CN110706221A - 图片定制化的验证方法、验证设备、存储介质及装置 - Google Patents

Abstract

本发明涉及验证技术领域，公开了一种图片定制化的验证方法、验证设备、存储介质及装置。本发明中获取用户界面UI风格图片与客户品牌图片；通过预设卷积神经网络算法对UI风格图片与客户品牌图片进行图像风格的分析，以获得图像风格特征；基于图像风格特征确定对应的待验证图片；基于待验证图片构建验证框架，并运行验证框架进行合法性验证。明显地，本发明将通过分析出的图像风格来定制化待验证图片，并基于此待验证图片来构建验证框架，可有效阻截以海量图片穷举的形式来实施的验证攻击行为，大大提高了验证安全性，解决了验证方式安全性较低的技术问题。

Description

图片定制化的验证方法、验证设备、存储介质及装置

技术领域

本发明涉及验证技术领域，尤其涉及图片定制化的验证方法、验证设备、存储介质及装置。

背景技术

随着验证技术的不断发展，存在着多样化的验证方式来进行人机识别，即区别验证行为究竟是人操作的验证行为还是黑客控制的程序进行的验证行为。比如有，短信验证以及某图片为背景下的字符填写验证等等。

但是，随着光学字符识别(Optical Character Recognition，OCR)技术的不断发展，若采用涉及到图片的验证方式，易被黑客以海量图片穷举的方式来实施验证攻击行为，从而大大拉低了验证环节的安全性。

可见，验证方式存在着安全性较低的技术问题。

上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。

发明内容

本发明的主要目的在于提供图片定制化的验证方法、验证设备、存储介质及装置，旨在解决验证方式安全性较低的技术问题。

为实现上述目的，本发明提供一种图片定制化的验证方法，所述图片定制化的验证方法包括以下步骤：

获取用户界面UI风格图片与客户品牌图片；

通过预设卷积神经网络算法对所述UI风格图片与所述客户品牌图片进行图像风格的分析，以获得图像风格特征；

基于所述图像风格特征确定对应的待验证图片；

基于所述待验证图片构建验证框架，并运行所述验证框架进行合法性验证。

优选地，所述通过预设卷积神经网络算法对所述UI风格图片与所述客户品牌图片进行图像风格的分析，以获得图像风格特征，具体包括：

通过预设卷积神经网络算法以前向传播方式对所述UI风格图片与所述客户品牌图片进行卷积运算，以获得各层神经网络对应的响应矩阵；

在特征层内确定所述响应矩阵之间的关联度；

对所述关联度进行归一化处理，以获得纹理矩阵，并将所述纹理矩阵作为图像风格特征。

优选地，所述图像风格特征包括格拉姆矩阵；

相应地，所述基于所述图像风格特征确定对应的待验证图片，具体包括：

获取第一预设图库；

通过所述预设卷积神经网络算法对所述第一预设图库内的图库图片进行卷积运算，以获得特征矩阵；

计算所述格拉姆矩阵与所述特征矩阵之间的差方和；

基于所述差方和对所述第一预设图库内的图库图片进行风格渲染，并将渲染后的图库图片作为待验证图片。

优选地，所述基于所述差方和对所述第一预设图库内的图库图片进行风格渲染，并将渲染后的图库图片作为待验证图片，具体包括：

基于所述差方和对所述第一预设图库内的图库图片进行风格渲染，并将渲染后的图库图片作为初始渲染图片；

统计所述初始渲染图片对应的渲染过程中的风格损失、内容损失以及像素损失；

通过所述风格损失、内容损失以及像素损失的数值重新调整渲染过程，并将重新渲染后的图库图片作为待验证图片。

优选地，所述基于所述图像风格特征确定对应的待验证图片，具体包括：

获取第二预设图库；

遍历所述第二预设图库内的图库图片，将遍历到的图库图片与所述图像风格特征进行匹配；

将与所述图像风格特征匹配成功的图库图片作为待验证图片。

优选地，所述基于所述待验证图片构建验证框架，并运行所述验证框架进行合法性验证，具体包括：

在所述待验证图片中确定待拼接区域；

移除所述待验证图片中所述待拼接区域对应的区域图像，以获得显示图片；

通过所述显示图片与所述待拼接区域对应的区域图像构建验证框架；

运行所述验证框架，以通过拼接所述区域图像至所述待验证图片中的待拼接区域进行合法性验证。

优选地，所述运行所述验证框架，以通过拼接所述区域图像至所述待验证图片中的待拼接区域进行合法性验证，具体包括：

运行所述验证框架，并获取当前拼接行为，所述当前拼接行为为拼接所述区域图像至所述待验证图片中的当前区域的行为；

从所述当前拼接行为中提取行为轨迹，并获取所述当前区域与所述待拼接区域之间的区域匹配度；

通过所述行为轨迹与所述区域匹配度进行合法性验证。

此外，为实现上述目的，本发明还提出一种验证设备，所述验证设备包括存储器、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图片定制化的验证程序，所述图片定制化的验证程序配置为实现如上文所述的图片定制化的验证方法的步骤。

