CN112115452A - 用于生成验证码图像的方法和装置 - Google Patents
用于生成验证码图像的方法和装置 Download PDFInfo
- Publication number
- CN112115452A CN112115452A CN201910538264.5A CN201910538264A CN112115452A CN 112115452 A CN112115452 A CN 112115452A CN 201910538264 A CN201910538264 A CN 201910538264A CN 112115452 A CN112115452 A CN 112115452A
- Authority
- CN
- China
- Prior art keywords
- image
- sample
- style
- content
- fusion
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 230000004927 fusion Effects 0.000 claims abstract description 213
- 238000012795 verification Methods 0.000 claims abstract description 92
- 238000000605 extraction Methods 0.000 claims abstract description 26
- 238000013528 artificial neural network Methods 0.000 claims description 68
- 238000012549 training Methods 0.000 claims description 30
- 239000011159 matrix material Substances 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 9
- 238000005336 cracking Methods 0.000 abstract description 8
- 230000006870 function Effects 0.000 description 93
- 238000010586 diagram Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 241001465754 Metazoa Species 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 241000282412 Homo Species 0.000 description 1
- 241000270666 Testudines Species 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Security & Cryptography (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例公开了用于生成验证码图像的方法、装置、电子设备和计算机可读介质。该方法的一具体实施方式包括:获取内容图像和风格图像,内容图像包含验证用的内容对象;采用已训练的图像融合模型对内容图像和风格图像进行特征提取,并对提取出的内容图像的内容特征和风格图像的风格特征进行融合,生成验证码图像。该实施方式提升了验证码的破解难度。
Description
技术领域
本申请实施例涉及计算机技术领域,具体涉及人工智能技术领域,尤其涉及用于生成验证码图像的方法和装置。
背景技术
验证码(CAPTCHA)是“Completely Automated Public Turing test to tellComputers and Humans Apart”(全自动区分计算机和人类的图灵测试)的缩写,是一种区分用户是计算机还是人的公共全自动程序。通常验证码以图片形式呈现,由于机器难以自动识别验证码图片的内容,而人类可以容易地识别出验证码图片的内容,因此可以用于验证是否为人工操作。验证码技术可以防止恶意破解密码、刷票、论坛灌水,有效防止某个黑客对某一个特定注册用户用特定程序暴力破解方式进行不断的登陆尝试。
随着机器视觉技术的发展,出现了机器自动破解验证码的技术。例如,对于由字符生成的验证码图片,机器可以基于边缘检测等算法自动识别出图片中的字符,从而破解验证码。为了抵御机器对验证码的自动破解,可以采用对图片中的字符进行扭曲变形等方式,增加图像识别的难度。
发明内容
本公开的实施例提出了用于生成验证码图像的方法、装置、电子设备和计算机可读介质。
第一方面,本公开的实施例提供了一种用于生成验证码图像的方法,包括:获取内容图像和风格图像,内容图像包含验证用的内容对象;采用已训练的图像融合模型对内容图像和风格图像进行特征提取,并对提取出的内容图像的内容特征和风格图像的风格特征进行融合,生成验证码图像。
在一些实施例中,上述方法还包括:基于样本数据集训练得出图像融合模型,其中,样本数据集包括样本内容图像和样本风格图像;上述基于样本数据集训练得出图像融合模型包括:构建图像融合模型对应的神经网络,获取初始的样本融合图像;利用图像融合模型对应的神经网络对样本融合图像、样本内容图像以及样本风格图像分别进行内容特征提取,基于神经网络各层输出的样本融合图像的内容特征和样本内容图像的内容特征之间的差异构建第一损失函数;分别根据样本融合图像的内容特征和样本风格图像的内容特征生成样本融合图像的风格特征和样本风格图像的风格特征;基于神经网络的各层对应的样本风格图像的风格特征与样本融合图像的风格特征之间的差异构建第二损失函数;对样本内容图像的内容特征和样本风格图像的风格特征进行融合,生成新的样本融合图像;基于第一损失函数和第二损失函数对图像融合模型对应的神经网络的参数进行迭代调整,使得调整参数后的图像融合模型生成的样本融合图像对应的第一损失函数的值和第二损失函数的值满足预设的收敛条件。
