打印信息的安全输出方法、装置、终端设备及介质

摘要

本申请涉及信息安全技术领域，提供了一种打印信息的安全输出方法、装置、终端设备及介质。所述打印信息的安全输出方法，应用于终端设备，所述方法包括：获取采用隐形墨水打印的待测密码本，所述隐形墨水具有紫外响应性；采用紫外光照射所述待测密码本，获得显示有密码字符的待测样本；将所述待测样本输入卷积神经网络模型中，得到与所述待测密码本相对应的打印信息，其中，所述卷积神经网络模型以训练字符为输入训练集、以与所述训练字符相对应的训练标签为输出训练集，通过机器学习算法训练获得。这种安全输出方法，可以提高打印信息的安全性能。

权利要求

1.一种打印信息的安全输出方法，其特征在于，应用于终端设备，所述方法包括：获取采用隐形墨水打印的待测密码本，所述隐形墨水具有紫外响应性；

采用紫外光照射所述待测密码本，获得显示有密码字符的待测样本；

将所述待测样本输入卷积神经网络模型中，得到与所述待测密码本相对应的打印信息，其中，所述卷积神经网络模型以训练字符为输入训练集、以与所述训练字符相对应的训练标签为输出训练集，通过机器学习算法训练获得，其中，所述卷积神经网络模型通过如下步骤训练得到：分别确定训练字符以及训练标签，建立所述训练字符与所述训练标签之间的对应关系；

基于所述对应关系，以所述训练字符为输入训练集，以所述训练标签为输出训练集，采用卷积神经网络进行模型训练，构建卷积神经网络模型，所述分别确定训练字符以及训练标签，建立所述训练字符与所述训练标签之间的对应关系，包括：

采用紫外光照射训练密码本，获得显示有打印字符的训练样本，所述训练密码本为采用隐形墨水打印的密码本；

对所述训练样本中显示的打印字符进行图像采集，获得包含有所述打印字符的第一电子图像；

提取所述第一电子图像中的打印字符作为训练字符；

确定训练标签，建立所述训练字符与所述训练标签之间的对应关系。

2.如权利要求1所述的打印信息的安全输出方法，其特征在于，所述提取所述第一电子图像中的打印字符作为训练字符，包括：对所述第一电子图像进行角度调整，获得第一角度矫正电子图像；

通过对所述第一角度矫正电子图像进行图像分割，获得所述第一角度矫正电子图像中的多个打印字符；

对每个打印字符进行像素调整及角度调整，得到多个训练字符，其中，每个打印字符对应有多个训练字符。

3.如权利要求2所述的打印信息的安全输出方法，其特征在于，所述对每个打印字符进行像素及角度调整，得到多个训练字符，包括：对每个打印字符进行像素调整，得到多种清晰度的打印字符；

分别将每种清晰度的打印字符旋转多个角度，得到多个打印字符。

4.如权利要求1至3任一项所述的打印信息的安全输出方法，其特征在于，所述将所述待测样本输入卷积神经网络模型中，得到与所述待测密码本相对应的打印信息，包括：将所述待测样本输入卷积神经网络模型中，所述卷积神经网络模型用于对所述待测样本中的密码字符进行识别，并根据识别出的所述密码字符，以及所述训练字符和所述训练标签之间的对应关系，得到解密后的打印信息；

接收所述卷积神经网络模型输出的所述解密后的打印信息。

5.如权利要求4所述的打印信息的安全输出方法，其特征在于，所述卷积神经网络模型通过如下步骤对所述待测样本中的密码字符进行识别：所述卷积神经网络模型对所述待测样本中显示的密码字符进行图像采集，获得包含有所述密码字符的第二电子图像；

所述卷积神经网络模型对所述第二电子图像进行图像分割及像素调整后，对所述密码字符进行识别。

6.一种打印信息的安全输出装置，其特征在于，包括：获取模块，用于获取采用隐形墨水打印的待测密码本，所述隐形墨水具有紫外响应性；

紫外显影模块，用于采用紫外光照射所述待测密码本，获得显示有字符信息的待测样本；

解密模块，用于将所述待测样本输入卷积神经网络模型中，得到与所述待测密码本相对应的打印信息，其中，所述卷积神经网络模型以训练字符为输入训练集、以训练标签为输出训练集，通过机器学习算法训练获得，其中，所述卷积神经网络模型通过如下步骤训练得到：分别确定训练字符以及训练标签，建立所述训练字符与所述训练标签之间的对应关系；