此外，为实现上述目的，本发明还提出一种存储介质，所述存储介质上存储有图片定制化的验证程序，所述图片定制化的验证程序被处理器执行时实现如上文所述的图片定制化的验证方法的步骤。

此外，为实现上述目的，本发明还提出一种图片定制化的验证装置，所述图片定制化的验证装置包括：

图片获取模块，用于获取用户界面UI风格图片与客户品牌图片；

风格分析模块，用于通过预设卷积神经网络算法对所述UI风格图片与所述客户品牌图片进行图像风格的分析，以获得图像风格特征；

图片生成模块，用于基于所述图像风格特征确定对应的待验证图片；

验证模块，用于基于所述待验证图片构建验证框架，并运行所述验证框架进行合法性验证。

本发明中获取用户界面UI风格图片与客户品牌图片；通过预设卷积神经网络算法对UI风格图片与客户品牌图片进行图像风格的分析，以获得图像风格特征；基于图像风格特征确定对应的待验证图片；基于待验证图片构建验证框架，并运行验证框架进行合法性验证。明显地，本发明将通过分析出的图像风格来定制化待验证图片，并基于此待验证图片来构建验证框架，可有效阻截以海量图片穷举的形式来实施的验证攻击行为，大大提高了验证安全性，解决了验证方式安全性较低的技术问题。

附图说明

图1是本发明实施例方案涉及的硬件运行环境的验证设备结构示意图；

图2为本发明图片定制化的验证方法第一实施例的流程示意图；

图3为本发明图片定制化的验证方法第二实施例的流程示意图；

图4为本发明图片定制化的验证方法第三实施例的流程示意图；

图5为本发明图片定制化的验证装置第一实施例的结构框图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

参照图1，图1为本发明实施例方案涉及的硬件运行环境的验证设备结构示意图。

如图1所示，该验证设备可以包括：处理器1001，例如中央处理器(CentralProcessing Unit，CPU)，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)，可选用户接口1003还可以包括标准的有线接口以及无线接口，而用户接口1003的有线接口在本发明中可为通用串行总线(Universal Serial Bus，USB)接口。网络接口1004可选的可以包括标准的有线接口以及无线接口(如WI-FI接口)。存储器1005可以是高速随机存取存储器(Random Access Memory，RAM)；也可以是稳定的存储器，比如，非易失存储器(Non-volatile Memory)，具体可为，磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。

本领域技术人员可以理解，图1中示出的结构并不构成对验证设备的限定，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。

如图1所示，作为一种计算机存储介质的存储器1005中可以包括操作***、网络通信模块、用户接口模块以及图片定制化的验证程序。

在图1所示的验证设备中，网络接口1004主要用于连接后台服务器，与所述后台服务器进行数据通信；用户接口1003主要用于连接外设；所述验证设备通过处理器1001调用存储器1005中存储的图片定制化的验证程序，并执行以下操作：