在一些实施例中,上述基于第一损失函数和第二损失函数对图像融合模型对应的神经网络的参数进行迭代调整,使得调整参数后的图像融合模型生成的样本融合图像对应的第一损失函数的值和第二损失函数的值满足预设的收敛条件,包括:基于第一损失函数和第二损失函数的加权和构建联合损失函数;基于联合损失函数对图像融合模型对应的神经网络的参数进行迭代调整,使得调整参数后的图像融合模型生成的样本融合图像对应的联合损失函数的值满足预设的收敛条件。
在一些实施例中,上述分别根据样本融合图像的内容特征和样本风格图像的内容特征生成样本融合图像的风格特征和样本风格图像的风格特征,包括:将神经网络的一个层输出的样本融合图像的所有内容特征的格拉姆矩阵作为样本融合图像在对应层的风格特征;将神经网络的一个层输出的样本风格图像的所有内容特征的格拉姆矩阵作为样本风格图像在对应层的风格特征。
在一些实施例中,上述基于神经网络各层输出的样本融合图像的内容特征和样本内容图像的内容特征之间的差异构建第一损失函数,包括:对神经网络每一层输出的样本融合图像的内容特征和样本内容图像的内容特征之间的差异进行累加,得到第一损失函数;上述基于神经网络各层输出的样本风格图像的风格特征与样本融合图像的风格特征之间的差异构建第二损失函数,包括:对神经网络每一层输出的样本风格图像的风格特征与基于对应层输出的样本融合图像的内容特征生成的样本融合图像的风格特征之间的差异进行累加,得到第二损失函数。
在一些实施例中,上述方法还包括:获取内容图像中验证用的内容对象的信息,作为验证码图像对应的标准验证信息,其中,在接收到针对验证码图像提供的验证请求信息时,基于验证请求信息与验证码图像对应的标准验证信息的匹配结果确定是否通过验证。
第二方面,本公开的实施例提供了一种用于生成验证码图像的装置,包括:获取单元,被配置为获取内容图像和风格图像,内容图像包含验证用的内容对象;融合单元,被配置为采用已训练的图像融合模型对内容图像和风格图像进行特征提取,并对提取出的内容图像的内容特征和风格图像的风格特征进行融合,生成验证码图像。
在一些实施例中,上述装置还包括:训练单元,被配置为基于样本数据集训练得出图像融合模型,其中,样本数据集包括样本内容图像和样本风格图像;训练单元被配置为按照如下方式训练得出图像融合模型:构建图像融合模型对应的神经网络,获取初始的样本融合图像;利用图像融合模型对应的神经网络对样本融合图像、样本内容图像以及样本风格图像分别进行内容特征提取,基于神经网络各层输出的样本融合图像的内容特征和样本内容图像的内容特征之间的差异构建第一损失函数;分别根据样本融合图像的内容特征和样本风格图像的内容特征生成样本融合图像的风格特征和样本风格图像的风格特征;基于神经网络的各层对应的样本风格图像的风格特征与样本融合图像的风格特征之间的差异构建第二损失函数;对样本内容图像的内容特征和样本风格图像的风格特征进行融合,生成新的样本融合图像;基于第一损失函数和第二损失函数对图像融合模型对应的神经网络的参数进行迭代调整,使得调整参数后的图像融合模型生成的样本融合图像对应的第一损失函数的值和第二损失函数的值满足预设的收敛条件。
在一些实施例中,上述训练单元被配置为按照如下方式对图像融合模型对应的神经网络的参数进行迭代调整:基于第一损失函数和第二损失函数的加权和构建联合损失函数;基于联合损失函数对图像融合模型对应的神经网络的参数进行迭代调整,使得调整参数后的图像融合模型生成的样本融合图像对应的联合损失函数的值满足预设的收敛条件。
在一些实施例中,上述训练单元被配置为按照如下方式生成样本融合图像的风格特征和样本风格图像的风格特征:将神经网络的一个层输出的样本融合图像的所有内容特征的格拉姆矩阵作为样本融合图像在对应层的风格特征;将神经网络的一个层输出的样本风格图像的所有内容特征的格拉姆矩阵作为样本风格图像在对应层的风格特征。
在一些实施例中,上述训练单元被配置为按照如下方式构建第一损失函数:对神经网络每一层输出的样本融合图像的内容特征和样本内容图像的内容特征之间的差异进行累加,得到第一损失函数;上述训练单元被配置为按照如下方式构建第二损失函数:对神经网络每一层输出的样本风格图像的风格特征与基于对应层输出的样本融合图像的内容特征生成的样本融合图像的风格特征之间的差异进行累加,得到第二损失函数。
在一些实施例中,上述装置还包括:标记单元,被配置为获取内容图像中验证用的内容对象的信息,作为验证码图像对应的标准验证信息,其中,在接收到针对验证码图像提供的验证请求信息时,基于验证请求信息与验证码图像对应的标准验证信息的匹配结果确定是否通过验证。
第三方面,本公开的实施例提供了一种电子设备,包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如第一方面提供的用于生成验证码图像的方法。
第四方面,本公开的实施例提供了一种计算机可读介质,其上存储有计算机程序,其中,程序被处理器执行时实现第一方面提供的用于生成验证码图像的方法。
本公开的上述实施例的用于生成验证码图像的方法和装置、电子设备及计算机可读介质,通过获取内容图像和风格图像,内容图像包含验证用的内容对象,采用已训练的图像融合模型对内容图像和风格图像进行特征提取,并对提取出的内容图像的内容特征和风格图像的风格特征进行融合,生成验证码图像,提升了验证码的破解难度。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1是本公开的实施例可以应用于其中的示例性系统架构图;
图2是根据本公开的用于生成验证码图像的方法的一个实施例的流程图;
图3是采用本公开的用于生成验证码图像的方法生成的验证码图像的示例;
图4是根据本公开的用于生成验证码图像的方法的另一个实施例的流程图;
图5是本公开的用于生成验证码图像的装置的一个实施例的结构示意图;
图6是适于用来实现本公开实施例的电子设备的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请的验证码图片生成方法或验证码图片生成装置的示例性系统架构100。