基于所述对应关系，以所述训练字符为输入训练集，以所述训练标签为输出训练集，采用卷积神经网络进行模型训练，构建卷积神经网络模型，所述分别确定训练字符以及训练标签，建立所述训练字符与所述训练标签之间的对应关系，包括：

采用紫外光照射训练密码本，获得显示有打印字符的训练样本，所述训练密码本为采用隐形墨水打印的密码本；

对所述训练样本中显示的打印字符进行图像采集，获得包含有所述打印字符的第一电子图像；

提取所述第一电子图像中的打印字符作为训练字符；

确定训练标签，建立所述训练字符与所述训练标签之间的对应关系。

7.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述的方法。

8.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述的方法。

说明书

打印信息的安全输出方法、装置、终端设备及介质

技术领域

[0001] 本申请属于信息安全技术领域，尤其涉及一种打印信息的安全输出方法，一种打印信息的安全输出装置，一种终端设备，及其一种计算机可读存储介质。

背景技术

[0002] 常规纸张信息的安全保护主要依赖于刺激响应性功能材料。刺激响应性功能材料在外部刺激(例如光照射、化学试剂处理或加热)下会做出响应(如显示颜色或者发光)，从
而显示纸张信息。但是这种仅依赖于材料本身性质的加密方法，其复杂度低、可预测性高。
墨水的响应性一旦被暴露，信息很容易被破解，给商业和军事应用带来重大风险。尽管已经
有研究者利用荧光酶标仪来增强信息的安全性，但是加密的复杂性和安全性仍然有待提
高。因此，提高纸张信息的安全水平仍然是一项挑战。近年来，人工智能已在不同领域被应
用，包括医疗保健、自动驾驶、军事和网络安全，并逐渐渗透至材料化学领域，例如有机分子
的合成和透射电子显微镜的图像分析。如何利用人工智能对打印信息进行加密和解密，提
高打印信息的安全性能显得尤为重要。

发明内容

[0003] 本申请的目的在于提供一种打印信息的安全输出方法、装置、终端设备及介质，旨在解决打印信息的安全性能不足的问题。

[0004] 为实现上述申请目的，本申请采用的技术方案如下：

[0005] 第一方面，本申请提供一种打印信息的安全输出方法，应用于终端设备，所述方法包括：

[0006] 获取采用隐形墨水打印的待测密码本，所述隐形墨水具有紫外响应性；

[0007] 采用紫外光照射所述待测密码本，获得显示有密码字符信息的待测样本；

[0008] 将所述待测样本输入卷积神经网络神经模型中，得到与所述待测密码本相对应的打印信息，其中，所述卷积神经网络模型以训练字符为输入训练集、以与所述训练字符相对
应的训练标签为输出训练集，通过机器学习算法训练获得。

[0009] 本申请提供的打印信息的安全输出方法，基于卷积神经网络模型中字符与标签之间的对应关系，将具有紫外响应的打印信息经显影处理后，输入卷积神经网络模型，输出对
应的密码标签，从而获取真实的打印信息。采用这种安全输出方法，由于打印字符本身具有
较高的安全性，在此基础上，打印信息的解密又依赖于打印字符与密码标签之间的对应关
系，进一步提高了密码的复杂程度，从而可以提高打印信息的安全性能。