获取用户界面UI风格图片与客户品牌图片；

通过预设卷积神经网络算法对所述UI风格图片与所述客户品牌图片进行图像风格的分析，以获得图像风格特征；

基于所述图像风格特征确定对应的待验证图片；

基于所述待验证图片构建验证框架，并运行所述验证框架进行合法性验证。

进一步地，处理器1001可以调用存储器1005中存储的图片定制化的验证程序，还执行以下操作：

通过预设卷积神经网络算法以前向传播方式对所述UI风格图片与所述客户品牌图片进行卷积运算，以获得各层神经网络对应的响应矩阵；

在特征层内确定所述响应矩阵之间的关联度；

对所述关联度进行归一化处理，以获得纹理矩阵，并将所述纹理矩阵作为图像风格特征。

进一步地，处理器1001可以调用存储器1005中存储的图片定制化的验证程序，还执行以下操作：

获取第一预设图库；

通过所述预设卷积神经网络算法对所述第一预设图库内的图库图片进行卷积运算，以获得特征矩阵；

计算所述格拉姆矩阵与所述特征矩阵之间的差方和；

基于所述差方和对所述第一预设图库内的图库图片进行风格渲染，并将渲染后的图库图片作为待验证图片。

进一步地，处理器1001可以调用存储器1005中存储的图片定制化的验证程序，还执行以下操作：

基于所述差方和对所述第一预设图库内的图库图片进行风格渲染，并将渲染后的图库图片作为初始渲染图片；

统计所述初始渲染图片对应的渲染过程中的风格损失、内容损失以及像素损失；

通过所述风格损失、内容损失以及像素损失的数值重新调整渲染过程，并将重新渲染后的图库图片作为待验证图片。

进一步地，处理器1001可以调用存储器1005中存储的图片定制化的验证程序，还执行以下操作：

获取第二预设图库；

遍历所述第二预设图库内的图库图片，将遍历到的图库图片与所述图像风格特征进行匹配；

将与所述图像风格特征匹配成功的图库图片作为待验证图片。

进一步地，处理器1001可以调用存储器1005中存储的图片定制化的验证程序，还执行以下操作：

在所述待验证图片中确定待拼接区域；

移除所述待验证图片中所述待拼接区域对应的区域图像，以获得显示图片；

通过所述显示图片与所述待拼接区域对应的区域图像构建验证框架；

运行所述验证框架，以通过拼接所述区域图像至所述待验证图片中的待拼接区域进行合法性验证。

进一步地，处理器1001可以调用存储器1005中存储的图片定制化的验证程序，还执行以下操作：

运行所述验证框架，并获取当前拼接行为，所述当前拼接行为为拼接所述区域图像至所述待验证图片中的当前区域的行为；

从所述当前拼接行为中提取行为轨迹，并获取所述当前区域与所述待拼接区域之间的区域匹配度；

通过所述行为轨迹与所述区域匹配度进行合法性验证。

在本实施例中获取用户界面UI风格图片与客户品牌图片；通过预设卷积神经网络算法对UI风格图片与客户品牌图片进行图像风格的分析，以获得图像风格特征；基于图像风格特征确定对应的待验证图片；基于待验证图片构建验证框架，并运行验证框架进行合法性验证。明显地，本实施例将通过分析出的图像风格来定制化待验证图片，并基于此待验证图片来构建验证框架，可有效阻截以海量图片穷举的形式来实施的验证攻击行为，大大提高了验证安全性，解决了验证方式安全性较低的技术问题。

基于上述硬件结构，提出本发明图片定制化的验证方法的实施例。

参照图2，图2为本发明图片定制化的验证方法第一实施例的流程示意图。

在第一实施例中，所述图片定制化的验证方法包括以下步骤：

步骤S10：获取用户界面UI风格图片与客户品牌图片。

可以理解的是，本实施例的执行主体为验证设备，该验证设备具体可为后端提供验证服务的服务器，用户设备通过访问该验证设备并通过验证服务来进行合法性验证。其中，用户设备可为用户操作的个人电脑或者智能手机等。

需要注意的是，此处涉及提供验证服务技术的服务方、使用验证服务的客户方以及通过该验证服务进行合法性身份验证的个人用户，该个人用户在通过该合法性身份验证后才可访问客户方提供的数据资源或者网络资源。其中，此处的客户方可能为门户网站运营者或者视频网站运营者等。注意区别此处提及的客户方以及个人用户。

在具体实现中，本实施例可定制化图库，以丰富客户方的验证图片，并有效地阻截黑客以海量图片穷举的形式来进行验证攻击。具体地，可先获取用户界面(UserInterface，UI)风格图片与客户品牌图片，UI风格图片包括有客户方对外展示的UI图片，比如，客户方向网站访问者提供的操作页面的图片素材；该客户品牌图片包括客户方对外展示的品牌图片，比如，涉及客户方的商标字样、商标组成要素、常用广告的卡通要素字体要素以及主色调要素等。

步骤S20：通过预设卷积神经网络算法对所述UI风格图片与所述客户品牌图片进行图像风格的分析，以获得图像风格特征。

应当理解的是，在获得UI风格图片与客户品牌图片后，可通过预设卷积神经网络算法来总结出图像风格，并以图像风格特征的形式来表征该图像风格。

在具体实现中，预设卷积神经网络算法可应用基于Tensorflow平台的卷积神经网络算法，Tensorflow平台是一种支持循环神经网络的人工智能平台。

步骤S30：基于所述图像风格特征确定对应的待验证图片。

可以理解的是，基于预设卷积神经网络算法获得到的图像风格特征可表征为一类矩阵，可通过该矩阵来生成为客户方定制的图片。此处生成的待验证图片更加贴合客户方的图像风格，若使用该待验证图片来提供验证服务，可有效阻截以海量图片穷举的形式来实施的验证攻击行为。毕竟，此时应用的待验证图片具有一定的特殊性，黑客不易获得。

步骤S40：基于所述待验证图片构建验证框架，并运行所述验证框架进行合法性验证。

在具体实现中，验证框架的实施方式存在多种，涉及到图片的验证方式比如有，可为点选式的验证框架，将该待验证图片作为背景并在背景上显示多个单字，用户通过依据提示顺序来点击这些单字来完成合法性验证；也可为拼接式的验证框架，除去待验证图片中的一小部分，将这一小部分置于其他位置，用户通过拖动这一小部分至待验证图片中原先除去图像的空白区域以还原为图片原状，从而完成了合法性验证。

