CN108664651A

CN108664651A - 一种图案推荐方法、装置及存储介质

Info

Publication number: CN108664651A
Application number: CN201810476296.2A
Authority: CN
Inventors: 黄志恒
Original assignee: Tencent Technology Shenzhen Co Ltd
Current assignee: Tencent Technology Shenzhen Co Ltd
Priority date: 2018-05-17
Filing date: 2018-05-17
Publication date: 2018-10-16
Anticipated expiration: 2038-05-17
Also published as: CN108664651B

Abstract

本发明实施例公开了一种图案推荐方法、装置及存储介质；本发明实施例采用显示图案绘制页面；检测用户针对图案绘制页面的绘制操作信息；根据检测到的绘制操作信息生成用户绘制图案；根据神经网络模型对用户绘制图案进行识别，得到图案识别结果；获取与图案识别结果对应的推荐图案，并显示推荐图案。该方案可以基于神经网络模型对用户绘制图案进行识别，并向用户推荐相应的图案，使得用户无需进行频繁图案绘制操作即可得到想要绘制或者美观的图案，大大节省了终端资源。

Description

一种图案推荐方法、装置及存储介质

技术领域

本发明涉及直播技术领域，具体涉及一种图案推荐方法、装置及存储介质。

背景技术

随着网络技术的不断发展，视频直播越来越受到用户的喜爱；视频直播是指利用互联网及流媒体技术进行直播，视频因融合了图像、文字、声音等丰富元素，声形并茂，效果极佳，逐渐成为互联网的主流表达方式。

在目前直播应用中提供了手绘送礼物的功能，用户可以在终端的屏幕上手绘图案，然后，终端的直播应用可以将用户手绘的图案转成礼物送给其他用户。

然而，在实际应用场景中大部分用户没有很高超的绘画功底，很难画出自己想要的或者美观的图案，因此，用户需要在屏幕上频繁地进行修改、重新绘制图案等操作，图案绘制非常繁琐，浪费了大量的终端资源。

发明内容

本发明实施例提供一种图案推荐方法、装置及存储介质，可以节省终端资源。

本发明实施例提供一种图案推荐方法，适用于终端，包括：

显示图案绘制页面；

检测用户针对所述图案绘制页面的绘制操作信息；

根据检测到的绘制操作信息生成用户绘制图案；

根据神经网络模型对所述用户绘制图案进行识别，得到图案识别结果；

获取与所述图案识别结果对应的推荐图案，并显示所述推荐图案。

本发明实施例提供一种图案推荐方法，适用于服务器，包括

获取终端发送图案识别结果，所述图案识别结果包括图案类别；

确定预设图案集合中是否存在与所述图案类别相同的预设图案类别，所述预设图案集合包括预设图案类别及其对应的预设推荐图案链接；

若存在，则从所述预设图案集合获取与所述图案类别对应的预设推荐图案链接；

向所述终端发送所述图案类别对应的预设推荐图案链接

相应的，本发明实施例还提供一种图案推荐装置，适用于终端，包括：

显示单元，用于显示图案绘制页面；

检测单元，用于检测用户针对所述图案绘制页面的绘制操作信息；

生成单元，用于根据检测到的绘制操作信息生成用户绘制图案；

识别单元，用于根据神经网络模型对所述用户绘制图案进行识别，得到图案识别结果；

图案推荐单元，用于获取与所述图案识别结果对应的推荐图案，并显示所述推荐图案。

相应的，本发明实施例还提供一种图案推荐装置，适用于服务器，包括：

结果获取单元，用于获取终端发送图案识别结果，所述图案识别结果包括图案类别；

确定单元，用于确定预设图案集合中是否存在与所述图案类别相同的预设图案类别，所述预设图案集合包括预设图案类别及其对应的预设推荐图案链接；

链接获取单元，用于当所述确定单元确定存在与所述图案类别相同的预设图案类别时，则从所述预设图案集合获取与所述图案类别对应的预设推荐图案链接；

发送单元，用于向所述终端发送所述图案类别对应的预设推荐图案链接。

相应的，本发明实施例还提供一种存储介质，所述存储介质存储有指令，所述指令被处理器执行时实现本发明实施例任一提供的方法的步骤。

本发明实施例采用显示图案绘制页面；检测用户针对图案绘制页面的绘制操作信息；根据检测到的绘制操作信息生成用户绘制图案；根据神经网络模型对用户绘制图案进行识别，得到图案识别结果；获取与图案识别结果对应的推荐图案，并显示推荐图案。该方案可以基于神经网络模型对用户绘制图案进行识别，并向用户推荐相应的图案，这样用户无需进行频繁图案绘制操作即可得到想要绘制或者美观的图案，大大节省了终端资源。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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发明的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1a是本发明实施例提供的图案推荐系统的场景示意图；

