一种可控的生成无缺口滑动验证码生成方法技术

本发明专利技术公开了一种可控的无缺口滑动验证码生成方法，包括如下步骤：

【技术实现步骤摘要】
一种可控的生成无缺口滑动验证码生成方法


[0001]本专利技术涉及计算机及网络安全
，尤其是涉及一种可控的生成无缺口滑动验证码生成方法
。

技术介绍

[0002]验证码在人机交互领域扮演着不可或缺的角色，它是一项重要的网络安全技术，能够有效验证用户身份，预防恶意攻击和风险事件，被广泛应用于各种网站和
APP
场景，如注册
、
登录
、
交易
、
互动等
。
然而，验证码也面临着黑灰产业链的持续威胁，这些恶意行为者运用多种技术手段，试图快速大规模地破解验证码，以实施批量注册
、
批量登录
、
恶意盗取等违法行为，对正常服务造成了不小的困扰
。
因此，持续创新和加强验证码的防御机制势在必行，以保障用户和企业的数字安全
。
[0003]验证码是人机交互领域中的关键技术，经过多个阶段的发展与演变，旨在区分人类用户与自动化机器
。
然而，黑灰产掌握的验证码破解技术在不断升级，对线上业务的安全性与可靠性带来了挑战
。
其中，滑动验证码，要求用户将滑块滑动到图中显示缺口的位置，是最常见的验证码形式之一，能较为轻易地被黑产破解
。
[0004]近年来，为了应对这一挑战，各种新型验证码方法应运而生，如我们提出了一种无缺口的基于语义的滑动验证码
(
参见已授权的专利
)
，可以通过
AIGCr/>技术大幅提升传统的滑动验证码的破解难度
。
但是在该验证码的生成过程中，容易出现废图，即生成意义不明或难以进行语义识别的物体及滑块，对用户体验造成负面影响
。
此外，生成过程中难以控制滑块的大小
、
位置
。
因此，有必要对该方法进行完善
。