在本实施例中获取用户界面UI风格图片与客户品牌图片；通过预设卷积神经网络算法对UI风格图片与客户品牌图片进行图像风格的分析，以获得图像风格特征；基于图像风格特征确定对应的待验证图片；基于待验证图片构建验证框架，并运行验证框架进行合法性验证。明显地，本实施例将通过分析出的图像风格来定制化待验证图片，并基于此待验证图片来构建验证框架，可有效阻截以海量图片穷举的形式来实施的验证攻击行为，大大提高了验证安全性，解决了验证方式安全性较低的技术问题。

参照图3，图3为本发明图片定制化的验证方法第二实施例的流程示意图，基于上述图2所示的第一实施例，提出本发明图片定制化的验证方法的第二实施例。

第二实施例中，所述步骤S20，具体包括：

步骤S201：通过预设卷积神经网络算法以前向传播方式对所述UI风格图片与所述客户品牌图片进行卷积运算，以获得各层神经网络对应的响应矩阵。

可以理解的是，为了分析出图像风格，将先进行卷积运算。具体地，在输入UI风格图片与客户品牌图片后，通过每一层神经网络都将生成一个对应的响应矩阵。

步骤S202：在特征层内确定所述响应矩阵之间的关联度。

应当理解的是，在获得多个响应矩阵后，为了确定UI风格图片与客户品牌图片共同的纹理性，将计算不同响应矩阵之间的关联度。

步骤S203：对所述关联度进行归一化处理，以获得纹理矩阵，并将所述纹理矩阵作为图像风格特征。

可以理解的是，通过将关联度归一化处理后，以矩阵的形式来表征该共同的纹理性，也就获得了纹理矩阵。纹理矩阵即为图像风格特征，纹理矩阵用于表征客户方的图像风格。

进一步地，所述图像风格特征包括格拉姆矩阵(Gram Matrix)，换言之，纹理矩阵可以格拉姆矩阵的形式存在。

相应地，所述步骤S30，具体包括：

步骤S301：获取第一预设图库。

在具体实现中，至于通过矩阵来生成客户方定制图片的图片生成方式，可采用图片渲染的方式来实现。而且，通过拟定特定渲染方式来生成客户方定制图片，可以进一步地提高验证破解难度。

可以理解的是，可获取第一预设图库，第一预设图库为预设采集的较难破解的图片素材。

步骤S302：通过所述预设卷积神经网络算法对所述第一预设图库内的图库图片进行卷积运算，以获得特征矩阵。

应当理解的是，为了获得与客户方图像风格相近的待验证图片，可对第一预设图库内的图片素材进行风格化处理。比如，可先对图库图片进行卷积运算，以获得表征该图库图片的特征矩阵。

步骤S303：计算所述格拉姆矩阵与所述特征矩阵之间的差方和。

可以理解的是，矩阵之间的差方和可表征第一预设图库内的图片素材与客户方的图像风格特征之间的相似程度。

步骤S304：基于所述差方和对所述第一预设图库内的图库图片进行风格渲染，并将渲染后的图库图片作为待验证图片。

应当理解的是，可基于该相似程度来对第一预设图库内的图库图片进行风格渲染，使得渲染后的图库图片对应的特征矩阵与客户方的图像风格特征之间的相似程度较高，则可将相似程度较高的渲染后的图库图片作为待验证图片。若使用此处生成的待验证图片来进行合法性验证，将进一步地提高被破解的难度。

进一步地，所述基于所述差方和对所述第一预设图库内的图库图片进行风格渲染，并将渲染后的图库图片作为待验证图片，具体包括：

基于所述差方和对所述第一预设图库内的图库图片进行风格渲染，并将渲染后的图库图片作为初始渲染图片；

统计所述初始渲染图片对应的渲染过程中的风格损失、内容损失以及像素损失；

通过所述风格损失、内容损失以及像素损失的数值重新调整渲染过程，并将重新渲染后的图库图片作为待验证图片。

可以理解的是，为了降低风格渲染过程导致的数据损失，本实施例还提供了风格渲染过程的二次调整方案。

在具体实现中，就二次调整方案而言，在基于差方和对第一预设图库内的图库图片进行一次风格渲染后，将一次渲染后的图库图片记为初始渲染图片，并统计一次风格渲染过程中的数据损失，数据损失可涉及到风格损失、内容损失以及像素损失等。

应当理解的是，可基于该数据损失重新调整渲染过程，并基于调整后的渲染过程进行二次风格渲染，以获得二次渲染后的图库图片并记为待验证图片。并且，比之一次风格渲染过程中的数据损失，重新调整的渲染过程中的数据损失更小。此外，二次风格渲染后的图库图片比之初始渲染图片会更加平滑，这是因为，重新调整过的渲染过程可考虑到相邻像素点间的均方差，并将该均方差控制在一定的数值范围。