图1b是本发明实施例提供的图案推荐方法的流程示意图；

图1c是本发明实施例提供的个性化礼物绘制页面示意图；

图1d是本发明实施例提供的个性化礼物绘制示意图；

图1e是本发明实施例提供的手绘页面类图；

图1f是本发明实施例提供的卷积神经网络模型的结构示意图；

图1g是本发明实施例提供的个性化礼物推荐示意图；

图2a是本发明实施例提供的图案推荐方法的另一流程示意图；

图2b是本发明实施例提供的图案推荐方法的时序图；

图2c是本发明实施例提供的图案识别模型的工作示意图；

图2d是本发明实施例提供的后台推荐图案链接的流程示意图；

图2e是本发明实施例提供的客户端架构示意图；

图3a是本发明实施例提供的视频播放装置的第一种结构示意图；

图3b是本发明实施例提供的视频播放装置的第二种结构示意图；

图3c是本发明实施例提供的视频播放装置的第三种结构示意图；

图3d是本发明实施例提供的视频播放装置的第四种结构示意图；

图3e是本发明实施例提供的视频播放装置的第五种结构示意图；

图3f是本发明实施例提供的视频播放装置的第六种结构示意图；

图3g是本发明实施例提供的视频播放装置的第七种结构示意图；

图4a是本发明实施例提供的视频播放装置的第八种结构示意图；

图4b是本发明实施例提供的视频播放装置的第九种结构示意图；

图4c是本发明实施例提供的视频播放装置的第十种结构示意图；

图5是本发明实施例提供的终端的结构示意图；

图6是本发明实施例提供的服务器的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明实施例提供了一种图案推荐方法、装置及存储介质。

本发明实施例提供了一种图案推荐系统，该系统可以包括本发明实施例所提供的任一种适用于终端的第一图案推荐装置，以及任一种适用于服务器的第二图案推荐装置。该第一图案推荐装置可以集成在终端中。该第二图案推荐装置可以集成在网络设备中，比如，服务器等设备中。

例如，参见图1a，提供了一种图案推荐系统，该图案系统包括：终端10、服务器20以及网络30，终端10与服务器20通过网络连接。其中，网络30包括路由器、网关等等网络实体，图中并为示意出。其中，第一图案推荐装置集成在终端10中，第二图案推荐装置集成在服务器20中。

其中，终端10可以用于：显示图案绘制页面；检测用户针对图案绘制页面的绘制操作信息；根据检测到的绘制操作信息生成用户绘制图案；根据神经网络模型对用户绘制图案进行识别，得到图案识别结果；获取与图案识别结果对应的推荐图案，并显示推荐图案；获取与图案识别结果对应的推荐图案，并显示推荐图案。比如，终端10可以从服务器20获取与图案识别结果对应的推荐图案链接(即推荐图案链接地址)，并根据图案链接获取图案。

该终端10可以为手机、平板电脑、笔记本电脑、可穿戴设备等设备，图1a是以终端10为手机为例。该终端10中还可以安装有用户所需的各种应用，比如具备娱乐功能的应用(如直播应用，音频播放应用，游戏应用，阅读软件)，又如具备服务功能的应用(如地图导航应用、团购应用等)。

其中，服务器20用于为终端10提供推荐图案链接，比如，在接收到终端10发送的图案识别结果后，向终端10返回与图案识别结果对应的推荐图案链接。

譬如，当图案识别结果包括图案类别时，服务器20可以确定预设图案集合中是否存在与图案类别相同的预设图案类别，预设图案集合包括预设图案类别及其对应的预设推荐图案链接；若存在，则从预设图案集合获取与图案类别对应的预设推荐图案链接；向终端发送图案类别对应的预设推荐图案链接。

上述图1a的例子只是实现本发明实施例的一个系统架构实例，本发明实施例并不限于上述图1a所示的系统结构，基于该系统架构，提出本发明各个实施例。

在一实施例中，提供了一种图案推荐方法，可以由终端的处理器执行，如图1b所示，该图案推荐方法包括：

101、显示图案绘制页面。

其中，图案绘制页面为用于用户手动绘制图案的页面，在显示图案绘制页面后，用户可以在该页面上通过滑动操作绘制相应的图案。

以直播应用为例，参考图1c，该图案绘制页面可以为直播应用中的“个性礼物绘制页面”，用户可以在该页面上手工绘制个性化礼物图案，以便后续赠送给其他直播用户如主播等。

其中，图案绘制页面可以包括图案绘制区域(可以根据实际需求设定)，例如，页面的中间区域等，用户可以在图案绘制区域内绘制图案如礼物图案等。比如，用户可以在“个性礼物绘制页面”的中间区域绘制心型礼物图案等。

在一实施例中，可以接收图案绘制指令，根据图案绘制指令显示图案绘制页面。该图案绘制指令的触发方式可以有多种，比如，可以当检测针对终端的特定操作时，触发图案绘制指令。譬如，当检测到用户摇动终端时，触发图案绘制指令等。