如图1所示,系统架构100可以包括终端设备101、102、103,网络104以及服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户110可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种数据访问应用,例如文件管理应用、搜索应用、电商应用、邮件客户端、社交平台应用等。
终端设备101、102、103可以是具有显示屏并支持互联网访问的各种电子设备,包括但不限于台式电脑、智能手机、平板电脑、智能手表、笔记本电脑、膝上便携型电脑、电子书阅读器等。
服务器105可以是提供各类数据访问服务的服务器,例如文件管理服务器或邮件服务器。服务器105可以接收终端设备101、102、103发送的数据访问请求,对发出数据访问请求的对象的身份进行验证,例如可以生成验证码图片,通过网络104发送至终端设备101、102、103。终端设备101、102、103可以将用户输入的验证码、或者从其他设备获取的验证码发送给服务器105,服务器105可以将终端设备101、102、103发送的验证码与后台存储的验证码序列进行比对,若一致,则服务器105可以确认发出数据访问请求的对象的身份合法,根据数据访问请求查询数据并反馈给终端设备101、102、103;否则可以确认发出数据访问请求的对象的身份不合法,拒绝向发出数据访问请求的对象提供所请求访问的数据。
终端设备101、102、103可以包含用于执行物理运算的部件(例如GPU等处理器),终端设备101、102、103也可以生成验证码图片,对发出数据访问请求的对象的身份进行验证。这时,上述系统架构中可以不包含网络104和服务器105。
需要说明的是,上述终端设备101、102、103也可以是软件。当终端设备101、102、103为软件时,可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务的多个软件或软件模块),也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以是硬件,也可以是软件。当服务器105为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器105为软件时,可以实现成多个软件或软件模块(例如用来提供分布式服务的多个软件或软件模块),也可以实现成单个软件或软件模块。在此不做具体限定。
本申请实施例所提供的验证码图片生成方法可以由终端设备101、102、103或服务器105执行,相应地,验证码图片生成装置可以设置于终端设备101、102、103或服务器105中。
应该理解,图1中的终端设备、网络、服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络、服务器。
继续参考图2,其示出了根据本申请的用于生成验证码图像的方法的一个实施例的流程200。该用于生成验证码图像的方法,包括以下步骤:
步骤201,获取内容图像和风格图像。
在本实施例中,用于生成验证码图像的方法的执行主体(例如图1所示的终端设备或服务器)可以获取内容图像和风格图像。其中,内容图像包含验证用的内容对象。验证用的内容对象可以是物品、文字、符号等物理对象的图形表示,内容图像则是包含这些图形表示的图像。
风格图像是具有特定艺术风格的图像。可以从风格图像库中随机地选出一幅风格图像,也可以获取用户上传的风格图像。
步骤202,采用已训练的图像融合模型对内容图像和风格图像进行特征提取,并对提取出的内容图像的内容特征和风格图像的风格特征进行融合,生成验证码图像。
可以将步骤201获取的内容图像和风格图像输入已训练的图像融合模型,已训练的图像融合模型可以对内容图像和风格图像进行融合,生成包含内容图像的内容对象、且具有风格图像的风格的融合图像。
具体地,已训练的图像融合模型可以对内容图像进行内容特征提取,对风格图像进行风格特征提取,将提取出的内容特征作为生成的融合图像的内容特征,将提取出的风格特征作为生成的融合图像的风格特征,生成融合图像。
上述已训练的图像融合模型可以是基于卷积神经网络构建的模型,可以利用卷积神经网络的卷积层提取多个尺度的内容特征和风格特征,可以对每个尺度的内容特征和风格特征分别进行融合,生成每个尺度对应的融合特征,之后基于所有尺度的融合特征生成融合图像,作为生成的验证码图像。
上述图像融合模型可以是基于样本数据训练得出的,其中样本数据包括样本内容图像和样本风格图像。可以采用多种方法训练图像融合模型。在一种可选的实现方式中,可以对基于样本内容图像和样本风格图像融合生成的融合图像的质量进行评估,融合后风格与样本风格图像一致且图像内容可以被人眼准确分辨的图像得到较高的融合质量评分,而融合后的风格与样本风格图像差异较大或融合后的内容不容易被人眼准确分辨的融合图像得到较低的融合质量评分。基于融合质量评分生成样本数据的标签,进而利用样本数据量训练图像融合模型,在训练过程中通过迭代调整模型参数使图像融合模型生成的融合图像的质量达到预设的质量要求。训练完成的图像融合模型可以对输入的内容图像和风格图像进行内容和风格的融合。
可以将内容图像中包含的验证用的内容对象作为生成的验证码图像中的内容对象。在利用该验证码图像进行用户验证时,判断用户是否准确识别出该内容对象。若能够准确识别该内容对象,则当前用户是人,用户身份合法;若不能准确识别该内容对象,则可以确定该用户是计算机,用户身份不合法。
这样,通过基于已训练的图像融合模型对内容图像风格化而生成验证码图像,能够提升计算机识别验证码图像中的内容对象的难度,而对于人眼来说可以比较容易地分辨出验证码图像中的内容对象,从而在实现了验证功能的基础上提升了验证码的破解难度,提升了通过验证码图像的方式对恶意攻击进行安全防护的可靠性。
请参考图3,其示出了采用本公开的用于生成验证码图像的方法生成的验证码图像的示例。其中,将内容图像和风格图像融合后生成验证码图像,人眼可以分辨出验证码图像中的动物为海龟。可以看出,验证码图像包含较错杂的纹理,使得计算机难以准确地提取出有用的特征从而识别出验证码图像中的动物。
