别模型的计算值计算得到所述识别模型中每一参数的更新值以校正每一所述参数的参数值。
在一实施例中,所述复合扰动图像生成单元130包括子单元:阈值信息确定单元、阈值信息更新单元、目标扰动图像生成单元及目标扰动图像叠加单元。
阈值信息确定单元,用于根据所述比例系数集合及每一所述识别模型对应的范数确定每一所述识别模型对应的阈值信息;阈值信息更新单元,用于根据所述阈值信息对与每一所述阈值信息对应的所述识别模型的基础参数值进行更新;目标扰动图像生成单元,用于根据一张所述变换图像、所述扰动迭代计算公式、所述损失函数计算公式及多个所述识别模型,分别生成与每一所述识别模型对应的一张目标扰动图像;目标扰动图像叠加单元,用于对多张所述目标扰动图像进行叠加以得到与所述变换图像对应的一张复合扰动图像。
叠加图像获取单元140,用于将每一所述变换图像与对应的一张所述复合扰动图像进行叠加,以得到与多张所述变换图像对应的多张叠加图像。
最优叠加图像获取单元150,用于根据所述初始图像及预置的图像损失值计算公式从所述多张叠加图像中选择一张最优叠加图像作为图形验证码发送至所述客户端。
在一实施例中,所述最优叠加图像获取单元150包括子单元:图像损失值计算单元及叠加图像选择单元。
图像损失值计算单元,用于根据所述图像损失值计算公式分别计算每一所述叠加图像与所述初始图像之间的图像损失值;叠加图像选择单元,用于选择数值最大的一个所述图像损失值所对应的叠加图像作为所述最优叠加图像。
在本发明实施例所提供的图形验证码生成装置应用上述图形验证码生成方法,根据字符池随机生成与生成请求信息对应的初始图像,根据变换参数集合对初始图像分别进行多次随机变换以得到对应的多张变换图像,根据比例系数集合及多个训练后的识别模型生成与每一张变换图像对应的复合扰动图像,将变换图像与复合扰动图像进行叠加以得到多张变换图像对应的多张叠加图像,从多张叠加图像中选择一张最优叠加图像作为图形验证码并发送至客户端。通过上述方法,采用多个识别模型生成与每一变换图像对应的一张复合扰动图像,并将一张变换图像对应的多张复合扰动图像进行叠加,从多张叠加图像中选择最优的一张作为图形验证码,提升了最终得到的图形验证码的可靠性,可大幅提高被识别机器人破解的难度,客户可清楚识别所得到的图形验证码且难以被识别机器人破解,提高了所生成的图像验证码的可靠性。
上述图形验证码生成装置可以实现为计算机程序的形式,该计算机程序可以在如图10所示的计算机设备上运行。
请参阅图10,图10是本发明实施例提供的计算机设备的示意性框图。该计算机设备可以是即是用于执行图形验证码生成方法以完成虚拟数据信息生成的服务器端,例如,企业所设置的服务器等。
参阅图10,该计算机设备500包括通过系统总线501连接的处理器502、存储器和网络接口505,其中,存储器可以包括非易失性存储介质503和内存储器504。
该非易失性存储介质503可存储操作系统5031和计算机程序5032。该计算机程序5032被执行时,可使得处理器502执行图形验证码生成方法。
该处理器502用于提供计算和控制能力,支撑整个计算机设备500的运行。
该内存储器504为非易失性存储介质503中的计算机程序5032的运行提供环境,该计算机程序5032被处理器502执行时,可使得处理器502执行图形验证码生成方法。
该网络接口505用于进行网络通信,如提供数据信息的传输等。本领域技术人员可以理解,图10中示出的结构,仅仅是与本发明方案相关的部分结构的框图,并不构成对本发明方案所应用于其上的计算机设备500的限定,具体的计算机设备500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。
其中,所述处理器502用于运行存储在存储器中的计算机程序5032,以实现上述的图形验证码生成方法中对应的功能。
本领域技术人员可以理解,图10中示出的计算机设备的实施例并不构成对计算机设备具体构成的限定,在其他实施例中,计算机设备可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。例如,在一些实施例中,计算机设备可以仅包括存储器及处理器,在这样的实施例中,存储器及处理器的结构及功能与图10所示实施例一致,在此不再赘述。
应当理解,在本发明实施例中,处理器502可以是中央处理单元(CentralProcessing Unit,CPU),该处理器502还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中,通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
在本发明的另一实施例中提供计算机可读存储介质。该计算机可读存储介质可以为非易失性的计算机可读存储介质。该计算机可读存储介质存储有计算机程序,其中计算机程序被处理器执行时实现上述的图形验证码生成方法中所包含的步骤。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的设备、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为逻辑功能划分,实际实现时可以有另外的划分方式,也可以将具有相同功能的单元集合成一个单元,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接,也可以是电的,机械的或其它的形式连接。