在本实施例中可通过对第一预设图库内的图片素材进行风格化处理，来获得与客户方图像风格相近的待验证图片，这进一步地提高了验证被破解的难度。

参照图4，图4为本发明图片定制化的验证方法第三实施例的流程示意图，基于上述图2所示的第一实施例，提出本发明图片定制化的验证方法的第三实施例。

第三实施例中，所述基于所述图像风格特征确定对应的待验证图片，具体包括：

获取第二预设图库；

遍历所述第二预设图库内的图库图片，将遍历到的图库图片与所述图像风格特征进行匹配；

将与所述图像风格特征匹配成功的图库图片作为待验证图片。

可以理解的是，至于通过矩阵来生成客户方定制图片的图片生成方式，除了本发明图片定制化的验证方法第二实施例中提及的采用图片渲染的方式来实现以外，还可通过风格匹配的方式来直接选取。

在具体实现中，第一预设图库与第二预设图库可为相同的图库也可为不同的图库，此处仅为区别命名。可遍历第二预设图库的图库图片，可将遍历到的图库图片的图片特征与图像风格特征进行匹配，并将匹配度较高的图片特征对应的图库图片认定为匹配成功的图库图片。

其中，图库图片的图片特征的特征类型可包括角点特征、色调特征以及组合特征等。组合特征为高阶特征，可综合角点特征、色调特征以及纹理特征等。同理，图像风格特征的特征类型也可包括角点特征、色调特征以及组合特征等。

进一步地，所述步骤S40，具体包括：

步骤S401：在所述待验证图片中确定待拼接区域。

在具体实现中，可采用拼接式的验证框架，比如，可在一风格化的方形待验证图片的中心圈定一块小型的圆形区域，该圆形区域可为待拼接区域。

步骤S402：移除所述待验证图片中所述待拼接区域对应的区域图像，以获得显示图片。

可以理解的是，从可方形图片的中心移除该圆形区域对应的区域图像，形成了一个该圆形区域为空白的剩余方形图片，该剩余方形图片为显示图片。

步骤S403：通过所述显示图片与所述待拼接区域对应的区域图像构建验证框架。

步骤S404：运行所述验证框架，以通过拼接所述区域图像至所述待验证图片中的待拼接区域进行合法性验证。

应当理解的是，可运行该验证框架来对个人用户进行验证，个人用户在验证成功后，可正常访问客户方的数据资源、网络资源或者视频资源等。在合法性验证时，个人用户可在个人电脑侧通过鼠标拖动区域图像至剩余方形图片的空白圆形区域，使得区域图像与空白圆形区域吻合。若吻合，则可认定为验证成功。

此外，移除后的区域图像可显示在验证框架的任意位置提供给个人用户进行拖动操作。

进一步地，所述运行所述验证框架，以通过拼接所述区域图像至所述待验证图片中的待拼接区域进行合法性验证，具体包括：

运行所述验证框架，并获取当前拼接行为，所述当前拼接行为为拼接所述区域图像至所述待验证图片中的当前区域的行为；

从所述当前拼接行为中提取行为轨迹，并获取所述当前区域与所述待拼接区域之间的区域匹配度；

通过所述行为轨迹与所述区域匹配度进行合法性验证。

在具体实现中，至于合法性验证的判定方式，除了判定区域图像与空白圆形区域是否吻合以外，还可对个人用户操作的行为进行判定。比如，鉴于用户在拼接区域图像至空白圆形区域的拼接过程中，将使用到与用户设备连接的鼠标或者用户设备自带的触摸屏，将存在着拼接行为中的行为轨迹。其中，行为轨迹是指个人用户拖动鼠标的拖动轨迹或者个人用户触摸触摸屏时的触摸轨迹。

可以理解的是，在进行合法性验证的判定时，可既判定当前区域与待拼接区域之间完全吻合，完全吻合则区域匹配度为100％，也可判断行为轨迹是否为机器移动轨迹，机器移动轨迹与人为移动轨迹存在着较大区别，比如，人为移动轨迹一般存在着一定的抖动性等。

其中，当前区域为个人用户移动区域图像到的最终区域，理想状态下，当前区域将与待拼接区域吻合。

应当理解的是，若行为轨迹不为机器移动轨迹且区域匹配度较高，则可认定为验证成功；反之，则认定为验证失败。

进一步地，所述基于所述待验证图片构建验证框架，并运行所述验证框架进行合法性验证之后，所述图片定制化的验证方法还包括：

在运行所述验证框架时，对异常行为进行监测；

若监测到所述异常行为，将对所述异常行为对应的验证设备侧发起二次验证。

可以理解的是，若在验证过程中监测到异常数据，将临时再增设一次验证，以提高验证的安全性。

进一步地，在进行图像风格的分析过程中，还可引入客户活动语音信息。该客户活动语音信息中记录客户产品以及策略等相关内容的介绍信息，可将该介绍信息转换为文字。然后，在对UI风格图片与客户品牌图片进行图像风格的分析时，可同时结合进该文字内容，从而得出图像风格特征。