继续参考图4,其示出了本公开的用于生成验证码图像的另一个实施例的流程图。如图4所示,本实施例的用于生成验证码图像的流程400,包括以下步骤:
步骤401,基于样本数据集训练得出图像融合模型。
其中,样本数据集包括样本内容图像和样本风格图像。
在本实施例中,用于生成验证码图像的方法的执行主体可以首先获取包含样本内容图像和样本风格图像的样本数据集。其中样本内容图像可以从已有的为经过风格迁移处理的验证码图像集中获取,样本风格图像可以从预设的风格图像集合中获取。
可以随机地对样本内容图像和样本风格图像进行组合,形成样本图像对,也可以依次对样本数据集中的每个样本内容图像和每个样本风格图像进行组合,形成多个样本图像对。每个样本图像对包括一幅样本内容图像和一幅样本风格图像。
然后,可以基于样本图像对,利用待训练的图像融合模型对样本图像对进行融合,得出包含样本图像对中的样本内容图像的内容以及样本风格图像的风格的融合图像。
具体地,上述基于样本数据集训练得出图像融合模型的步骤401可以包括:
第一步,构建图像融合模型对应的神经网络,获取初始的样本融合图像。
可以基于卷积神经网络构建初始的图像融合模型。卷积神经网络包括多个卷积层,能够提取出不同尺度的图像特征。
初始的样本融合图像可以是随机噪声图像,可以从随机噪声图像集合中选择一幅图像作为初始的样本融合图像。该初始的样本融合图像在训练过程中逐步被迭代优化为包含样本内容图像的内容且具有风格图像的风格的融合图像。
第二步,利用图像融合模型对应的神经网络对样本融合图像、样本内容图像以及样本风格图像分别进行内容特征提取,基于神经网络各层输出的样本融合图像的内容特征和样本内容图像的内容特征之间的差异构建第一损失函数。
在这里,可以将样本融合图像、样本内容图像以及样本风格图像分别输入图像融合模型分别进行内容特征提取,得出样本融合图像的内容特征、样本内容图像的内容特征以及样本风格图像的内容特征。
在这里,图像融合模型对应的神经网络包括多个层,其中一些层用于执行特征提取,每层提取出不同尺度的图像特征。对于第l个特征提取层,其包含Nl个滤波器,Ml为第l个特征提取层的滤波器的大小(即滤波器的通道数),假设该层输出的样本融合图像的特征为该层输出的样本内容图像的特征为其中,R表示实数。
其中,表示样本内容图像,表示样本融合图像,表示第l个特征提取层的第i个滤波器对样本融合图像进行特征提取在位置j(第j个通道)的输出,表示第l个特征提取层的第i个滤波器对样本内容图像进行特征提取在位置j(第j个通道)的输出,i=1,2,3,…,Nl;j=1,2,3,…,Ml。
然后对神经网络每一层输出的样本融合图像的内容特征和样本内容图像的内容特征之间的差异进行累加,得到第一损失函数L1:
在这一步中,还可以利用图像融合模型对应的神经网络对样本风格图像进行内容特征提取,第l个特征提取层提出的样本风格图像的内容特征表示为Sl,其中第l个特征提取层的第i个滤波器对样本风格图像进行特征提取在位置j(第j个通道)的输出表示为
第三步,分别根据样本融合图像的内容特征和样本风格图像的内容特征生成样本融合图像的风格特征和样本风格图像的风格特征。
图像的风格特征可以包括纹理特征和/或色调特征。在本实施例中,可以基于神经网络提取出的内容特征进行数学变换后生成图像的纹理或色调特征,作为对应层的风格特征。
具体地,可以利用Gram矩阵(格拉姆矩阵)来对图像的风格特征进行建模,将神经网络的一个层输出的样本融合图像的所有内容特征的Gram矩阵作为样本融合图像在对应层的风格特征,将神经网络的一个层输出的样本风格图像的所有内容特征的Gram矩阵作为样本风格图像在对应层的风格特征。
上述样本融合图像在第l个特征提取层的风格特征为该层内容特征Fl的Gram矩阵Gl:
上述样本风格图像在第l个特征提取层的风格特征为该层内容特征Sl的Gram矩阵Al:
这样,可以获得经过第l个特征提取层提取出的样本融合图像的风格特征Gl和样本风格图像的风格特征和Al。
第四步,基于神经网络的各层对应的样本风格图像的风格特征与样本融合图像的风格特征之间的差异构建第二损失函数。
对每一个特征提取层,计算该层对应的样本融合图像的风格特征Gl和样本风格图像的风格特征Al之间的差异,得到第l层的风格损失函数El:
对神经网络每一层输出的样本风格图像的风格特征与基于对应层输出的样本融合图像的内容特征生成的样本融合图像的风格特征之间的差异进行累加,得到第二损失函数L2:
上述第一损失函数和第二损失函数是基于当前的样本融合图像计算出的损失函数。
第五步,对样本内容图像的内容特征和样本风格图像的风格特征进行融合,生成新的样本融合图像。
可以利用神经网络提取出的样本内容图像的内容特征和样本风格图像的风格特征进行图像融合,还原出一幅新的样本融合图像,该样本融合图像包含了当前训练操作中的样本内容图像的内容特征和样本风格图像的风格特征。
第六步,基于第一损失函数和第二损失函数对图像融合模型对应的神经网络的参数进行迭代调整,使得调整参数后的图像融合模型生成的样本融合图像对应的第一损失函数的值和第二损失函数的值满足预设的收敛条件。
在本实施例中,可以判断第一损失函数和第二损失函数是否满足预设的收敛条件。该预设的收敛条件可以例如为:第一损失函数的值收敛至第一预设范围且第二损失函数的值收敛值第二预设范围。或者,该预设的收敛条件也可以例如为:第一损失函数的值或第二损失函数的值收敛至预设的范围且迭代次数达到预设的次数阈值。又或者,该预设的收敛条件还可以例如为:第一损失函数和/或第二损失函数的值在最近n次迭代中的差异小于预设的差异范围,n为正整数,例如n=3。
若第一损失函数和第二损失函数不满足预设的收敛条件,则将第五步生成的新的样本融合图像作为下一次训练过程中的样本融合图像,基于第一损失函数和第二损失函数的梯度调整图像融合模型对应的神经网络的参数,并返回顺序执行第一步至第六步的训练操作。
这样,可以迭代执行多次训练操作,多次更新图像融合模型和参数和样本融合图像,直到第一损失函数和第二损失函数满足预设的收敛条件时,停止更新图像融合模型和参数和样本融合图像,完成训练,这样可以使得基于更新后的图像融合模型生成的样本融合图像的内容与样本内容图像的内容趋于一致,样本融合图像的风格与样本风格图像的风格趋于一致,从而实现内容图像和风格图像的融合。