技术实现思路

[0005]针对现有技术存在的问题，本专利技术的目的在于提供一种高质量且可控的无缺口滑动验证码生成方法，在生成图的过程中添加更多条件来控制
AIGC
的产图，从而改善之前的生成方法容易出现语义信息较少或意义不明的图的问题，提升这种无缺口滑动验证码的可用性
。
[0006]为实现上述目的，本专利技术提供一种可控的生成无缺口滑动验证码的生成方法，所述方法包括如下步骤：
[0007]S1.
首先利用
AIGC
生成包含有目标物体的原始物体
、
并且原始物体位置
、
大小可控的背景图片；
[0008]S2.
利用
AI
目标检测模型检测生成的背景图片中的目标物体所在位置；
[0009]S3.
利用
AI
图像分割模型，在目标物体所在方框中，在像素级别分割出目标物体；
[0010]S4.
利用
AI
图像修补模型修补背景图片；
[0011]S5.
在获得目标物体以及修补后的背景图片后，将二者组合成为滑动验证码
。
[0012]进一步，步骤
S1
包括以下步骤：
[0013]S11.
获取包含原始物体和目标物体的图像；
[0014]S12.
利用
AI
目标检测模型检测图片中的原始物体所在位置；
[0015]S13.
利用
AI
图像分割模型在
S12
识别出的原始物体所在的方框中，在像素级别分割出原始物体；
[0016]S14.
将利用
AI
图像分割模型提取出的原始物体，以目标检测的边框为界，划分出掩膜，并进行二值化，使得物体像素为白，其他像素为黑；
[0017]S15.
利用
AI
图像生成控制模型，生成用于控制图像生成的控制向量；
[0018]S16.
利用
AI
图像生成模型生成包含原始物体的新的图片
。
[0019]进一步，步骤
S2
具体实现如下：在原始物体所在的方框中检测目标；检测过程中将目标物体的语义描述提供给
AI
目标检测模型，目标物体为原始物体的一部分
。
[0020]进一步，步骤
S4
中，利用掩膜，找到在生成的背景图片中对应的位置，使用
AI
修补模型进行背景填充以保证没有明显的色差：输入生成的背景图片和掩膜图片到
AI
修补模型中，使得模型填充去除原始物体后的背景图片；再将被分割掉目标物体的原始物体添加到原本所在的位置，得到有原始物体但没有目标物体
、
背景修补后的背景图片；此时背景图片没有缺口
。
[0021]进一步，步骤
S4
使用的
AI
图像修补模型实现原理是将图像以及指定的区域位置信息作为输入，通过神经网络来预测图片中指定区域的像素
RGB
值，从而修补图片中指定区域的图像；
AI
图像修补模型包括
LaMa、LDM
或
Stable Diffusion InpAInting。
[0022]进一步，步骤
S5
中，真实用户能够基于对图中滑块及背景的认知，理解原始物体缺少的目标物体以及目标物体在背景图片中对应的位置，进而滑动滑块到目标位置，恢复原始物体的样貌，完成验证
。
[0023]进一步，步骤
S12
使用的
AI
目标检测模型包括
GLIP、DINO
或
Grounding DINO。
[0024]进一步，步骤
S13
中使用的
AI
图像分割模型包括
Unet、PSPnet、LinkNet
或
SegmentAnything Model。
[0025]进一步，步骤
S16
中使用的
AI
图像生成控制模型包括
ControlNet
或
T2i
‑
Adapter。
[0026]进一步，步骤
S15
中，
AI
图像生成控制模型的实现流程如下：
[0027]S151.
构建模型：选择适合图像生成控制任务的模型架构，并进行相应的配置；
[0028]S152.
数据准备：准备用于训练的掩膜图像
‑
原始图片的配对数据集，掩膜图像是从原始图片中通过提取原始物体构造的；
[0029]S153.
模型训练：将掩膜图像的数据作为图像生成控制模型的输入，图像生成控制模型会根据输入生成一组向量，然后本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种可控的无缺口滑动验证码生成方法，其特征在于，所述方法包括如下步骤：
S1.
首先利用
AIGC
生成包含有目标物体的原始物体
、
并且原始物体位置大小可控的背景图片；
S2.
利用
AI
目标检测模型检测生成的背景图片中的目标物体所在位置；
S3.
利用
AI
图像分割模型，在目标物体所在方框中，在像素级别分割出目标物体；
S4.
利用
AI
图像修补模型修补背景图片；
S5.
在获得目标物体以及修补后的背景图片后，将二者组合成为滑动验证码
。2.
根据权利要求1所述的可控的无缺口滑动验证码生成方法，其特征在于，步骤
S1
包括以下步骤：
S11.
确定原始物体和目标物体的语义描述，获取包含原始物体和目标物体的图像；
S12.
利用
AI
目标检测模型检测图片中的原始物体所在位置；
S13.
利用
AI
图像分割模型在
S12
识别出的原始物体所在的方框中，在像素级别分割出原始物体；
S14.
将利用
AI
图像分割模型提取出的原始物体，以目标检测的边框为界，划分出掩膜，并进行二值化，使得物体像素为白，其他像素为黑；
S15.
利用
AI
图像生成控制模型，生成用于控制图像生成的控制向量；
S16.
利用
AI
图像生成模型生成包含原始物体的新的背景图片
。3.
根据权利要求2所述的可控的无缺口滑动验证码生成方法，其特征在于，步骤
S2
具体实现如下：在原始物体所在的方框中检测目标；检测过程中将目标物体的语义描述提供给
AI
目标检测模型，目标物体为原始物体的一部分
。4.
根据权利要求3所述的可控的无缺口滑动验证码生成方法，其特征在于，步骤
S4
中，利用掩膜，找到在生成的背景图片中对应的位置，使用
AI
修补模型进行背景填充以保证没有明显的色差：输入生成的背景图片和掩膜图片到
AI
修补模型中，使得模型填充去除原始物体后的背景图片；再将被分割掉目标物体的原始物体添加到原本所在的位置，得到有原始物体但没有目标物体
、
背景修补后的背景图片...

【专利技术属性】
技术研发人员：陈德蕾，张舒瑞，陈龙，陈树华，
申请(专利权)人：北京顶象技术有限公司，
类型：发明
国别省市：