又比如，可以在直播页面上设图案绘制接口，当检测到针对图案绘制接口的操作时，触发图案绘制指令。

其中，图案绘制接口的表现形式有多种，比如，可以为按钮、图标、输入框等形式。

例如，参考图1c，在直播页面的底部设置了“礼物”图标，当检测到用户点该“礼物”图标时，触发图案绘制指令，此时，终端根据图案绘制指令显示图案绘制页面，以供用户绘制礼物图案。

102、检测用户针对图案绘制页面的绘制操作信息。

其中，用户针对图案绘制页面的绘制操作为在图案绘制页面上用户绘制图案的操作，该绘制操作可以包括多种，比如，滑动操作、按压操作、点击操作。等等

比如，用户可以通过手指在图案绘制页面上滑动绘制所需的图案，又比如，用户可以通过手指在图案绘制页面上连续点击或者按压绘制所需的图案。

例如，以直播应用为例，参考图1d，用户通过手指可以在直播应用中的“个性礼物绘制页面”上滑动绘制心型礼物图案。

其中，绘制操作信息可以包括：绘制操作在屏幕或者图案绘制页面中的操作位置信息，比如，绘制操作信息可以包括绘制操作的轨迹信息(也即位置变化信息)；譬如，当绘制操作为滑动操作时，绘制操作信息可以包括滑动轨迹信息等等。

本发明实施例中，可以通过系统的操作信息检测组件来检测用户针对图案绘制页面的绘制操作信息，并保存该绘制操作信息。

103、根据检测到的绘制操作信息生成用户绘制图案。

比如，可以根据绘制操作的轨迹信息生成相应的图案，该图案即为用户的用户绘制图案。

在一实施例中，当检测到针对图案绘制页面的绘制操作停止或者终止时，可以将生成的用户绘制图案以位图(Bitmap)的形式保证在存储单元中，如保存在内存中。

在一实施例中，通过图案绘制组件创建画布(Canvas)区域、并获取检测到的绘制操作信息；通过路径绘制组件基于检测到的绘制操作信息在画布区域中绘制相应的图案，得到用户绘制图案。

其中，图案绘制组件和路径绘制组件可以由系统提供，比如，图案绘制组件可以为安卓系统中的SketchDrawView；路径绘制组件可以为安卓系统中的PathDrawer。

比如，参考图1e，SketchDrawView创建布Canvas区域，并获取检测到的绘制操作信息(如轨迹信息)，然后，SketchDrawView使用PathDrawer根据绘制操作信息在Canvas区域中绘制相应的图案，便可以得到用户绘制图案。当检测到用户停止图案绘制(如检测到用户的手指离开图案绘制页面等)时，则将Canvas区域中的图形保存为Bitmap并存储在内存中。

104、根据神经网络模型对用户绘制图案进行识别，得到图案识别结果。

其中，图案识别结果可以包括图案类别，图案类别可以根据实际需求划分，比如，根据形状可以划分成心形图案、圆形图案、矩形图案等等。

其中，神经网络模型可以根据实际需求选择，比如可以为卷积神经网络(CNN，Convolutional Neural Network)等。

本发明实施例中，神经网络模型为经过训练后的神经网络模型。比如，可以基于谷歌Tensorflow平台训练而成的神经网络模型。

以神经网络为卷积神经网络(CNN，Convolutional Neural Network)为例，则如图1f所示，该结构可以包括多个卷积层(Convolution)卷积层对应的下采样层、和一个全连接层(FC，Fully Connected Layers)，如下：

卷积层：主要用于对输入的图像(比如训练样本或需要识别的图像)进行特征提取(即将原始数据映射到隐层特征空间)，其中，卷积核大小可以根据实际应用而定，比如，以四个卷积层为例，从第一层卷积层至第四层卷积层的卷积核大小依次可以为(7，7)，(5，5)，(3，3)，(3，3)；可选的，为了降低计算的复杂度，提高计算效率，这四层卷积层的卷积核大小也可以都设置为(3，3)。

可选的，为了提高模型的表达能力，还可以通过加入激活函数来加入非线性因素，在本发明实施例中，该激活函数均为“relu(线性整流函数，Rectified Linear Unit)”，而填充(padding，指属性定义元素边框与元素内容之间的空间)方式均为“same”，“same”填充方式可以简单理解为以0填充边缘，左边(上边)补0的个数和右边(下边)补0的个数一样或少一个。

可选的，为了进一步减少计算量，还可以每个卷积层后面或者任意两个卷积层之间加入下采样(pooling)操作，该下采样操作与卷积的操作基本相同，只不过下采样的卷积核为只取对应位置的最大值(max pooling)或平均值(average pooling)等，下采样操作所在层称为下采样层，也可称为池化层(pool)。

需说明的是，为了描述方便，在本发明实施例中，将激活函数所在层和下采样层(也称为池化层)均归入卷积层中，应当理解的是，也可以认为该结构包括卷积层、激活函数所在层、下采样层(即池化层)和全连接层，当然，还尅包括用于输入数据的输入层和用于输出数据的输出层，在此不作赘述。