本实施例中涉及到了拼接式的验证方式，丰富了待验证图片的应用方式；同时，还引入了对行为轨迹的采集以及分析，也进一步地提高被程序破解的难度。

此外，本发明实施例还提出一种存储介质，所述存储介质上存储有图片定制化的验证程序，所述图片定制化的验证程序被处理器执行时实现如下操作：

获取用户界面UI风格图片与客户品牌图片；

通过预设卷积神经网络算法对所述UI风格图片与所述客户品牌图片进行图像风格的分析，以获得图像风格特征；

基于所述图像风格特征确定对应的待验证图片；

基于所述待验证图片构建验证框架，并运行所述验证框架进行合法性验证。

进一步地，所述图片定制化的验证程序被处理器执行时还实现如下操作：

通过预设卷积神经网络算法以前向传播方式对所述UI风格图片与所述客户品牌图片进行卷积运算，以获得各层神经网络对应的响应矩阵；

在特征层内确定所述响应矩阵之间的关联度；

对所述关联度进行归一化处理，以获得纹理矩阵，并将所述纹理矩阵作为图像风格特征。

进一步地，所述图片定制化的验证程序被处理器执行时还实现如下操作：

获取第一预设图库；

通过所述预设卷积神经网络算法对所述第一预设图库内的图库图片进行卷积运算，以获得特征矩阵；

计算所述格拉姆矩阵与所述特征矩阵之间的差方和；

基于所述差方和对所述第一预设图库内的图库图片进行风格渲染，并将渲染后的图库图片作为待验证图片。

进一步地，所述图片定制化的验证程序被处理器执行时还实现如下操作：

基于所述差方和对所述第一预设图库内的图库图片进行风格渲染，并将渲染后的图库图片作为初始渲染图片；

统计所述初始渲染图片对应的渲染过程中的风格损失、内容损失以及像素损失；

通过所述风格损失、内容损失以及像素损失的数值重新调整渲染过程，并将重新渲染后的图库图片作为待验证图片。

进一步地，所述图片定制化的验证程序被处理器执行时还实现如下操作：

获取第二预设图库；

遍历所述第二预设图库内的图库图片，将遍历到的图库图片与所述图像风格特征进行匹配；

将与所述图像风格特征匹配成功的图库图片作为待验证图片。

进一步地，所述图片定制化的验证程序被处理器执行时还实现如下操作：

在所述待验证图片中确定待拼接区域；

移除所述待验证图片中所述待拼接区域对应的区域图像，以获得显示图片；

通过所述显示图片与所述待拼接区域对应的区域图像构建验证框架；

运行所述验证框架，以通过拼接所述区域图像至所述待验证图片中的待拼接区域进行合法性验证。

进一步地，所述图片定制化的验证程序被处理器执行时还实现如下操作：

运行所述验证框架，并获取当前拼接行为，所述当前拼接行为为拼接所述区域图像至所述待验证图片中的当前区域的行为；

从所述当前拼接行为中提取行为轨迹，并获取所述当前区域与所述待拼接区域之间的区域匹配度；

通过所述行为轨迹与所述区域匹配度进行合法性验证。

在本实施例中获取用户界面UI风格图片与客户品牌图片；通过预设卷积神经网络算法对UI风格图片与客户品牌图片进行图像风格的分析，以获得图像风格特征；基于图像风格特征确定对应的待验证图片；基于待验证图片构建验证框架，并运行验证框架进行合法性验证。明显地，本实施例将通过分析出的图像风格来定制化待验证图片，并基于此待验证图片来构建验证框架，可有效阻截以海量图片穷举的形式来实施的验证攻击行为，大大提高了验证安全性，解决了验证方式安全性较低的技术问题。

此外，参照图5，本发明实施例还提出一种图片定制化的验证装置，所述图片定制化的验证装置包括：

图片获取模块10，用于获取用户界面UI风格图片与客户品牌图片。

可以理解的是，验证设备具体可为后端提供验证服务的服务器，用户设备通过访问该验证设备并通过验证服务来进行合法性验证。其中，用户设备可为用户操作的个人电脑或者智能手机等。

需要注意的是，此处涉及提供验证服务技术的服务方、使用验证服务的客户方以及通过该验证服务进行合法性身份验证的个人用户，该个人用户在通过该合法性身份验证后才可访问客户方提供的数据资源或者网络资源。其中，此处的客户方可能为门户网站运营者或者视频网站运营者等。注意区别此处提及的客户方以及个人用户。