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单元来实现本发明实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分,或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个计算机可读存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的计算机可读存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (8)
1.一种图形验证码生成方法,应用于管理服务器中,所述管理服务器与至少一台客户端进行通信,其特征在于,包括:
接收到来自客户端的生成请求信息,根据预存的字符池随机生成与所述生成请求信息对应的初始图像;
根据预置的变换参数集合对所述初始图像分别进行多次随机变换以得到对应的多张变换图像;
根据预设范数集合、预存的比例系数集合及多个训练后的识别模型生成与每一张所述变换图像对应的一张复合扰动图像;
将每一所述变换图像与对应的一张所述复合扰动图像进行叠加,以得到与多张所述变换图像对应的多张叠加图像;
根据所述初始图像及预置的图像损失值计算公式从所述多张叠加图像中选择一张最优叠加图像作为图形验证码发送至所述客户端;
所述根据预设范数集合、预存的比例系数集合及多个训练后的识别模型生成与每一张所述变换图像对应的一张复合扰动图像,包括:
根据所述比例系数集合及每一所述识别模型对应的范数确定每一所述识别模型对应的阈值信息;
根据所述阈值信息对与每一所述阈值信息对应的所述识别模型的基础参数值进行更新;
根据一张所述变换图像、扰动迭代计算公式、损失函数计算公式及多个所述识别模型,分别生成与每一所述识别模型对应的一张目标扰动图像;
所述目标扰动图像的生成方法包括:根据变换图像x初始化一张与x尺寸相同的扰动图像;初始化得到的扰动图像中每一像素点的像素值均为0,损失函数计算公式定义为LS=L (yp,y,θ),其中,yp为将变换图像x与扰动图像叠加后所得到的图像输入一个识别模型进行识别所得到的字符序列,对两个尺寸相同的图像进行叠加也即是将两个图像中每一像素对应的像素值进行相加,y为变换图像对应的目标字符序列,θ为识别模型中所设置的参数值,根据损失函数计算公式计算梯度值g=,其中,g为损失值Ls对该扰动图像的偏导值,进一步根据扰动迭代计算公式计算得到新的扰动图像,其中,表示v的p范数模数,为扰动迭代的学习率,也即是将扰动图像展开为一维向量v=(v1,v2,…,vn),在v上定义的p范数即为对vi的各个元素值上面定义的范数值例,表示范数模数p的阈值; ,若p=2,表示x与x+之间的欧式距离;若表示扰动图像的最大值;表示将v投影,具体的计算为,在满足的前提下,根据上述方法对进行多次迭代更新得到最终得到与当前的识别模型对应的一张扰动图像;
对多张所述目标扰动图像进行叠加以得到与所述变换图像对应的一张复合扰动图像;
所述根据所述初始图像及预置的图像损失值计算公式从所述多张叠加图像中选择一张最优叠加图像作为图形验证码发送至所述客户端,包括:
根据所述图像损失值计算公式分别计算每一所述叠加图像与所述初始图像之间的图像损失值;
选择数值最大的一个所述图像损失值所对应的叠加图像作为所述最优叠加图像。
2.根据权利要求1所述的图形验证码生成方法,其特征在于,还包括:
若接收到用户所输入的训练数据集及训练规则,根据所述训练数据集、所述训练规则及所述范数集合对预存的识别模型进行训练,以得到与所述范数集合中每一范数对应的一个训练后的识别模型。
3.根据权利要求2所述的图形验证码生成方法,其特征在于,所述训练规则包括模数阈值、损失函数计算公式、扰动迭代计算公式及梯度计算公式,所述根据所述训练数据集、所述训练规则及所述范数集合对预存的识别模型进行训练,以得到与所述范数集合中每一范数对应的一个训练后的识别模型,包括:
获取所述范数集合中的一个范数作为目标范数;
确定所述训练数据集中的一张训练图像为目标训练图像;
根据所述模数阈值及所述目标范数对所述识别模型中对应的基础参数值进行配置;
根据所述识别模型、所述扰动迭代计算公式及所述损失函数计算公式生成与所述目标训练图像对应的一张扰动图像;
将所述扰动图像与所述目标训练图像进行叠加以得到一张叠加训练图像;
根据所述损失函数计算公式计算所述叠加训练图像与所述目标训练图像之间的损失值;
根据所述梯度计算公式、所述损失值及所述识别模型的计算值计算得到所述识别模型中每一参数的更新值以校正每一所述参数的参数值。
4.根据权利要求1所述的图形验证码生成方法,其特征在于,所述根据预存的字符池随机生成与所述生成请求信息对应的初始图像,包括:
随机获取所述字符池中与所述生成请求信息的字符数对应的多个字符;
根据多个所述字符生成对应的多个字符图片;
对所述多个字符图片进行拼接以得到对应的初始图像。
5.根据权利要求1所述的图形验证码生成方法,其特征在于,所述变换参数集合包括水平位移参数集合、垂直位移参数集合及偏转角度参数集合,所述根据预置的变换参数集合对所述初始图像分别进行多次随机变换以得到对应的多张变换图像,包括:
分别从所述水平位移参数集合、垂直位移参数集合及偏转角度参数集合中随机获取一个水平位移参数、一个垂直位移参数及一个偏转角度参数作为一个参数组合;
根据所述参数组合对所述初始图像进行变换处理以得到对应的一张变换图像。
6.一种图形验证码生成装置,其特征在于,包括:
初始图像生成单元,用于接收到来自客户端的生成请求信息,根据预存的字符池随机生成与所述生成请求信息对应的初始图像;
变换图像获取单元,用于根据预置的变换参数集合对所述初始图像分别进行多次随机变换以得到对应的多张变换图像;
复合扰动图像生成单元,用于根据预设范数集合、预存的比例系数集合及多个训练后的识别模型生成与每一张所述变换图像对应的一张复合扰动图像;