全连接层：可以将学到的“分布式特征表示”映射到样本标记空间，其在整个卷积神经网络中主要起到“分类器”的作用，全连接层的每一个结点都与上一层(如卷积层中的下采样层)输出的所有结点相连，其中，全连接层的一个结点即称为全连接层中的一个神经元，全连接层中神经元的数量可以根据实际应用的需求而定。与卷积层类似，可选的，在全连接层中，也可以通过加入激活函数来加入非线性因素，比如，可以加入激活函数sigmoid(S型函数)。

基于上述的神经网络模型的结构，步骤“根据神经网络模型对用户绘制图案进行识别，得到图案识别结果”，可以包括：

将用户绘制图案作为当前卷积层的待处理对象；

在当前卷积层对待处理对象进行卷积处理，并将卷积处理结果输入至当前卷积层的下采样层；

在下采样层对卷积处理结果进行下采样操作，得到采样结果；

当存在剩余卷积层时，将当前卷积层的下一卷积层更新为当前卷积层，并将采样结果更新为当前待处理对象

返回执行在当前卷积层对待处理对象进行卷积处理的步骤，直到神经网络模型中所有卷积层均完成卷积为止；

当不存在剩余卷积层时，将当前的采样结果输入至全连接层，并在全连接层对当前的采样结果进行分类识别，得到图案识别结果。

例如，以两个卷积层为例，可以将用户绘制图案输入至第一个卷积层作卷积处理，然后，在第一个下采样层对第一个卷积层的输出结果进行下采样操作，当存在剩余卷积层(此时还存在第二个卷层)时，将下采样操作结果输入至第二个卷积层作卷积层，在第二个下采样层对第二个卷积层的输出结果进行下采样操作，当不存在剩余卷积层(此时两个卷积层均以遍历完成)时，将采样结果输入至全连接层进行分类，得到图案的识别结果如图案类别。

本发明实施例中，为了减少识别计算量、提升识别效率，还可以在识别图案之前还可以对用户绘制图案进行预处理，比如，可以对尺寸和像素值进行预处理。比如，本发明实施例方法在对用户绘制图案进行识别之前，还可以包括：

对用户绘制图案进行尺寸调整，得到调整后用户绘制图案；

对调整后用户绘制图案中像素点的像素值进行预处理。

例如，可以将用户绘制图案的尺寸调整为228*228pixel，具体地可以获取到用户绘制图案的每个像素点，并将像素点存储在228*228的矩阵pixels中。

其中，对像素值的处理可以包括将每个像素点的像素值设置在一个标准值范围内，该标准值范围可以根据实际需求设定。

实际应用中，基于神经网络模型识别图案可以由Tensorflow编程系统来实现。比如，SketchDrawView将用户绘制图案保存为位图Bitmap后，终端可以对用户绘制图案进行预处理如尺寸调节以及像素值处理，然后预处理后用户绘制图案输入至Tensorflow，Tensorflow可以基于训练后的神经网络模型对该用户绘制图案进行识别，得到图案识别结果。此时，Tensorflow还可以将识别结果拷贝到输出队列中，当识别结束后，Tensorflow返回识别结果。

本发明实施例中，对用户绘制图案的识别可以在终端侧执行，比如，在终端侧保存有神经网络模型，可以利用本地的神经网络模型进行图案识别。当然，对用户绘制图案的识别也可以在网络侧执行，比如，由网络侧服务器执行；譬如，终端向服务器发送用户绘制图案，由服务器基于神经网络模型进行图案识别，并将识别结果返回给终端。

105、获取与图案识别结果对应的推荐图案，并显示推荐图案。

比如，当图案识别结果为心型图案时，可以获取与心型图案对应或者关联的推荐图案。该推荐图案可以是专业绘图人员绘制的图案，或者网络中比较热门的图案。

其中，推荐图案可以由至少一个基本图形构成，该基本图形可以根据实际需求设定，比如，可以为圆形、矩形、雪花图形、星星图像。

其中，获取推荐图案的方式可以有多种，如下：

在一实施例中，可以从本地存储中获取与图案识别结果对应的推荐图案，比如，终端侧设置有推荐图案数据库，当获取图案识别结果后，可以基于图案识别结果从图案数据库中获取相应的推荐图案。

可选地，为了节省终端的存储空间，还可以在终端预先保存图案链接，然后，得到图案识别结果后，可以从预先保存的图案链接中获取与图案识别结果对应的推荐图案链接，终端可以根据获取到的推荐图案链接获取相应的推荐图案。

其中，推荐图案链接即为推荐图案的链接地址，如图案的URL(Uniform ResourceLocator，统一资源定位符)等。

在一实施例中，还可以从网络侧如服务器获取与图案识别结果对应的推荐图案，比如，终端可以向服务器发送图案识别结果，然后，接收服务器返回的与图案识别结果对应的推荐图案。

可选地，为了提升推荐图案获取速度，还可以从网络侧如服务器获取与图案识别结果对应的推荐图案链接，然后，终端根据推荐图案链接获取相应的推荐图案。也即，步骤“获取与图案识别结果对应的推荐图案”，可以包括：