可选地,可以按照如下方式执行基于样本数据集训练得出图像融合模型中的上述第六步:
基于第一损失函数和第二损失函数的加权和构建联合损失函数,基于联合损失函数对图像融合模型对应的神经网络的参数进行迭代调整,使得调整参数后的图像融合模型生成的样本融合图像对应的联合损失函数的值满足预设的收敛条件。
上述联合损失函数L可以表示为:
L=αL1+βL2 (7)
其中,α,β分别是第一损失函数的权重和第二损失函数的权重,可以是预先设定的值。通过加权使得生成的样本融合图像不会风格偏向样本内容图像的风格而内容偏向样本风格图像的内容,保证良好的融合效果。
可以基于联合损失函数的梯度迭代调整图像融合模型的参数,然后基于更新参数后的图像融合模型,以及新的样本融合图像返回执行上述第一步至第六步。通过多次迭代调整图像融合模型的参数优化其融合效果。
步骤402,获取内容图像和风格图像。
在本实施例中,用于生成验证码图像的方法的执行主体(例如图1所示的终端设备或服务器)可以获取内容图像和风格图像。其中,内容图像包含验证用的内容对象。验证用的内容对象可以是物品、文字、符号等物理对象的图形表示,内容图像则是包含这些图形表示的图像。
风格图像是具有特定艺术风格的图像。可以从风格图像库中随机地选出一幅风格图像,也可以获取用户上传的风格图像。
步骤403,采用已训练的图像融合模型对内容图像和风格图像进行特征提取,并对提取出的内容图像的内容特征和风格图像的风格特征进行融合,生成验证码图像。
可以采用步骤401中训练得出的图像融合模型对步骤402获取的内容图像和风格图像进行特征提取并融合得到融合图像,将融合图像作为验证码图像。上述内容图像中的内容对象可以作为该验证码图像的内容对象,可以利用验证码图像的内容对象对用户身份进行验证。
需要说明的是,本实施例的步骤402、步骤403分别与前述实施例的步骤201、步骤202对应,步骤402、步骤403的具体实现方式可以分别参考前述实施例中对步骤201、步骤202的描述,此处不再赘述。
本实施例的验证码图像生成方法,通过采用包含样本内容图像和样本风格图像的样本数据集训练图像融合模型,结合样本融合图像确定图像融合模型的融合效果并反馈至图像融合模型的迭代更新中,能够得出更准确的图像融合模型,进而使得生成的验证码图像更好地融合风格图像的风格和内容图像的内容,进一步提升验证码图像的破解难度。
在一些实施例中,在生成验证码图像之后,上述用于生成验证码图像的流程200和400还可以包括:
获取内容图像中验证用的内容对象的信息,作为验证码图像对应的标准验证信息。其中,在接收到针对验证码图像提供的验证请求信息时,基于验证请求信息与验证码图像对应的标准验证信息的匹配结果确定是否通过验证。
对于生成的验证码图像,可以标记响应的标准验证信息用于验证用户身份。可以将标准验证信息与对应的验证码图像关联存储。在将验证码图像提供给用户进行身份验证时,可以判断用户提供的验证请求信息是否与对应的标准验证信息一致,若一致,则用户通过验证,否则用户不通过验证,从而实现验证码图像对恶意攻击的安全防护功能。
在这里,用于生成验证码图像的内容图像的内容对象的信息可以是该内容对象的属性信息,例如类别信息,或者是该内容对象的通用标识,等等。
进一步参考图5,作为对上述各图所示方法的实现,本申请提供了一种用于生成验证码图像的装置的一个实施例,该装置实施例与图2和图4所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图5所示,本实施例的用于生成验证码图像的装置500包括:获取单元501和融合单元502。其中,获取单元501被配置为获取内容图像和风格图像,内容图像包含验证用的内容对象;融合单元502被配置为采用已训练的图像融合模型对内容图像和风格图像进行特征提取,并对提取出的内容图像的内容特征和风格图像的风格特征进行融合,生成验证码图像。
在一些实施例中,上述装置500还可以包括:训练单元,被配置为基于样本数据集训练得出图像融合模型,其中,样本数据集包括样本内容图像和样本风格图像。
训练单元被配置为按照如下方式训练得出图像融合模型:构建图像融合模型对应的神经网络,获取初始的样本融合图像;利用图像融合模型对应的神经网络对样本融合图像、样本内容图像以及样本风格图像分别进行内容特征提取,基于神经网络各层输出的样本融合图像的内容特征和样本内容图像的内容特征之间的差异构建第一损失函数;分别根据样本融合图像的内容特征和样本风格图像的内容特征生成样本融合图像的风格特征和样本风格图像的风格特征;基于神经网络的各层对应的样本风格图像的风格特征与样本融合图像的风格特征之间的差异构建第二损失函数;对样本内容图像的内容特征和样本风格图像的风格特征进行融合,生成新的样本融合图像;基于第一损失函数和第二损失函数对图像融合模型对应的神经网络的参数进行迭代调整,使得调整参数后的图像融合模型生成的样本融合图像对应的第一损失函数的值和第二损失函数的值满足预设的收敛条件。
在一些实施例中,上述训练单元被配置为按照如下方式对图像融合模型对应的神经网络的参数进行迭代调整:基于第一损失函数和第二损失函数的加权和构建联合损失函数;基于联合损失函数对图像融合模型对应的神经网络的参数进行迭代调整,使得调整参数后的图像融合模型生成的样本融合图像对应的联合损失函数的值满足预设的收敛条件。
在一些实施例中,上述训练单元被配置为按照如下方式生成样本融合图像的风格特征和样本风格图像的风格特征:将神经网络的一个层输出的样本融合图像的所有内容特征的格拉姆矩阵作为样本融合图像在对应层的风格特征;将神经网络的一个层输出的样本风格图像的所有内容特征的格拉姆矩阵作为样本风格图像在对应层的风格特征。
在一些实施例中,上述训练单元被配置为按照如下方式构建第一损失函数:对神经网络每一层输出的样本融合图像的内容特征和样本内容图像的内容特征之间的差异进行累加,得到第一损失函数;上述训练单元被配置为按照如下方式构建第二损失函数:对神经网络每一层输出的样本风格图像的风格特征与基于对应层输出的样本融合图像的内容特征生成的样本融合图像的风格特征之间的差异进行累加,得到第二损失函数。