叠加图像获取单元,用于将每一所述变换图像与对应的一张所述复合扰动图像进行叠加,以得到与多张所述变换图像对应的多张叠加图像;
最优叠加图像获取单元,用于根据所述初始图像及预置的图像损失值计算公式从所述多张叠加图像中选择一张最优叠加图像作为图形验证码发送至所述客户端;
所述复合扰动图像生成单元包括子单元:阈值信息确定单元,用于根据所述比例系数集合及每一所述识别模型对应的范数确定每一所述识别模型对应的阈值信息;阈值信息更新单元,用于根据所述阈值信息对与每一所述阈值信息对应的所述识别模型的基础参数值进行更新;目标扰动图像生成单元,用于根据一张所述变换图像、扰动迭代计算公式、损失函数计算公式及多个所述识别模型,分别生成与每一所述识别模型对应的一张目标扰动图像;目标扰动图像叠加单元,用于对多张所述目标扰动图像进行叠加以得到与所述变换图像对应的一张复合扰动图像;
所述目标扰动图像的生成方法包括:根据变换图像x初始化一张与x尺寸相同的扰动图像;初始化得到的扰动图像中每一像素点的像素值均为0,损失函数计算公式定义为LS=L (yp,y,θ),其中,yp为将变换图像x与扰动图像叠加后所得到的图像输入一个识别模型进行识别所得到的字符序列,对两个尺寸相同的图像进行叠加也即是将两个图像中每一像素对应的像素值进行相加,y为变换图像对应的目标字符序列,θ为识别模型中所设置的参数值,根据损失函数计算公式计算梯度值g=,其中,g为损失值Ls对该扰动图像的偏导值,进一步根据扰动迭代计算公式计算得到新的扰动图像,其中,表示v的p范数模数,为扰动迭代的学习率,也即是将扰动图像展开为一维向量v=(v1,v2,…,vn),在v上定义的p范数即为对vi的各个元素值上面定义的范数值例,表示范数模数p的阈值; ,若p=2,表示x与x+之间的欧式距离;若表示扰动图像的最大值;表示将v投影,具体的计算为,在满足的前提下,根据上述方法对进行多次迭代更新得到最终得到与当前的识别模型对应的一张扰动图像;
所述最优叠加图像获取单元包括子单元:图像损失值计算单元,用于根据所述图像损失值计算公式分别计算每一所述叠加图像与所述初始图像之间的图像损失值;叠加图像选择单元,用于选择数值最大的一个所述图像损失值所对应的叠加图像作为所述最优叠加图像。
7.一种计算机设备,包括存储器、处理器及存储在所述存储器上并可在所述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如权利要求1至5中任一项所述的图形验证码生成方法。
8.一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存储有计算机程序,所述计算机程序当被处理器执行时使所述处理器执行如权利要求1至5任一项所述的图形验证码生成方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010623142.9A CN111783064B (zh) | 2020-06-30 | 2020-06-30 | 图形验证码生成方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010623142.9A CN111783064B (zh) | 2020-06-30 | 2020-06-30 | 图形验证码生成方法、装置、计算机设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111783064A CN111783064A (zh) | 2020-10-16 |
CN111783064B true CN111783064B (zh) | 2024-07-09 |
Family
ID=72760526
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010623142.9A Active CN111783064B (zh) | 2020-06-30 | 2020-06-30 | 图形验证码生成方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111783064B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114817893A (zh) * | 2021-01-19 | 2022-07-29 | 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 |
CN114419719B (zh) * | 2022-03-29 | 2022-08-12 | 北京爱笔科技有限公司 | 一种生物特征的处理方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101179381A (zh) * | 2006-11-07 | 2008-05-14 | 阿里巴巴公司 | 一种验证信息的方法和装置 |
CA3082405A1 (en) * | 2017-11-13 | 2019-05-16 | Equifax Inc. | Building segment-specific executable program code for modeling outputs |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107241320A (zh) * | 2017-05-26 | 2017-10-10 | 微梦创科网络科技(中国)有限公司 | 一种基于图像的人机鉴别方法及鉴别系统 |