在具体实现中，本实施例可定制化图库，以丰富客户方的验证图片，并有效地阻截黑客以海量图片穷举的形式来进行验证攻击。具体地，可先获取用户界面(UserInterface，UI)风格图片与客户品牌图片，UI风格图片包括有客户方对外展示的UI图片，比如，客户方向网站访问者提供的操作页面的图片素材；该客户品牌图片包括客户方对外展示的品牌图片，比如，涉及客户方的商标字样、商标组成要素、常用广告的卡通要素字体要素以及主色调要素等。

风格分析模块20，用于通过预设卷积神经网络算法对所述UI风格图片与所述客户品牌图片进行图像风格的分析，以获得图像风格特征。

应当理解的是，在获得UI风格图片与客户品牌图片后，可通过预设卷积神经网络算法来总结出图像风格，并以图像风格特征的形式来表征该图像风格。

在具体实现中，预设卷积神经网络算法可应用基于Tensorflow平台的卷积神经网络算法，Tensorflow平台是一种支持循环神经网络的人工智能平台。

图片生成模块30，用于基于所述图像风格特征确定对应的待验证图片。

可以理解的是，基于预设卷积神经网络算法获得到的图像风格特征可表征为一类矩阵，可通过该矩阵来生成为客户方定制的图片。此处生成的待验证图片更加贴合客户方的图像风格，若使用该待验证图片来提供验证服务，可有效阻截以海量图片穷举的形式来实施的验证攻击行为。毕竟，此时应用的待验证图片具有一定的特殊性，黑客不易获得。

验证模块40，用于基于所述待验证图片构建验证框架，并运行所述验证框架进行合法性验证。

在具体实现中，验证框架的实施方式存在多种，涉及到图片的验证方式比如有，可为点选式的验证框架，将该待验证图片作为背景并在背景上显示多个单字，用户通过依据提示顺序来点击这些单字来完成合法性验证；也可为拼接式的验证框架，除去待验证图片中的一小部分，将这一小部分置于其他位置，用户通过拖动这一小部分至待验证图片中原先除去图像的空白区域以还原为图片原状，从而完成了合法性验证。

在本实施例中获取用户界面UI风格图片与客户品牌图片；通过预设卷积神经网络算法对UI风格图片与客户品牌图片进行图像风格的分析，以获得图像风格特征；基于图像风格特征确定对应的待验证图片；基于待验证图片构建验证框架，并运行验证框架进行合法性验证。明显地，本实施例将通过分析出的图像风格来定制化待验证图片，并基于此待验证图片来构建验证框架，可有效阻截以海量图片穷举的形式来实施的验证攻击行为，大大提高了验证安全性，解决了验证方式安全性较低的技术问题。

在一实施例中，所述风格分析模块20，还用于通过预设卷积神经网络算法以前向传播方式对所述UI风格图片与所述客户品牌图片进行卷积运算，以获得各层神经网络对应的响应矩阵；在特征层内确定所述响应矩阵之间的关联度；对所述关联度进行归一化处理，以获得纹理矩阵，并将所述纹理矩阵作为图像风格特征。

在一实施例中，所述图片生成模块30，还用于获取第一预设图库；通过所述预设卷积神经网络算法对所述第一预设图库内的图库图片进行卷积运算，以获得特征矩阵；计算所述格拉姆矩阵与所述特征矩阵之间的差方和；基于所述差方和对所述第一预设图库内的图库图片进行风格渲染，并将渲染后的图库图片作为待验证图片。

在一实施例中，所述图片生成模块30，还用于基于所述差方和对所述第一预设图库内的图库图片进行风格渲染，并将渲染后的图库图片作为初始渲染图片；统计所述初始渲染图片对应的渲染过程中的风格损失、内容损失以及像素损失；通过所述风格损失、内容损失以及像素损失的数值重新调整渲染过程，并将重新渲染后的图库图片作为待验证图片。

在一实施例中，所述图片生成模块30，还用于获取第二预设图库；遍历所述第二预设图库内的图库图片，将遍历到的图库图片与所述图像风格特征进行匹配；将与所述图像风格特征匹配成功的图库图片作为待验证图片。

在一实施例中，所述验证模块40，还用于在所述待验证图片中确定待拼接区域；移除所述待验证图片中所述待拼接区域对应的区域图像，以获得显示图片；通过所述显示图片与所述待拼接区域对应的区域图像构建验证框架；运行所述验证框架，以通过拼接所述区域图像至所述待验证图片中的待拼接区域进行合法性验证。

在一实施例中，所述验证模块40，还用于运行所述验证框架，并获取当前拼接行为，所述当前拼接行为为拼接所述区域图像至所述待验证图片中的当前区域的行为；从所述当前拼接行为中提取行为轨迹，并获取所述当前区域与所述待拼接区域之间的区域匹配度；通过所述行为轨迹与所述区域匹配度进行合法性验证。

