[发明专利]深度神经网络模型的训练方法、人机交互识别方法、装置、电子设备及存储介质

权利要求书

1.一种深度神经网络模型的训练方法，其特征在于，包括：

获取多个样本用户进行验证码操作的原始轨迹数据，所述多个样本用户包括正常用户；

基于每个样本用户的所述原始轨迹数据，生成每个所述样本用户的频域特征数据；

基于每个所述样本用户的频域特征数据，生成每个所述样本用户的特征向量，作为每个所述样本用户对应的训练样本；

基于每个样本用户对应的训练样本对初始深度神经网络模型进行训练，得到所述深度神经网络模型，所述深度神经网络模型用于识别待识别用户是否为正常用户。

2.根据权利要求1所述的训练方法，其特征在于，所述多个样本用户还包括非正常用户。

3.一种人机交互识别方法，其特征在于，包括：

基于所获取的待识别用户进行验证码操作的原始轨迹数据，生成所述待识别用户的频域特征数据；

基于所述频域特征数据，生成所述待识别用户的特征向量；

将所述特征向量，输入深度神经网络模型，得到表示所述待识别用户的属性的识别结果，所述待识别用户的属性表示所述待识别用户是否为正常用户；其中，所述深度神经网络模型为利用权利要求1或2所述的方法生成的。

4.根据权利要求3所述的方法，其特征在于，所述基于所获取的待识别用户进行验证码操作的原始轨迹数据，生成所述待识别用户在的频域特征数据，包括：

基于所获取的待识别用户进行验证码操作的原始轨迹数据，构建所述待识别用户的X坐标序列和Y坐标序列，所述X坐标序列包括所述原始轨迹数据中在各预设时刻处的X坐标值，所述Y坐标序列包括所述原始轨迹数据中在各所述预设时刻处的Y坐标值，其中，相邻的预设时刻之间的时间间隔相等；

分别对所述X坐标序列和所述Y坐标序列进行离散傅立叶变换，得到所述待识别用户的X坐标频域序列和Y坐标频域序列，作为所述待识别用户的频域特征数据。

5.根据权利要求4所述的方法，其特征在于，所述基于所获取的待识别用户进行验证码操作的原始轨迹数据，构建所述待识别用户的X坐标序列和Y坐标序列，包括：

对所获取的待识别用户进行验证码操作的原始轨迹数据进行插值，得到所述待识别用户的X坐标序列和Y坐标序列。

6.根据权利要求3所述的方法，其特征在于，所述方法还包括：

获取所述待识别用户进行所述验证码操作的校验结果；

如果所述校验结果为通过，并且所述识别结果表示所述待识别用户为正常用户，确定所述待识别用户通过验证码验证。

7.根据权利要求3-6中任意一项所述的方法，其特征在于，所述深度神经网络模型为自编码器autoencoder模型、单类支持向量机one-class SVM模型、孤立森林iforest模型中的一种。

8.一种深度神经网络模型的训练装置，其特征在于，包括：

获取模块，用于获取多个样本用户进行验证码操作的原始轨迹数据，所述多个样本用户包括正常用户；

第一生成模块，用于基于每个样本用户的所述原始轨迹数据，生成每个所述样本用户的频域特征数据；

第二生成模块，用于基于每个所述样本用户的频域特征数据，生成每个所述样本用户的特征向量，作为每个所述样本用户对应的训练样本；

训练模块，用于基于每个样本用户对应的训练样本对初始深度神经网络模型进行训练，得到所述深度神经网络模型，所述深度神经网络模型用于识别待识别用户是否为正常用户。

9.根据权利要求8所述的训练装置，其特征在于，所述多个样本用户还包括非正常用户。