向服务器发送图案识别结果；

接收服务器返回的与图案识别结果对应的推荐图案链接；

根据推荐图案链接获取相应的推荐图案。

其中，推荐图案链接即为推荐图案的链接地址，如图案的URL(Uniform ResourceLocator，统一资源定位符)等。例如，终端可以根据推荐图案链接从相应的图案存储服务器下载推荐图案。

本发明实施例中，终端获取到推荐图案之后，并显示推荐图案，以便用户选择，此时，用户可以选择推荐图案或者自己绘制的图案即用户绘制图案。

例如，以直播应用为例，参考图1c、图1d以及图1g，当用户在个性礼物绘制页面手动绘制心型图案时，终端将会通过上述步骤101-105得到心型图案对应的推荐礼物图案，并显示在当前绘制页面，如显示在当前绘制页面的推荐图案显示区域，该区域可以根据实际需求设定，比如，可以为位于页面的侧部等。此时，用户可以选择推荐礼物图案或者自己绘制的礼物图案。

在一实施例中，在得到图案识别之后，还可以将当前用户绘制图案作为模型的新训练样本对模型进行训练，以更新模型提升识别准确性。比如，终端可以将用户绘制图案上传至服务器，以便服务器将该用户绘制图案作为神经网络模型的新训练样本，并基于新训练样本对神经网络模型进行训练，以更新终端侧的神经网络模型。比如，当应用更新(如版本更新)时，可以将最新的神经网络模型发送给终端，终端根据最新的神经网络模型进行模型更新。通过该机制可以使得图案识别模型如神经网络模型具有良好的进化能力，能够不断的准确识别用户新的用户绘制图案，为用户推荐更加精确的图案。

在一实施例中，为了提升图案推荐的成功率以及用户体验，当基于神经网络模型对用户绘制图案识别失败时，还可以从历史推荐图案中选取相应的图案进行显示。比如，当对用户绘制图案识别失败时，获取用户标识对应的历史推荐图案；根据历史推荐图案的使用频率从历史推荐图案中选取目标推荐图案，并显示目标推荐图案。

其中，用户标识用于在图案推荐系统中唯一标识用户身份，比如，在直播应用中，该用户标识可以为直播账号等，又比如，在即时通讯应用中，该用户标识可以为即时通讯标识。

其中，历史推荐图案的使用频率可以为在历史时间段内历史推荐图案被用户选择使用的频率。

本发明实施例中，可以在识别失败时，基于历史推荐图案的使用频率选取目标推荐图案，比如，可以选取使用频率最大的或者前几的历史推荐图案显示。

在一实施例中，还可以显示用户绘制图案，为了提升用户体验，该用户绘制图案可以由基本图形构成。也即，本发明实施例方法还可以包括：在所述图案绘制页面显示所述用户绘制图案，所述用户绘制图案由至少一个基本图形构成。

其中，基本图形可以根据实际需求设定，比如，可以为圆形、矩形、雪花图形、星星图像。例如，参考图1c，在礼物绘制页面上显示由圆形构成的心型图案。

在实际应用中，使用基本图形构建图案需要消耗一些虚拟资源，其中，该虚拟资源可以虚拟金币、点劵、金钱等。比如，消耗金币等。例如，在直播应用中，使用一个雪花图形需要消耗2个金币。

其中，构成用户绘制图案所需的基本图形数量可以由用户设定，也可由系统自动设定。比如，可以根据绘制操作信息确定基本图形数量等等。

在一实施例中，为减轻图案识别和推荐的压力，可以基于图案消耗的虚拟资源来设置一个限制条件，比如，用户绘图案消耗的虚拟资源总量大于某个阈值时才进行图案识别和推荐。也即，本发明实施例图案推荐方法还包括：

获取构成所述用户绘制图案的基本图形数量；

根据所述基本图形数量获取所述用户绘制图案消耗的虚拟资源总量；

当所述虚拟资源总量大于预设阈值时，执行根据神经网络模型对所述用户绘制图案进行识别的步骤。

例如，以直播中绘制礼物，且基本图形为雪花图形为例，假设用户在礼物绘制页面手绘心形图案，可以获取构成手绘制图案的雪花图形数量为10个，每个雪花图形消耗2个虚拟金币，此时，手绘心形图案需要消耗的总金币数量为10*2＝20。假设，预设阈值为18，此时，手绘心形图案消耗的总金币数量大于预设阈值，那么便会执行根据神经网络模型对所述用户绘制图案进行识别的步骤，以及后续图案推荐步骤。

在一实施例中，基本图形可以由用户选定，比如，用户手绘图案之前可以先设定构成图案的基本图形，如雪花图形、星星图形等等。用户在绘制页面上执行绘制操作时，终端可以在绘制页面上显示由选定的基本图形构成的手绘图案。

