[发明专利]一种滑块验证码的滑块缺口定位及拖动轨迹生成方法

说明书

本发明公开了一种滑块验证码的滑块缺口定位及拖动轨迹生成方法。该方法包括两部分，线下模型训练：构建基于深度学习的目标检测模型，根据滑块缺口背景图片计算滑块缺口中心位置坐标，并标注矩形标注框，进行有监督的目标检测模型训练；根据真人滑块拖动轨迹，建立LSTM前端模型以及LSTM后端回归模型，并进行模型训练。线上模型服务：对屏幕进行截图，处理得到含有滑块图片和滑块缺口背景图片；以滑块缺口背景图片为输入，执行已训练好的目标检测模型，得到滑块缺口中心位置坐标；执行已训练好的LSTM前端模型以及LSTM后端回归模型，得到滑块拖动轨迹时间序列。本发明实现了拟人滑块轨迹的随机生成，识别通过率高且通过率稳定性强。

技术领域

本发明涉及互联网技术领域，特别是一种滑块验证码的滑块缺口定位及拖动轨迹生成方法。

背景技术

验证码是一种图灵测试，用于判断操作对象是否是人类。在软件测试领域，测试人员使用软件对网站进行自动化测试、信息快速发布以及自动化交易，验证码的自动化识别有助于提升测试效率和测试覆盖率，减少人工测试环节，从而避免人为操作错误。滑块验证码是图灵测试的一种具体实现形式，其实现类型叫动态感知游戏(Dynamic CognitiveGame)。目前，行业内均在研究具有完整端到端的滑块验证码自动识别技术，该技术包括系统架构层面和算法层面的研究。在算法层面包括滑块位移的计算和滑块拖动轨迹生成，其中：

滑块位移的计算环节，通常采用如下方法：获取无滑块缺口的背景图片，以及有滑块缺口的背景图片，通过2张图片计算差值得到滑块缺口位置，进而计算位移距离。这种方式成功的前提是可以获得滑块背景无缺口和有缺口的图片，因此使用场景受到限制。还有一些方法采用图像处理技术，试图通过纹理、像素值、形状来去除背景和定位缺口，不过这类方法依赖于每一个滑块验证码供应商所采用滑块图片的特定特征，位移计算准确度和通用性不足，影响识别通过率。

滑块拖动轨迹生成环节，通常的做法有3种：①在以直线均速拖动滑块的轨迹中，加入少量随机像素偏移以及时间延时，形成一定随机性；②根据固定的函数模型，比如tanh函数，生成滑动轨迹，在此基础上加入延时和随机像素位移；③通过线下录制真实用户的滑块拖动轨迹，形成数据库，这样当已知特定位移时，通过数据库检索出该位移下录制的滑块轨迹集合，从中随机抽取一例。以上3种轨迹生成方式，主要基于固定数学模型的拟合和轨迹数据库检索，算法本身并没有真正学习到人类拖动滑块行为的本质特征，因此均存在随机性不足、生成轨迹可能重复的缺陷，特别是当滑块验证方使用人工智能、大数据技术，以上3种方法随着测试次数增加，识别通过率有断崖式跌幅。

发明内容

本发明的目的在于提供一种识别通过率高、通过率稳定性强的滑块缺口定位及拖动轨迹生成方法。

实现本发明目的的技术解决方案为：一种滑块验证码的滑块缺口定位及拖动轨迹生成方法，包括线下模型训练和线上模型服务两部分，其中：

所述线下模型训练包括：

滑块缺口位置定位建模与线下模型训练：构建基于深度学习的目标检测模型，根据滑块缺口背景图片计算滑块缺口中心位置坐标，并标注矩形标注框，进行有监督的目标检测模型训练；

滑块拖动轨迹建模与线下模型训练：根据真人滑块拖动轨迹，建立LSTM前端模型，以及适应非均匀采样输入时序和可变长时序数据的LSTM后端回归模型，对建立的LSTM前端模型、LSTM后端回归模型进行训练；

所述线上模型服务包括以下步骤：

对屏幕进行截图，处理截图得到含有滑块图片和滑块缺口背景图片；

以滑块缺口背景图片为输入，执行已训练好的目标检测模型，得到滑块缺口中心位置坐标；结合滑块初始位置，计算得到滑块位移距离；

执行已训练好的LSTM前端模型，以及LSTM后端回归模型，得到滑块拖动轨迹时间序列即鼠标移动轨迹序列。