本发明所述图片定制化的验证装置的其他实施例或具体实现方式可参照上述各方法实施例，此处不再赘述。

需要说明的是，在本文中，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***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***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，并不排除在包括该要素的过程、方法、物品或者***中还存在另外的相同要素。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。词语第一、第二、以及第三等的使用不表示任何顺序，可将这些词语解释为名称。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。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存储介质(如只读存储器、RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种图片定制化的验证方法，其特征在于，所述图片定制化的验证方法包括以下步骤：

获取用户界面UI风格图片与客户品牌图片；

通过预设卷积神经网络算法对所述UI风格图片与所述客户品牌图片进行图像风格的分析，以获得图像风格特征；

基于所述图像风格特征确定对应的待验证图片；

基于所述待验证图片构建验证框架，并运行所述验证框架进行合法性验证。

2.如权利要求1所述的图片定制化的验证方法，其特征在于，所述通过预设卷积神经网络算法对所述UI风格图片与所述客户品牌图片进行图像风格的分析，以获得图像风格特征，具体包括：

通过预设卷积神经网络算法以前向传播方式对所述UI风格图片与所述客户品牌图片进行卷积运算，以获得各层神经网络对应的响应矩阵；

在特征层内确定所述响应矩阵之间的关联度；

对所述关联度进行归一化处理，以获得纹理矩阵，并将所述纹理矩阵作为图像风格特征。

3.如权利要求2所述的图片定制化的验证方法，其特征在于，所述图像风格特征包括格拉姆矩阵；

相应地，所述基于所述图像风格特征确定对应的待验证图片，具体包括：

获取第一预设图库；

通过所述预设卷积神经网络算法对所述第一预设图库内的图库图片进行卷积运算，以获得特征矩阵；

计算所述格拉姆矩阵与所述特征矩阵之间的差方和；

基于所述差方和对所述第一预设图库内的图库图片进行风格渲染，并将渲染后的图库图片作为待验证图片。

4.如权利要求3所述的图片定制化的验证方法，其特征在于，所述基于所述差方和对所述第一预设图库内的图库图片进行风格渲染，并将渲染后的图库图片作为待验证图片，具体包括：

基于所述差方和对所述第一预设图库内的图库图片进行风格渲染，并将渲染后的图库图片作为初始渲染图片；

统计所述初始渲染图片对应的渲染过程中的风格损失、内容损失以及像素损失；

通过所述风格损失、内容损失以及像素损失的数值重新调整渲染过程，并将重新渲染后的图库图片作为待验证图片。

5.如权利要求1所述的图片定制化的验证方法，其特征在于，所述基于所述图像风格特征确定对应的待验证图片，具体包括：

获取第二预设图库；

遍历所述第二预设图库内的图库图片，将遍历到的图库图片与所述图像风格特征进行匹配；

将与所述图像风格特征匹配成功的图库图片作为待验证图片。

6.如权利要求1至5中任一项所述的图片定制化的验证方法，其特征在于，所述基于所述待验证图片构建验证框架，并运行所述验证框架进行合法性验证，具体包括：

在所述待验证图片中确定待拼接区域；

移除所述待验证图片中所述待拼接区域对应的区域图像，以获得显示图片；

通过所述显示图片与所述待拼接区域对应的区域图像构建验证框架；

运行所述验证框架，以通过拼接所述区域图像至所述待验证图片中的待拼接区域进行合法性验证。

7.如权利要求6所述的图片定制化的验证方法，其特征在于，所述运行所述验证框架，以通过拼接所述区域图像至所述待验证图片中的待拼接区域进行合法性验证，具体包括：

运行所述验证框架，并获取当前拼接行为，所述当前拼接行为为拼接所述区域图像至所述待验证图片中的当前区域的行为；

从所述当前拼接行为中提取行为轨迹，并获取所述当前区域与所述待拼接区域之间的区域匹配度；

通过所述行为轨迹与所述区域匹配度进行合法性验证。

8.一种验证设备，其特征在于，所述验证设备包括：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图片定制化的验证程序，所述图片定制化的验证程序被所述处理器执行时实现如权利要求1至7中任一项所述的图片定制化的验证方法的步骤。

9.一种存储介质，其特征在于，所述存储介质上存储有图片定制化的验证程序，所述图片定制化的验证程序被处理器执行时实现如权利要求1至7中任一项所述的图片定制化的验证方法的步骤。

10.一种图片定制化的验证装置，其特征在于，所述图片定制化的验证装置包括：

图片获取模块，用于获取用户界面UI风格图片与客户品牌图片；

风格分析模块，用于通过预设卷积神经网络算法对所述UI风格图片与所述客户品牌图片进行图像风格的分析，以获得图像风格特征；

图片生成模块，用于基于所述图像风格特征确定对应的待验证图片；

验证模块，用于基于所述待验证图片构建验证框架，并运行所述验证框架进行合法性验证。

Images