在一些实施例中,上述装置500还可以包括:标记单元,被配置为获取内容图像中验证用的内容对象的信息,作为验证码图像对应的标准验证信息,其中,在接收到针对验证码图像提供的验证请求信息时,基于验证请求信息与验证码图像对应的标准验证信息的匹配结果确定是否通过验证。
应当理解,装置500中记载的诸单元与参考图2和图4描述的方法中的各个步骤相对应。由此,上文针对方法描述的操作和特征同样适用于装置500及其中包含的单元,在此不再赘述。
本申请上述实施例的用于生成验证码图像的装置500,通过获取单元获取内容图像和风格图像,内容图像包含验证用的内容对象,融合单元采用已训练的图像融合模型对内容图像和风格图像进行特征提取,并对提取出的内容图像的内容特征和风格图像的风格特征进行融合,生成验证码图像,提升了验证码的破解难度。
下面参考图6,其示出了适于用来实现本公开的实施例的电子设备(例如图1中的服务器)600的结构示意图。图6示出的电子设备仅仅是一个示例,不应对本公开的实施例的功能和使用范围带来任何限制。
如图6所示,电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中,还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
通常,以下装置可以连接至I/O接口605:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607;包括例如硬盘等的存储装置608;以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图6中示出的每个方框可以代表一个装置,也可以根据需要代表多个装置。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置609从网络上被下载和安装,或者从存储装置608被安装,或者从ROM 602被安装。在该计算机程序被处理装置601执行时,执行本公开的实施例的方法中限定的上述功能。需要说明的是,本公开的实施例所描述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的实施例中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的实施例中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:获取内容图像和风格图像,内容图像包含验证用的内容对象;采用已训练的图像融合模型对内容图像和风格图像进行特征提取,并对提取出的内容图像的内容特征和风格图像的风格特征进行融合,生成验证码图像。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的实施例的操作的计算机程序代码,程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括获取和融合单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,获取单元还可以被描述为“获取内容图像和风格图像的单元”。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (10)
1.一种用于生成验证码图像的方法,包括:
获取内容图像和风格图像,所述内容图像包含验证用的内容对象;
采用已训练的图像融合模型对所述内容图像和所述风格图像进行特征提取,并对提取出的所述内容图像的内容特征和所述风格图像的风格特征进行融合,生成验证码图像。
2.根据权利要求1所述的方法,其中,所述方法还包括:
基于样本数据集训练得出所述图像融合模型,其中,所述样本数据集包括样本内容图像和样本风格图像;
所述基于样本数据集训练得出所述图像融合模型包括:
构建图像融合模型对应的神经网络,获取初始的样本融合图像;
利用所述图像融合模型对应的神经网络对所述样本融合图像、所述样本内容图像以及所述样本风格图像分别进行内容特征提取,基于所述神经网络各层输出的样本融合图像的内容特征和样本内容图像的内容特征之间的差异构建第一损失函数;
分别根据所述样本融合图像的内容特征和所述样本风格图像的内容特征生成所述样本融合图像的风格特征和所述样本风格图像的风格特征;
基于所述神经网络的各层对应的所述样本风格图像的风格特征与所述样本融合图像的风格特征之间的差异构建第二损失函数;
对所述样本内容图像的内容特征和所述样本风格图像的风格特征进行融合,生成新的样本融合图像;
基于所述第一损失函数和所述第二损失函数对所述图像融合模型对应的神经网络的参数进行迭代调整,使得调整参数后的图像融合模型生成的样本融合图像对应的第一损失函数的值和第二损失函数的值满足预设的收敛条件。
3.根据权利要求2所述的方法,其中,所述基于所述第一损失函数和所述第二损失函数对所述图像融合模型对应的神经网络的参数进行迭代调整,使得调整参数后的图像融合模型生成的样本融合图像对应的第一损失函数的值和第二损失函数的值满足预设的收敛条件,包括:
基于所述第一损失函数和所述第二损失函数的加权和构建联合损失函数;
基于所述联合损失函数对所述图像融合模型对应的神经网络的参数进行迭代调整,使得所述调整参数后的图像融合模型生成的样本融合图像对应的联合损失函数的值满足预设的收敛条件。
4.根据权利要求2所述的方法,其中,所述分别根据所述样本融合图像的内容特征和所述样本风格图像的内容特征生成所述样本融合图像的风格特征和所述样本风格图像的风格特征,包括:
将所述神经网络的一个层输出的所述样本融合图像的所有内容特征的格拉姆矩阵作为所述样本融合图像在对应层的风格特征;
将所述神经网络的一个层输出的所述样本风格图像的所有内容特征的格拉姆矩阵作为所述样本风格图像在对应层的风格特征。