然而，考虑到每个用户的虚拟资源剩余量是有限的，如果当前手绘图案消耗的虚拟资源总量大于剩余量时，那么可能会导致手绘图案发送失败，用户需要重新选定基本图形以及重新绘制图案，浪费终端资源。例如，以直播中送礼物为例，当手绘礼物图案消耗的金币数量大于用户账号剩余金币数量时，会导致手绘礼物送不出去，即失败，用户需要重新选定金币消耗小的基本图形，并重新绘制礼物图案。

因此，为了避免上述情况，节省终端资源，在一实施例中，可以在虚拟资源不够的情况下，自动替换基本图形。比如，本发明实施例图案推荐方法还可以包括：

确定用户选定的构成绘制图案的基本图形；

根据所述基本图形在所述图案绘制页面显示所述用户绘制图案，所述用户绘制图案由至少一个基本图形构成；

获取当前构成所述用户绘制图案的基本图形数量；

根据所述基本图形数量获取所述用户绘制图案当前消耗的虚拟资源总量；

当所述虚拟资源总量大于用户标识的虚拟资源剩余量时，根据所述虚拟资源剩余量和所述基本图形数量从候选基本图形中选取目标基本图形；

将显示的用户绘制图案中的基本图形替换为所述目标基本图形。

其中，根据虚拟资源剩余量和基本图形数量选取基本图形的方式有多种，比如，在一实施例中，可以根据虚拟资源剩余量和基本图形数量计算出单个基本图形消耗的最大虚拟资源量，然后，根据候选基本图形消耗的虚拟资源量以及该最大虚拟资源量选取目标基本图形。

例如，假设虚拟资源剩余量为p，基本图形数量为q，此时，单个基本图形消耗的最大虚拟资源量f＝p/q，其中，p为正数，q为正整数。

在一实施例中，可以选取虚拟资源量小于最大虚拟资源量的候选基本图形作为目标基本图形。

例如，以在直播中绘制礼物，且基本图形为雪花图形为例，假设用户在礼物绘制页面手绘心形图案，可以获取构成手绘制图案的雪花图形数量为10个，每个雪花图形消耗2个虚拟金币，此时，手绘心形图案需要消耗的总金币数量为10*2＝20。假设，用户直播账号的剩余金币数量为17，此时，手绘心形图案消耗的总金币数量大于剩余金币数量，那么便会根据剩余金币和图形数量确定单个基本图形消耗的最大金币数量为1.7，此时，可以从候选基本图形中选取金币消耗小于或等于1.7的基本图形来替换之前的雪花图形，比如，单个星星图形消耗1个金币，此时，可以选取星星图形替换之前的雪花图形。

在一实施例中，为了能够提升图案推荐的精准性，可以向服务器发送图案相关信息，比如，图案消耗信息等，以便服务器可以向终端精准推荐相应的图案。其中，图案消耗信息可以包括用户绘制图案消耗的基本图形数量和/或虚拟资源总量等。具体地，本发明实施例方法还可以包括：

在所述图案绘制页面显示所述用户绘制图案，所述用户绘制图案由至少一个基本图形构成；

获取构成所述用户绘制图案的基本图形数量；

向所述服务器发送图案消耗信息，所述图案消耗信息包括所述虚拟资源总量和/或所述基本图形数量。

服务器接收到图案消耗信息之后，可以根据图案消耗信息选取相应的推荐图案或推荐图案链接发送给终端。比如，可以向终端推荐基本图形数量与手绘图案相同的推荐图案或推荐图案链接等。又比如，可以向终端推荐消耗的虚拟资源总量与手绘图案相同的推荐图案或推荐图案链接等。

由上可知，本发明实施例采用显示图案绘制页面；检测用户针对图案绘制页面的绘制操作信息；根据检测到的绘制操作信息生成用户绘制图案；根据神经网络模型对用户绘制图案进行识别，得到图案识别结果；获取与图案识别结果对应的推荐图案，并显示推荐图案。该方案可以基于神经网络模型对用户绘制图案进行识别，并向用户推荐相应的图案，这样用户无需进行频繁图案绘制操作即可得到想要绘制或者美观的图案，大大节省了终端资源。

根据上述实施例所描述的方法，以下将举例作进一步详细说明。

在一实施例中，将以第一图案推荐装置集成在终端为例，来详细说明本发明的图案推荐方法。

如图2a和图2b所示，图案推荐方法的具体流程可以如下：

201、终端显示图案绘制页面。

比如，终端可以接收图案绘制指令，根据图案绘制指令显示图案绘制页面。例如，参考图1c，在直播页面的底部设置了“礼物”图标，当检测到用户点该“礼物”图标时，触发图案绘制指令，此时，终端根据图案绘制指令显示图案绘制页面，以供用户绘制礼物图案。

202、终端检测用户针对图案绘制页面的绘制操作信息。

203、终端根据检测到的绘制操作信息生成用户绘制图案。

比如，终端通过图案绘制组件创建画布(Canvas)区域、并获取检测到的绘制操作信息；通过路径绘制组件基于检测到的绘制操作信息在画布区域中绘制相应的图案，得到用户绘制图案。

