验证码(一)

验证码(一)

 1 @RequestMapping("/image")
 2     public void image(HttpServletRequest request, HttpServletResponse response) throws IOException {
 3         request.setCharacterEncoding("utf-8");
 4 
 5         BufferedImage bfi = new BufferedImage(80, 25, BufferedImage.TYPE_INT_RGB);
 6         Graphics g = bfi.getGraphics();
 7         g.fillRect(0, 0, 80, 25);
 8 
 9         //验证码字符范围
10         char[] ch = "ABCDEFGHIJKLMNOPQRSTUVWXYZabcdefghijklmnopqrstuvwxyz0123456789".toCharArray();
11         Random r = new Random();
12         int index;
13         StringBuffer sb = new StringBuffer(); //保存字符串
14         for (int i = 0; i < 4; i++) {
15             index = r.nextInt(ch.length);
16             g.setColor(new Color(r.nextInt(255), r.nextInt(255), r.nextInt(255)));
17             Font font = new Font("宋体", 30, 20);
18             g.setFont(font);
19             g.drawString(ch[index] + "", (i * 20) + 2, 23);
20             sb.append(ch[index]);
21         }
22 
23         // 添加噪点
24         int area = (int) (0.02 * 60 * 25);
25         for (int i = 0; i < area; ++i) {
26             int x = (int) (Math.random() * 80);
27             int y = (int) (Math.random() * 25);
28             bfi.setRGB(x, y, (int) (Math.random() * 255));
29         }
30 
31         //设置验证码中的干扰线
32         for (int i = 0; i < 3; i++) {
33             //随机获取干扰线的起点和终点
34             int xstart = (int) (Math.random() * 80);
35             int ystart = (int) (Math.random() * 25);
36             int xend = (int) (Math.random() * 80);
37             int yend = (int) (Math.random() * 25);
38             g.setColor(interLine(1, 255));
39             g.drawLine(xstart, ystart, xend, yend);
40         }
41         HttpSession session = request.getSession();  //保存到session
42         session.setAttribute("verificationCode", sb.toString());
43         ImageIO.write(bfi, "JPG", response.getOutputStream());  //写到输出流
44     }
45 
46     private static Color interLine(int Low, int High) {
47         if (Low > 255)
48             Low = 255;
49         if (High > 255)
50             High = 255;
51         if (Low < 0)
52             Low = 0;
53         if (High < 0)
54             High = 0;
55         int interval = High - Low;
56         int r = Low + (int) (Math.random() * interval);
57         int g = Low + (int) (Math.random() * interval);
58         int b = Low + (int) (Math.random() * interval);
59         return new Color(r, g, b);
60     }
61 
62     @RequestMapping("/checkCode")
63     @ResponseBody
64     public Map<String,Object> checkCode(String code,HttpSession session){
65         Map<String,Object> map=new HashMap<>();
66 
67         String verificationCode = (String) session.getAttribute("verificationCode");
68         if(verificationCode.equalsIgnoreCase(code)){
69             map.put("valid",true);
70         }else{
71             map.put("valid",false);
72         }
73         return map;
74     }

 

转载于:https://www.cnblogs.com/wanerhu/p/10870772.html

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值