5.根据权利要求2所述的方法,其中,所述基于所述神经网络各层输出的样本融合图像的内容特征和样本内容图像的内容特征之间的差异构建第一损失函数,包括:
对所述神经网络每一层输出的样本融合图像的内容特征和样本内容图像的内容特征之间的差异进行累加,得到所述第一损失函数;
所述基于所述神经网络各层输出的所述样本风格图像的风格特征与所述样本融合图像的风格特征之间的差异构建第二损失函数,包括:
对所述神经网络每一层输出的所述样本风格图像的风格特征与基于对应层输出的样本融合图像的内容特征生成的样本融合图像的风格特征之间的差异进行累加,得到所述第二损失函数。
6.根据权利要求1所述的方法,其中,所述方法还包括:
获取所述内容图像中验证用的内容对象的信息,作为所述验证码图像对应的标准验证信息,其中,在接收到针对所述验证码图像提供的验证请求信息时,基于所述验证请求信息与所述验证码图像对应的标准验证信息的匹配结果确定是否通过验证。
7.一种用于生成验证码图像的装置,包括:
获取单元,被配置为获取内容图像和风格图像,所述内容图像包含验证用的内容对象;
融合单元,被配置为采用已训练的图像融合模型对所述内容图像和所述风格图像进行特征提取,并对提取出的所述内容图像的内容特征和所述风格图像的风格特征进行融合,生成验证码图像。
8.根据权利要求7所述的装置,其中,所述装置还包括:
训练单元,被配置为基于样本数据集训练得出所述图像融合模型,其中,所述样本数据集包括样本内容图像和样本风格图像;
所述训练单元被配置为按照如下方式训练得出所述图像融合模型:
构建图像融合模型对应的神经网络,获取初始的样本融合图像;
利用所述图像融合模型对应的神经网络对所述样本融合图像、所述样本内容图像以及所述样本风格图像分别进行内容特征提取,基于所述神经网络各层输出的样本融合图像的内容特征和样本内容图像的内容特征之间的差异构建第一损失函数;
分别根据所述样本融合图像的内容特征和所述样本风格图像的内容特征生成所述样本融合图像的风格特征和所述样本风格图像的风格特征;
基于所述神经网络的各层对应的所述样本风格图像的风格特征与所述样本融合图像的风格特征之间的差异构建第二损失函数;
对所述样本内容图像的内容特征和所述样本风格图像的风格特征进行融合,生成新的样本融合图像;
基于所述第一损失函数和所述第二损失函数对所述图像融合模型对应的神经网络的参数进行迭代调整,使得调整参数后的图像融合模型生成的样本融合图像对应的第一损失函数的值和第二损失函数的值满足预设的收敛条件。
9.一种电子设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-6中任一所述的方法。
10.一种计算机可读介质,其上存储有计算机程序,其中,所述程序被处理器执行时实现如权利要求1-6中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910538264.5A CN112115452A (zh) | 2019-06-20 | 2019-06-20 | 用于生成验证码图像的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910538264.5A CN112115452A (zh) | 2019-06-20 | 2019-06-20 | 用于生成验证码图像的方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112115452A true CN112115452A (zh) | 2020-12-22 |
Family
ID=73796182
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910538264.5A Pending CN112115452A (zh) | 2019-06-20 | 2019-06-20 | 用于生成验证码图像的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112115452A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112669308A (zh) * | 2021-01-06 | 2021-04-16 | 携程旅游信息技术(上海)有限公司 | 基于风格迁移的图像生成方法、系统、设备及存储介质 |
CN115001771A (zh) * | 2022-05-25 | 2022-09-02 | 武汉极意网络科技有限公司 | 基于自动更新的验证码防御方法、系统、设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107767328A (zh) * | 2017-10-13 | 2018-03-06 | 上海交通大学 | 基于少量样本生成的任意风格和内容的迁移方法和系统 |
CN109189985A (zh) * | 2018-08-17 | 2019-01-11 | 北京达佳互联信息技术有限公司 | 文本风格处理方法、装置、电子设备及存储介质 |
CN109257168A (zh) * | 2018-09-21 | 2019-01-22 | 深圳市元征科技股份有限公司 | 一种图片验证码的生成方法、装置、设备及介质 |
CN109559363A (zh) * | 2018-11-23 | 2019-04-02 | 网易(杭州)网络有限公司 | 图像的风格化处理方法、装置、介质和电子设备 |
CN109711136A (zh) * | 2017-10-26 | 2019-05-03 | 武汉极意网络科技有限公司 | 存储设备、验证码图片生成方法和装置 |
US20190220746A1 (en) * | 2017-08-29 | 2019-07-18 | Boe Technology Group Co., Ltd. | Image processing method, image processing device, and training method of neural network |
-
2019
- 2019-06-20 CN CN201910538264.5A patent/CN112115452A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190220746A1 (en) * | 2017-08-29 | 2019-07-18 | Boe Technology Group Co., Ltd. | Image processing method, image processing device, and training method of neural network |
CN107767328A (zh) * | 2017-10-13 | 2018-03-06 | 上海交通大学 | 基于少量样本生成的任意风格和内容的迁移方法和系统 |
CN109711136A (zh) * | 2017-10-26 | 2019-05-03 | 武汉极意网络科技有限公司 | 存储设备、验证码图片生成方法和装置 |
CN109189985A (zh) * | 2018-08-17 | 2019-01-11 | 北京达佳互联信息技术有限公司 | 文本风格处理方法、装置、电子设备及存储介质 |
CN109257168A (zh) * | 2018-09-21 | 2019-01-22 | 深圳市元征科技股份有限公司 | 一种图片验证码的生成方法、装置、设备及介质 |
CN109559363A (zh) * | 2018-11-23 | 2019-04-02 | 网易(杭州)网络有限公司 | 图像的风格化处理方法、装置、介质和电子设备 |
Non-Patent Citations (1)
Title |
---|
欧阳志友;孙孝魁;: "基于梯度提升模型的行为式验证码人机识别", 信息网络安全, no. 09 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112669308A (zh) * | 2021-01-06 | 2021-04-16 | 携程旅游信息技术(上海)有限公司 | 基于风格迁移的图像生成方法、系统、设备及存储介质 |
CN112669308B (zh) * | 2021-01-06 | 2024-05-24 | 携程旅游信息技术(上海)有限公司 | 基于风格迁移的图像生成方法、系统、设备及存储介质 |
CN115001771A (zh) * | 2022-05-25 | 2022-09-02 | 武汉极意网络科技有限公司 | 基于自动更新的验证码防御方法、系统、设备及存储介质 |
CN115001771B (zh) * | 2022-05-25 | 2024-01-26 | 武汉极意网络科技有限公司 | 基于自动更新的验证码防御方法、系统、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108491805B (zh) | 身份认证方法和装置 | |
US11017070B2 (en) | Visual data processing of response images for authentication | |
CN108805091B (zh) | 用于生成模型的方法和装置 | |
CN109523611B (zh) | 验证码图片生成方法和装置 | |
US10839238B2 (en) | Remote user identity validation with threshold-based matching | |
CN108351932A (zh) | 基于图像的captcha挑战 | |
CN109919244B (zh) | 用于生成场景识别模型的方法和装置 | |
CN111526173B (zh) | 一种用于安全加速资源分配的系统 | |
CN105894028B (zh) | 用户识别方法和装置 | |
US11151440B2 (en) | Neural response human detector | |
CN109857908A (zh) | 用于匹配视频的方法和装置 | |
CN111539903A (zh) | 训练人脸图像合成模型的方法和装置 | |
US11182468B1 (en) | Methods and systems for facilitating secure authentication of user based on known data | |
CN110570383A (zh) | 一种图像处理方法、装置、电子设备及存储介质 | |
CN112115452A (zh) | 用于生成验证码图像的方法和装置 | |
CN109934142A (zh) | 用于生成视频的特征向量的方法和装置 | |
CN111382403A (zh) | 用户行为识别模型的训练方法、装置、设备及存储介质 | |
CN107844696B (zh) | 一种验证码干扰方法及服务器 | |
CN110084142B (zh) | 一种用于人脸识别的年龄隐私保护方法及系统 | |
CN111914769A (zh) | 用户合法性判定方法、装置、计算机可读存储介质及设备 | |
CN110879865B (zh) | 核身产品的推荐方法和装置 | |
CN112669000A (zh) | 政务事项处理方法、装置、电子设备及存储介质 | |
CN115082873A (zh) | 基于通路融合的图像识别方法、装置及存储介质 | |
US9866562B2 (en) | File and bit location authentication | |
US20240071045A1 (en) | Systems and methods for authenticating via photo modification identification |
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 |