在一实施例中，终端还可以在图案绘制页面显示用户绘制图案，该用户绘制图案可以由至少一个基本图形构成。其中，基本图形可以根据实际需求设定，比如，可以为圆形、矩形、雪花图形、星星图像。其中，基本图形的类型可以由用户选择，或者系统自动设定，比如，用户可以选择雪花图形构成用户绘制图案等等。

204、终端根据训练后的神经网络模型对用户绘制图案进行识别，得到图案识别结果。

其中，神经网络模型可以根据实际需求选择，比如可以为卷积神经网络(CNN，Convolutional Neural Network)等。神经网络模型具体的结构可以参考上述的描述。

比如，终端可以对用户绘制图案进行预处理，然后，预处理后用户绘制图案输入至训练后的神经网络模型。其中，图案的预处理过程可以包括：终端对用户绘制图案进行尺寸调整，得到调整后用户绘制图案；对调整后用户绘制图案中像素点的像素值进行预处理。

例如，可以将用户绘制图案的尺寸调整为228*228pixel，具体地可以获取到用户绘制图案的每个像素点，并将像素点存储在228*228的矩阵pixels中。然后，将每个像素点的像素值设置在一个标准值范围内。

其中，图案识别过程如下：

将预处理用户绘制图案作为当前卷积层的待处理对象；

例如，以两个卷积层为例，可以将预处理后用户绘制图案输入至第一个卷积层作卷积处理，然后，在第一个下采样层对第一个卷积层的输出结果进行下采样操作，当存在剩余卷积层(此时还存在第二个卷层)时，将下采样操作结果输入至第二个卷积层作卷积层，在第二个下采样层对第二个卷积层的输出结果进行下采样操作，当不存在剩余卷积层(此时两个卷积层均以遍历完成)时，将采样结果输入至全连接层进行分类，得到图案的识别结果如图案类别。

本发明实施例中，基于神经网络模型识别图案可以由Tensorflow组件来实现。比如，参考图2c，图案识别流程可以如下：

S1、根据配置参数将用户绘制图案的像素值预处理为标准像素值。

比如，可以通过Bitmap.getixels函数对像素值进行预处理。

S2、将预处理后图案拷贝到Tensorflow组件中。

比如，通过TensorFlowferenceInterface.feed函数将图案数据拷贝至ensorflow组件

S3、通过Tensorflow组件启动训练后的神经网络模型对预处理后图案进行识别。

比如，通过TensorFlowferenceInterface.run函数启动训练后的神经网络模型对预处理后图案进行识别。

S4、Tensorflow组件将识别结果拷贝到输出队列中。

比如，通过TensorFlowferenceInterface.fetch函数将识别结果拷贝到输出队列中

S5、当识别结束时，返回识别结果。

比如，调用Return recognitions函数返回识别结果。

205、终端向服务器发送图案识别结果。

206、服务器向终端返回该图案识别结果对应的推荐图案链接。

其中，图案识别结果包括图案类别，比如，心型图案等。

此时，服务器返回推荐推荐图案链接的流程如下：

确定预设图案集合中是否存在与图案类别相同的预设图案类别，预设图案集合包括预设图案类别及其对应的预设推荐图案链接；

若存在，则从预设图案集合获取与图案类别对应的预设推荐图案链接；

向终端发送图案类别对应的预设推荐图案链接。

在一实施例中，在获取与图案列表对应的预设推荐图案链接后，还可以根据预设选取规则从预设推荐图案链接中选取相应的链接返回给终端。

其中，预设选取规则可以根据实际需求设定。比如，当获取多个预设推荐图案链接，得到链接集合时，可以选取集合中前几个如前2个预设推荐链接返回给终端。

在一实施例中，当服务器接收到终端发送的图案消耗信息的情况下，还可以基于图案消耗信息从图案类别对应的预设推荐图案链接中选取推荐图案链接发送给终端，其中，图案消耗信息可以包括用户绘制图案消耗的基本图形数量和/或者虚拟资源总量。

具体地，服务器可以根据所述图案消耗信息从与所述图案类别对应的预设推荐图案链接中，选取目标推荐图案链接；向所述终端发送所述目标推荐图案链接。

比如，服务器获取图案类别对应的预设推荐图案链接，得到链接集合；然后，获取链接集合中链接对应的预设推荐图案的图案消耗信息，然后，基于预设推荐图案的消耗信息以及用户绘制图案的消耗信息来选取相应的推荐图案链接。

在一实施例中，服务器可以根据用户绘制图案消耗的基本图形数量选取推荐图案链接。具体地，可以根据用户绘制图案消耗的基本图形数量、以及图案类别对应的预设推荐图案消耗的基本图形数量，选取推荐图案链接。

例如，服务器可以选取与用户绘制图案消耗的基本图形数量相同的推荐图案链接，或者，选取小于用户绘制图案消耗的基本图形数量的推荐图案链接等等，具体可以根据实际需求设定。