[0010] 在一些实施例中，所述卷积神经网络模型通过如下步骤训练得到：

[0011] 分别确定训练字符以及训练标签，建立所述训练字符与所述训练标签之间的对应关系；

[0012] 基于所述对应关系，以所述训练字符为输入训练集，以所述训练标签为输出训练集，采用卷积神经网络进行模型训练，构建卷积神经网络模型。

[0013] 在一些实施例中，所述分别确定训练字符以及训练标签，建立所述训练字符与所述训练标签之间的对应关系，包括：

[0014] 采用紫外光照射训练密码本，获得显示有打印字符的训练样本，所述训练密码本为采用隐形墨水打印的密码本；

[0015] 对所述训练样本中显示的打印字符进行图像采集，获得包含有所述打印字符的第一电子图像；

[0016] 提取所述第一电子图像中的打印字符作为训练字符；

[0017] 确定训练标签，建立所述训练字符与所述训练标签之间的对应关系。

[0018] 在一些实施例中，所述提取所述第一电子图像中的打印字符作为训练字符，包括：

[0019] 对所述第一电子图像进行角度调整，获得第一角度矫正电子图像；

[0020] 通过对所述第一角度矫正电子图像进行图像分割，获得所述第一角度矫正电子图像中的多个打印字符；

[0021] 对每个打印字符进行像素调整及角度调整，得到多个训练字符，其中，每个打印字符对应有多个训练字符。

[0022] 在一些实施例中，所述对每个打印字符进行像素及角度调整，得到多个训练字符，包括：

[0023] 对每个打印字符进行像素调整，得到多种清晰度的打印字符；

[0024] 分别将每种清晰度的打印字符旋转多个角度，得到多个打印字符。

[0025] 在一些实施例中，所述将所述待测样本输入卷积神经网络模型中，得到与所述待测密码本相对应的打印信息，包括：

[0026] 将所述待测样本输入卷积神经网络模型中，所述卷积神经网络模型用于对所述待测样本中的密码字符进行识别，并根据识别出的所述密码字符，以及所述训练字符和所述
训练标签之间的对应关系，得到解密后的打印信息；

[0027] 接收所述卷积神经网络模型输出的所述解密后的打印信息。

[0028] 在一些实施例中，所述卷积神经网络模型通过如下步骤对所述待测样本中的密码字符进行识别：

[0029] 所述卷积神经网络模型对所述待测样本中显示的密码字符进行图像采集，获得包含有所述密码字符的第二电子图像；

[0030] 所述卷积神经网络模型对所述第二电子图像进行图像分割及像素调整后，对所述密码字符进行识别。

[0031] 第二方面，本申请提供一种打印信息的安全输出装置，包括：

[0032] 获取模块，用于获取采用隐形墨水打印的待测密码本，所述隐形墨水具有紫外响应性；

[0033] 紫外显影模块，用于采用紫外光照射所述待测密码本，获得显示有字符信息的待测样本；

[0034] 解密模块，用于将所述待测样本输入卷积神经网络模型中，得到与所述待测密码本相对应的打印信息，其中，所述卷积神经网络模型以训练字符为输入训练集、以训练标签
为输出训练集，通过机器学习算法训练获得。

[0035] 本申请提供的打印信息的安全输出装置，可以将待测密码本中的打印信息通过紫外显影模块显影后，通过基于字符与标签之间的对应关系形成的解密模块进行输出，实现
双层解密，从而提高打印信息安全识别性能。

[0036] 第三方面，本申请提供一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一
方面所述的方法。

[0037] 第四方面，本申请提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现第一方面所述的方法。

[0038] 第五方面，本申请提供一种计算机程序产品，当所述计算机程序产品在终端设备上运行时，使得所述终端设备执行上述第一方面所述的方法。

附图说明

[0039] 为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些
实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些
附图获得其他的附图。

[0040] 图1是本申请一实施例提供的打印信息的安全输出方法的步骤流程图；

[0041] 图2是本申请一实施例提供的卷积神经网络模型的训练流程图；

[0042] 图3是本申请一实施例提供的建立训练字符与训练标签之间的对应关系的步骤流程图；

[0043] 图4是本申请一实施例提供的提取第一电子图像中的打印字符作为训练字符的步骤流程图；

[0044] 图5是本申请一实施例提供的采用隐形墨水打印后得到的待测密码本的样本图；

[0045] 图6A是本申请一实施例提供的待测密码本上的一种打印字符的紫外显影图；

[0046] 图6B是本申请一实施例提供的待测密码本上的另一种打印字符的紫外显影图；

[0047] 图7是本申请一实施例提供的训练密码本上的一种打印字符的紫外显影图；

[0048] 图8是本申请一实施例提供的训练字符与训练标签之间的对应关系示意图；

[0049] 图9是本申请一实施例提供的打印信息的安全输出装置的模块组成示意图；

[0050] 图10是本申请一实施例提供的终端设备的结构示意图。

具体实施方式

[0051] 为了使本申请要解决的技术问题、技术方案及有益效果更加清楚明白，以下结合实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释
本申请，并不用于限定本申请。

[0052] 应理解，在本申请的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，部分或全部步骤可以并行执行或先后执行，各过程的执行顺序应以其功能和内
在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。

[0053] 所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

[0054] 在本申请实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”
也旨在包括多数形式，除非上下文清楚地表示其他含义。

[0055] 结合图1，本申请实施例第一方面提供了一种打印信息的安全输出方法，应用于终端设备，该方法包括：

[0056] S110.获取采用隐形墨水打印的待测密码本，隐形墨水具有紫外响应性。

[0057] 该步骤中，待测密码本通过隐形墨水打印，待测密码本包含有密码字符信息。在隐形因素没有解除情况下，待测密码本上的打印信息不可见，从而为待测密码本上的打印信
息提供第一道安全屏障。在本申请实施例中，隐形墨水具有紫外响应性。在这种情况下，待
测密码本上的打印信息在紫外条件下可见，但在可见光条件下不可见。示例性的，以顺次排
列的“0”、“1”、““2”、““3”、“4”、“5”、“6”、“7”、“8”和“Λ”作为打印字符，采用隐形墨水打印
后得到的待测密码本如图5所示。

[0058] 在一种可能的实施方式中，用于打印待测密码本的隐形墨水，为碳点墨水。碳点墨水为碳点的水溶液。在一些实施例中，碳点膜水通过加碳点溶解在去离子水中，超声处理后
获得。在一些实施例中，碳点墨水中的碳点，可以通过微波热解L‑半胱氨酸和柠檬酸制得，
具体包括以下步骤：

[0059] 将柠檬酸和L‑半胱氨酸溶于去离子水中，超声搅拌处理，得到混合溶液；

[0060] 将混合溶液在微波条件下进行热解反应，向反应后的产物中加水，超声搅拌处理得到反应物溶液；

[0061] 在反应物溶液中加碱，调节溶液的pH至中性后，采用透析薄膜对反应物溶液进行透析处理，收集碳点。

[0062] 示例性的，隐形墨水为25mg/mL的碳点墨水，其制备方法为：

[0063] 将柠檬酸和L‑半胱氨酸按照质量比为2:1的比例混合，以溶质与溶剂的质量体积比为75mg：1mL的比例溶于去离子水中，超声搅拌处理，得到半透明状的混合溶液；

[0064] 将混合溶液置于微波炉中，在功率为490W的微波条件下进行热解210秒；向反应后的产物中加水，超声搅拌处理，使深黄色沉淀完全溶解，得到反应物溶液；

[0065] 在反应物溶液中加氢氧化钠溶液，调节溶液的pH至中性后，使用截留分子量(molecular weight cutof，MWCO)为500的透析薄膜透析24小时，以去除未反应的小分子，
将得到的溶液在40℃的烘箱中干燥，收集碳点；

[0066] 将碳点溶解去离子水中，并进行超声处理使其完全溶解，得到碳点墨水。

[0067] 本申请实施例中，采用隐形墨水打印的待测密码本，可以采用隐形墨水在滤纸上打印得到，但打印载体不限于纸质载体，也可以采用其他材质制得的打印载体。待测密码本
的打印设备没有严格限定，可以采用常规的喷墨打印机，也可以采用具有其他特定功能的
打印机。

[0068] S120.采用紫外光照射待测密码本，获得显示有密码字符信息的待测样本。

[0069] 该步骤中，待测密码本上的密码字符信息具有紫外响应性，因此，采用紫外光照射待测密码本后，密码字符信息显示。在一种可能的实施方式中，通过采集待测密码本在紫外
光照射条件下显示的密码字符信息的电子图像，获得显示有密码字符信息的待测样本。

[0070] 示例性的，当待测密码本上的打印字符为“1234Λ125”时，在紫外照射处理下，打印字符显示，如图6A所示；当待测密码本上的打印字符为“0510355”时，在紫外照射处理下，
打印字符显示，如图6B所示。

[0071] S130.将待测样本输入卷积神经网络神经模型中，得到与待测密码本相对应的打印信息，其中，卷积神经网络模型以训练字符为输入训练集、以与训练字符相对应的训练标
签为输出训练集，通过机器学习算法训练获得。

[0072] 该步骤中，卷积神经网络模型用于获取待测样本，并对待测样本中的密码字符信息进行分析处理，输出与待测样本中的密码字符信息对应的标签，最终获取待测密码本中
的标签信息。

[0073] 在一些实施例中，如图2所示，卷积神经网络模型通过如下步骤训练得到：

[0074] S21.分别确定训练字符以及训练标签，建立训练字符与训练标签之间的对应关系。

[0075] 该步骤中，训练字符是指训练密码本上打印的字符，该字符是紫外照射条件下显示的内容。训练字符用于掩盖训练字符真实的意思表达。示例性的，训练字符可以为数字、
符号、图形等。训练标签是指与训练字符相对应，直观地显示训练字符对应的意思表达的标
签。示例性的，训练字符可以为字母、单词、偏旁、汉字等。本申请实施例中，通过指定训练标
签对应的训练字符，建立训练字符与训练标签之间的对应关系。

[0076] 在一些实施例中，如图3所示，分别确定训练字符以及训练标签，建立训练字符与训练标签之间的对应关系，包括：

[0077] S31.采用紫外光照射训练密码本，获得显示有打印字符的训练样本，训练密码本为采用隐形墨水打印的密码本。

[0078] 该步骤中，训练密码本为采用隐形墨水打印有打印字符的密码本。对训练密码本进行紫外照射处理后，训练密码本上的打印字符显示出来，从而获得显示有打印字符的训
练样本。

[0079] 该实施例中，采用紫外光照射训练密码本的步骤中，照射训练密码本的紫外光应该为隐形墨水具有响应性的紫外光。示例性的，当采用对365nm的紫外光具有响应性的隐形
墨水打印得到训练密码本时，对应的，采用365nm的紫外光对训练密码本进行照射处理，此
时，训练密码本上的打印字符便会显示。

[0080] S32.对训练样本中显示的打印字符进行图像采集，获得包含有打印字符的第一电子图像。

[0081] 示例性的，如图7所示，当训练密码本上的打印字符为“012345678Λ”时，在紫外照射处理下，打印字符显示。通过对训练样本中显示的打印字符进行图像采集，得到如图7所
示的第一电子图像。

[0082] S33.提取第一电子图像中的打印字符作为训练字符。

[0083] 该步骤中，第一电子图像中包含多个打印字符，通过对第一电子图像进行图像处理，获取第一电子图像中的一个或多个打印字符，并将这些打印字符作为训练字符。在一些
实施例中，基于OpenCV，对第一电子图像进行图像处理，以生成训练集符号。

[0084] 在一些实施例中，如图4所示，提取第一电子图像中的打印字符作为训练字符，包括：

[0085] S41.对第一电子图像进行角度调整，获得第一角度矫正电子图像。

[0086] 该步骤中，通过对第一电子图像进行角度调整，将图像采集获得的第一电子图像的显示角度调整为打印字符显示更为清晰的角度。在一些实施例中，通过霍夫变换调整第
一电子图像的角度，获得打印字符显示更为清晰的第一角度矫正电子图像。

[0087] S42.通过对第一角度矫正电子图像进行图像分割，获得第一角度矫正电子图像中的多个打印字符。

[0088] 该步骤中，采用图像分割算法对第一角度矫正电子图像进行图像分割，挑选第一角度矫正电子图像中包含的打印字符。示例性的，以图7作为第一角度矫正电子图像，进行
图像分割后，可以得到打印字符“0”、“1”、“2”、“3”、“4”、“5”、“6”、“7”、“8”和“Λ”。

[0089] S43.对每个打印字符进行像素调整及角度调整，得到多个训练字符，其中，每个打印字符对应有多个训练字符。

[0090] 该实施例中，通过对每个打印字符进行像素调整，可以调整打印字符的清晰度，在机器学习算法训练时提高打印字符的识别度；通过对每个打印字符进行角度调整，可以得
到同一打印字符在不同角度显示的样本。以进行多个角度调整后得到的样本作为训练样
本，得到的卷积神经网络模型具有对待测样本中显示的密码字符具有更高的识别性能，从
而在将待测样本输入卷积神经网络模型进行识别时，提高输出信息的准确率。

[0091] 该实施例中，同一个打印字符经像素调整及角度调整后，可以形成多个训练字符，具体的，一个打印字符进行N次像素调整之后，对应得到N个训练字符；进一步的，对每一个
像素调整后的字符再进行M个角度调整之后，对应得到M个训练字符。最终，每个打印字符进
行像素调整及角度调整后，可以得到N×M个打印字符。

[0092] 在一些实施例中，对每个打印字符进行像素及角度调整，得到多个训练字符，包括：

[0093] 对每个打印字符进行像素调整，得到多种清晰度的打印字符；

[0094] 分别将每种清晰度的打印字符旋转多个角度，得到多个打印字符。

[0095] 示例性的，分别将每种清晰度的打印字符分别旋转n1°、n2°和n3°，得到多个打印字符，其中，n1、n2和n3的取值范围满足：0＜n1＜135＜n2＜225＜n3＜360。

[0096] 在一些实施例中，对每个打印字符进行像素调整及角度调整之后，还包括对每一个打印字符进行亮度调节，得到多种不同亮度值的打印字符。示例性的，同一个打印字符经
像素调整及角度调整后，可以形成多个训练字符，具体的，一个打印字符进行N次像素调整
之后，对应得到N个训练字符；进一步的，对每一个像素调整后的字符再进行M个角度调整之
后，对应得到M个训练字符；更进一步的，对每一个经过角度调整之后的打印字符进行L个亮
度调整，每一个打印字符对应得到L个不同亮度值的训练字符。最终，每个打印字符进行像
素调整、角度调整以及亮度调整后，可以得到N×M×L个打印字符。

[0097] 示例性的，对每个打印字符进行像素及角度调整，得到多个训练字符，包括：

[0098] 对每个打印字符的像素调整至30×30后，将每一个打印字符旋转90°、180°和270°，将未经旋转、旋转90°、180°和270°后的每个打印符号的亮度更改为10个不同的值。这
样，每个打印字符产生40个训练字符。

[0099] S34.确定训练标签，建立训练字符与训练标签之间的对应关系。

[0100] 该步骤中，通过建立训练字符与训练标签之间的对应关系，使得待测密码本上的打印信息，即便在被知晓隐形墨水的响应性因素之后，还是不能得到待测密码本上的信息，
从而为待测密码本上的打印信息提供第二道安全屏障。

[0101] 示例性的，如图8所示，将训练字符“0”与训练标签“P”建立对应关系，将训练字符“1”与训练标签“O”建立对应关系，将训练字符“2”与训练标签“N”建立对应关系，将训练字
符“3”与训练标签“L”建立对应关系，将训练字符“4”与训练标签“Y”建立对应关系，将训练
字符“5”与训练标签“E”建立对应关系，将训练字符“6”与训练标签“D”建立对应关系，将训
练字符“7”与训练标签“G”建立对应关系，将训练字符“8”与训练标签“A”建立对应关系，将
训练字符“Λ”与训练标签“空格”建立对应关系。

[0102] S22.基于对应关系，以训练字符为输入训练集，以训练标签为输出训练集，采用卷积神经网络进行模型训练，构建卷积神经网络模型。

[0103] 该步骤中，将每一个需要用到的打印字符都构建多个训练字符，作为输入训练集，对应的，与打印字符对应的训练标签作为输出训练集，采用卷积神经网络进行模型训练，构
建以字符作为输入、以与字符对应的标签作为输出的卷积神经网络模型。

[0104] 采用卷积神经网络进行模型训练，训练过程可以在终端设备上数秒内完成。示例性的，经过30个训练周期后，网络可以学习所有符号所对应的标签，并且在训练准确率将近
100％。

[0105] 基于卷积神经网络模型，将待测样本输入卷积神经网络神经模型中，卷积神经网络神经模型在采集得到与训练字符匹配的密码字符后，输出与训练字符对应的标签，最终
得到与待测密码本相对应的打印信息。

[0106] 在一些实施例中，将待测样本输入卷积神经网络模型中，得到与待测密码本相对应的打印信息，包括：

[0107] 将待测样本输入卷积神经网络模型中，卷积神经网络模型用于对待测样本中的密码字符进行识别，并根据识别出的密码字符，以及训练字符和训练标签之间的对应关系，得
到解密后的打印信息；

[0108] 接收卷积神经网络模型输出的解密后的打印信息。

[0109] 在一些实施例中，卷积神经网络模型型通过如下步骤对待测样本中的密码字符进行识别，包括：

[0110] 卷积神经网络模型对待测样本中显示的密码字符进行图像采集，获得包含有密码字符的第二电子图像。

[0111] 该步骤中，采用图像分割算法对第二电子图像进行图像分割，采集第二电子图像中包含的密码字符。

[0112] 卷积神经网络模型对第二电子图像进行图像分割及像素调整后，对密码字符进行识别。

[0113] 该步骤中，采用图像分割算法对第二电子图像进行图像分割，采集第二电子图像中包含的密码字符。示例性的，以图6A作为第二电子图像，进行图像分割后，可以得到打印
字符“1”、“2”、“3”、“4”、“4”、“Λ”、“2”、“3”。以图6B作为第二电子图像，进行图像分割后，可
以得到打印字符“0”、“5”、“1”、“0”、“3”、“5”、“5”。

[0114] 对第二电子图像进行图像分割后，对采集得到的密码字符及像素调整，提高密码字符的清晰度。

[0115] 本申请实施例提供的打印信息的安全输出方法，基于卷积神经网络模型中字符与标签之间的对应关系，将具有紫外响应的打印信息经显影处理后，输入卷积神经网络模型，
输出对应的密码标签，从而获取真实的打印信息。这种安全输出方法，打印字符本身具有较
高的安全性，在此基础上，打印信息的解密又依赖于打印字符与密码标签之间的对应关系，
进一步提高了密码的复杂程度，从而可以提高打印信息的安全性能。

[0116] 本申请实施例提供的打印信息的安全输出方法，在测试过程中，经过几次训练后，网络能够以极高的精度识别所有待测密码本。而由于神经网络是一个黑匣子，所训练信息
隐藏在其数百万个非结构化参数中，因此几乎不可能从网络本身中发现相应的符号所对应
的标签。因此，在对打印信息进行加密处理时，可以设计复杂的数字和/或形状组成不可预
测且高度复杂的密码本，从而使加密具有更大的复杂度及不可预测性。这种方法极大地提
高了信息的安全级别，有利于以后在经济或者军事方面的应用。此外，由于在自然光下符号
是不可见的，只有在紫外线照射下，才能获得相应的信息，并输入特定的网络才可以获得正
确的信息，因此这种方法比单纯的依靠材料本身的性质具有更高的安全性。

[0117] 如图9所示，本申请实施例第二方面提供一种打印信息的安全输出装置，包括：

[0118] 获取模块91，用于获取采用隐形墨水打印的待测密码本，隐形墨水具有紫外响应性；

[0119] 紫外显影模块92，用于采用紫外光照射待测密码本，获得显示有字符信息的待测样本；

[0120] 解密模块93，用于将待测样本输入卷积神经网络模型中，得到与待测密码本相对应的打印信息，其中，卷积神经网络模型以训练字符为输入训练集、以训练标签为输出训练
集，通过机器学习算法训练获得。

[0121] 本申请实施例提供的打印信息的安全输出装置，可以将待测密码本中的打印信息通过紫外显影模块显影后，通过基于字符与标签之间的对应关系形成的解密模块进行输
出，实现双层解密，从而实现打印信息安全识别性能的提高。