CN109782989B (zh) * | 2017-11-14 | 2021-08-03 | 腾讯科技(深圳)有限公司 | 安全验证方法及相关装置 |
CN109977980A (zh) * | 2017-12-28 | 2019-07-05 | 航天信息股份有限公司 | 一种验证码识别方法及装置 |
CN108763915A (zh) * | 2018-05-18 | 2018-11-06 | 百度在线网络技术(北京)有限公司 | 建立验证码生成模型以及生成验证码的方法、装置 |
CN108875327A (zh) * | 2018-05-28 | 2018-11-23 | 阿里巴巴集团控股有限公司 | 一种核身方法和装置 |
CN109523611B (zh) * | 2018-11-28 | 2023-05-09 | 百度在线网络技术(北京)有限公司 | 验证码图片生成方法和装置 |
CN109800559B (zh) * | 2019-01-02 | 2024-01-16 | 平安科技(深圳)有限公司 | 滑块验证码的生成方法、装置、计算机设备及存储介质 |
CN110533057B (zh) * | 2019-04-29 | 2022-08-12 | 浙江科技学院 | 一种单样本与少样本场景下的汉字验证码识别方法 |
CN110555298B (zh) * | 2019-08-30 | 2021-10-26 | 阿里巴巴(中国)有限公司 | 验证码识别模型训练及识别方法、介质、装置、计算设备 |
-
2020
- 2020-06-30 CN CN202010623142.9A patent/CN111783064B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101179381A (zh) * | 2006-11-07 | 2008-05-14 | 阿里巴巴公司 | 一种验证信息的方法和装置 |
CA3082405A1 (en) * | 2017-11-13 | 2019-05-16 | Equifax Inc. | Building segment-specific executable program code for modeling outputs |
Also Published As
Publication number | Publication date |
---|---|
CN111783064A (zh) | 2020-10-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108427927B (zh) | 目标再识别方法和装置、电子设备、程序和存储介质 | |
CN111783064B (zh) | 图形验证码生成方法、装置、计算机设备及存储介质 | |
US10891476B2 (en) | Method, system, and neural network for identifying direction of a document | |
CN108595927B (zh) | 身份认证、解锁及支付方法、装置、存储介质、产品和设备 | |
CN109523611B (zh) | 验证码图片生成方法和装置 | |
CN113449783B (zh) | 一种对抗样本生成方法、系统、计算机设备和存储介质 | |
CN103312512A (zh) | 一种图片验证码的生成方法及装置、身份验证方法及装置 | |
US10607077B1 (en) | Identity authentication using an inlier neural network | |
CN108875404B (zh) | 基于机器学习的数据脱敏方法、装置及存储介质 | |
CN110738219A (zh) | 图像中线条提取方法和装置、存储介质及电子装置 | |
CN111783083A (zh) | 一种防御算法的推荐方法及装置 | |
CN105608234A (zh) | 图像检索方法和装置 | |
CN109816543B (zh) | 一种图像查找方法及装置 | |
US20220335114A1 (en) | Verification method and verification apparatus based on attacking image style transfer | |
CN108647683A (zh) | 一种基于频域加噪的字符对抗验证码生成方法和系统 | |
CN113435264A (zh) | 基于寻找黑盒替代模型的人脸识别对抗攻击方法及装置 | |
CN115798056A (zh) | 人脸对抗样本生成方法、装置、系统及存储介质 | |
CN112966685A (zh) | 用于场景文本识别的攻击网络训练方法、装置及相关设备 | |
CN112115811A (zh) | 基于隐私保护的图像处理方法、装置和电子设备 | |
CN113297624B (zh) | 图像的预处理方法及装置 | |
CN107844696B (zh) | 一种验证码干扰方法及服务器 | |
CN112487479A (zh) | 一种训练隐私保护模型的方法、隐私保护方法及装置 | |
CN114898450B (zh) | 基于生成模型的人脸对抗口罩样本生成方法和系统 | |
CN113065535B (zh) | 关键点检测及检测网络训练的方法、电子设备和存储介质 | |
CN110348185B (zh) | 验证码的实现方法、装置、设备和计算机存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant |