[发明专利]验证码图像生成方法及系统

说明书

本发明提供了一种验证码图像生成方法，所述验证码图像生成方法包括步骤：获取至少一个图像组；通过神经网络分别提取源图像、引导图像在神经网络的预定网络层的特征图像；将引导图像的特征图像作为源图像在预定网络层的参数，通过神经网络对源图像进行还原生成与噪声图像；判断噪声图像与源图像的相似度是否小于相似度阈值，若小于，则噪声图像为子验证码图像；将每一个图像组对应的子验证码图像进行拼接，获得验证码图像。本发明通过将与该图像组中的源图像的相似度小于相似度阈值的噪声图像作为子验证码图像，使得获得的验证码图像在视觉上具有与源图像相同的信息，但是通过神经网络识别时却具有与引导图像相同的分类，从而降低了被破解的风险。

技术领域

本发明涉及验证码图像生成技术领域，尤其涉及一种验证码图像生成方法及系统。

背景技术

验证码是用来区分人和机器以防止计算机恶意程序的一种自动响应程序。在过去的十年中，破解验证码也成为不少研究者的研究课题。为了应对这一挑战，人们也提出了各种验证码生成的解决方案Jeremy Elson等。但是由于人工智能的发展，特别是深度神经网络的广泛使用，验证码用来提升网站安全性的功能变得越来越小。

目前常用的验证码类型主要包括：基于文本型验证码和基于图像的验证码。基于文本型验证码是一种由多个字符生成的图像，要求用户识别出图像中的字符。基于图像的验证码是另一种流行的方案，它通常要求用户从一个或者多个候选图像中选择出具有特定语义的图片。在某种程度上，基于图像的验证码的安全性比基于文本的验证码更高。与一串字符相比，图像承载的信息要丰富得多，变化也更大空间。同时，在图像的感知和解释中，特别是在噪声环境下，仍然存在许多难以解决的开放性问题。近年来，基于图像的验证码被提出了很多变体，例如基于滑动的验证码，它会询问用户为了将拼图滑到图片的右侧，基于点击的验证码在验证时要求用户点击图片的特定语义区域等。

除了上面的两类验证码以外，另外还有基于视频的验证码、基于语音的验证码、基于游戏的验证码以及基于推理的验证码等。但是由于安全性问题、可访问性限制和性能问题，这些类型的验证码并没有得到广泛的应用。

随着深度学习算法的引入，不管是文本型还是基于图像的验证码，其安全作用越来越小。为了应对这些问题，当前验证码生成方案主要从两个方面：1、增加干扰信息，提高安全性；2、加入用户的交互，但是，上面两种方法都会使得验证码界面对于用户的友好性不断下降，降低用户体验。

发明内容

为了解决现有技术的不足，本发明提供一种验证码图像生成方法，在降低用户识别难度的同时降低了被破解的风险。

本发明提出的具体技术方案为：提供一种验证码图像生成方法，所述验证码图像生成方法包括步骤：

获取至少一个图像组，每一个图像组包括一个源图像和一个引导图像；

通过神经网络分别提取每一个图像组中的源图像、引导图像在所述神经网络的预定网络层的特征图像；

将每一个图像组中的引导图像在所述预定网络层的特征图像作为所述图像组中的源图像在所述预定网络层的参数，通过所述神经网络对所述图像组中的源图像进行还原生成与所述图像组对应的噪声图像；

判断每一个图像组对应的噪声图像与所述图像组中的源图像的相似度是否小于相似度阈值，若每一个图像组对应的噪声图像与所述图像组中的源图像的相似度小于相似度阈值，则所述噪声图像为所述图像组对应的子验证码图像；

将每一个图像组对应的子验证码图像进行拼接，获得验证码图像。

进一步地，所述将每一个图像组中的引导图像在所述预定网络层的特征图像作为所述图像组中的源图像在所述预定网络层的参数，通过所述神经网络对所述图像组中的源图像进行还原生成与所述图像组对应的噪声图像步骤具体包括：

对每一个图像组中的引导图像在所述预定网络层的特征图像进行多次采样，获得多个采样点组；