[0122] 在本申请实施例中，卷积神经网络模型可以通过调用如下模块训练得到：

[0123] 建立模块，用于分别确定训练字符以及训练标签，建立所述训练字符与所述训练标签之间的对应关系；

[0124] 构建模块，用于基于所述对应关系，以所述训练字符为输入训练集，以所述训练标签为输出训练集，采用卷积神经网络进行模型训练，构建卷积神经网络模型。

[0125] 在一些实施例中，建立模块可以包括以下子模块：

[0126] 训练样本获得子模块，用于采用紫外光照射训练密码本，获得显示有打印字符的训练样本，训练密码本为采用隐形墨水打印的密码本；

[0127] 图像采集子模块，用于对训练样本中显示的打印字符进行图像采集，获得包含有打印字符的第一电子图像；

[0128] 提取子模块，用于提取第一电子图像中的打印字符作为训练字符；

[0129] 确定子模块，用于确定训练标签，建立训练字符与训练标签之间的对应关系。

[0130] 在一些实施例中，提取子模块可以包括以下单元：

[0131] 角度调整单元，用于对第一电子图像进行角度调整，获得第一角度矫正电子图像；

[0132] 图像分割单元，用于通过对第一角度矫正电子图像进行图像分割，获得第一角度矫正电子图像中的多个打印字符；

[0133] 像素调整及角度调整单元，用于对每个打印字符进行像素调整及角度调整，得到多个训练字符，其中，每个打印字符对应有多个训练字符。

[0134] 在一些实施例中，像素调整及角度调整单元可以包括以下子单元：

[0135] 像素调整子单元，用于对每个打印字符进行像素调整，得到多种清晰度的打印字符；

[0136] 角度旋转子单元，用于分别将每种清晰度的打印字符旋转多个角度，得到多个打印字符。

[0137] 在一些实施例中，解密模块93可以包括以下子模块：

[0138] 输入与识别子模块，用于将待测样本输入卷积神经网络模型中，卷积神经网络模型用于对待测样本中的密码字符进行识别，并根据识别出的密码字符，以及训练字符和训
练标签之间的对应关系，得到解密后的打印信息；

[0139] 接收子模块，用于接收卷积神经网络模型输出的解密后的打印信息。

[0140] 在一些实施例中，输入与识别子模块可以包括以下单元：

[0141] 图像采集单元，用于卷积神经网络模型对待测样本中显示的密码字符进行图像采集，获得包含有密码字符的第二电子图像；

[0142] 图像分割及像素调整单元，用于卷积神经网络模型对第二电子图像进行图像分割及像素调整后，对密码字符进行识别。

[0143] 对于装置实施例而言，由于其与方法实施例基本相似，所以描述得比较简单，相关之处参见方法实施例部分的说明即可。

[0144] 参照图10，示出了本申请一个实施例的一种终端设备的示意图。如图10所示，本实施例提供的终端设备100包括：处理器110、存储器120以及存储在存储器120中并可在处理
器110上运行的计算机程序121。处理器110执行计算机程序121时实现上述打印信息的安全
输出方法各个实施例中的步骤，例如图1所示的步骤S110至S130。

[0145] 示例性的，计算机程序121可以被分割成一个或多个模块/单元，一个或者多个模块/单元被存储在存储器120中，并由处理器110执行，以完成本申请。一个或多个模块/单元
可以是能够完成特定功能的一系列计算机程序指令段，该指令段可以用于描述计算机程序
121在终端设备中的执行过程。例如，计算机程序121可以被分割成获取模块、紫外显影模块
和解密模块，各模块具体功能如下：

[0146] 获取模块，用于获取采用隐形墨水打印的待测密码本，隐形墨水具有紫外响应性；

[0147] 紫外显影模块，用于采用紫外光照射待测密码本，获得显示有字符信息的待测样本；

[0148] 解密模块，用于将待测样本输入卷积神经网络模型中，得到与待测密码本相对应的打印信息，其中，卷积神经网络模型以训练字符为输入训练集、以训练标签为输出训练
集，通过机器学习算法训练获得。

[0149] 终端设备100可包括，但不仅限于，处理器110、存储器120。本领域技术人员可以理解，图10仅仅是服务器100的一种示例，并不构成对服务器100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，例如服务器100还可以包括输入输出
设备、网络接入设备、总线等。

[0150] 处理器110可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路
(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field‑
Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、
分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器
等。

[0151] 存储器120可以是终端设备100的内部存储单元，例如终端设备100的硬盘或内存。存储器120也可以是服务器100的外部存储设备，例如服务器100上配备的插接式硬盘，智能
存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)
等等。进一步地，存储器120还可以既包括服务器100的内部存储单元也包括外部存储设备。
存储器120用于存储计算机程序121以及终端设备100所需的其他程序和数据。存储器120还
可以用于暂时地存储已经输出或者将要输出的数据。

[0152] 本申请实施例还提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现前述各实施例的打印信息的安全输出方法。

[0153] 本申请实施例还提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行前述各实施例的打印信息的安全输出方法。

[0154] 以上仅为本申请的较佳实施例而已，并不用以限制本申请，凡在本申请的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本申请的保护范围之内。