在一实施例中，服务器可以根据用户绘制图案消耗的虚拟资源总量选取推荐图案链接。具体地，可以根据用户绘制图案消耗的虚拟资源总量、以及图案类别对应的预设推荐图案消耗的虚拟资源总量，选取推荐图案链接。

例如，服务器可以选取与用户绘制图案消耗的虚拟资源总量相同的推荐图案链接，或者，选取小于用户绘制图案消耗的虚拟资源总量的推荐图案链接等等，具体可以根据实际需求设定。

在一实施例中，服务器可以根据用户绘制图案消耗的基本图形数量和虚拟资源总量选取推荐图案链接。具体地，可以根据用户绘制图案消耗的基本图形数量、虚拟资源总量、以及图案类别对应的预设推荐图案消耗的基本图形数量、虚拟资源总量，选取推荐图案链接。

例如，服务器可以选取与用户绘制图案消耗的基本图形数量、虚拟资源总量相同的推荐图案链接，或者，选取小于用户绘制图案消耗的虚拟资源总量，但与用户绘制图案消耗的基本图形数量相同的推荐图案链接等等，具体可以根据实际需求设定。

在一实施例中，为了提升图案推荐的成功率以及用户体验，当预设图案集合中不存在与图案类别相同的预设图案类别时，服务器可以在预设图案集合中添加图案类别，并向终端发送默认推荐链接。其中，默认推荐链接可以根据实际需求设定，比如，可以为用户常用的图案的链接等等。

在一实施例中，当预设图案集合中存在用户绘制图案的类别，但不存在对应的链接时，可以对该图案类别进行计数，当计数值达到预设值时可以向预设通讯标识如邮件账号对应的终端发送图案绘制申请信息，以请求相应的用户如设计师绘制该图案类别的推荐图案。

比如，本发明实施例中，当预设图案集合存在图案类别，且不存在与图案类别对应的预设推荐图案链接时，对图案类别的计数加一，并向终端发送默认推荐链接；

当图案类别的计数值大于预设阈值时，向预设通讯标识对应的终端发送图案类别对应的图案绘制申请信息。

其中，预设通讯标识可以包括邮箱账号、即时通讯账号、手机号码等等。例如，当该图案类别达到预设阈值时，可以向预设邮箱账号发送图案绘制申请邮件，以便该账号的用户绘制该图案类别的推荐图案。

比如，本发明实施例中，后台服务器将图案识别结果作为关键字查询自身数据库，如果数据库有该关键字的内容，并且有推荐图案链接，那么就返回前两个推荐图案链接。如果没有查询到该识别结果关键字，那么就新建该识别结果的条目并计数。当查询计数超过预设阈值如1000个时，就向设计师发送邮件，申请绘制该条目的推荐图案。后台服务器推荐图案算法伪码如下所示：

if数据库命中识别结果：

if数据库中有该识别结果的推荐图案链接:

返回同类的前两个图案链接；

该识别结果计数+1

return；

else if数据库中没有该识别结果的推荐图案链接:

该识别结果计数+1

If该识别结果计数>预设阈值(如1000)：

向设计师发送邮件要求绘制该识别结果推荐图案

return

else if数据库没有命中识别结果:

存储该识别结果

return。

比如，参考图2d，上述服务器的推荐链接算法流程可以如下：

S21、接收识别结果，该识别结果包括图案类别。

S22、确定图案推荐数据库中是否存在与该图案类别相同的预设图案类别。若是，则执行步骤S23，若否，则执行S26。

S23、确定该图案类别是否有对应的推荐图案链接，若是，则执行步骤S24，若否，则执行步骤S27。

S24、从图案类别对应的推荐图案链接中选取相应的推荐图案链接。

比如，选择前2个推荐图案链接等。

S25、向终端返回选取的推荐图案链接。

S26、在图案推荐数据库中新建该图案类别，并执行步骤S30。

比如，在该数据中新建该图案类别的条目等。

S27、将该图案类别的计数加1。

在一实施例中，还计数加1后，并跳转执行步骤S30。

S28、判断该图案类别的计数值是否大于预设阈值，若是，则执行步骤S29，若否，则执行步骤S30。

其中，预设阈值可以根据实际需求设定，比如，可以为1000等。

S29、向预设通讯账号对应的终端发送该图案类别的推荐图案申请信息。

例如，当该图案类别的查询计数值大于预设阈值如1000时，可以向设计师发送邮件，申请绘制该图案类别条目的推荐图案。

S30、向终端返回默认推荐图案链接。

207、终端根据推荐图案链接获取相应的推荐图案，并显示该推荐图案。

本发明实施例中，终端接收到后台返回过来的推荐图案链接之后可以加载推荐图案。加载推荐图案成功之后向用户展示。如果加载推荐图案失败则不展示任何内容。

在显示推荐图案之后，用户便可以自由选择推荐或者自己绘制的图案。

此外，终端还可以将当前用户绘制图案上传至服务器，以便服务器将该用户绘制图案作为神经网络模型的新训练样本，并基于新训练样本对神经网络模型进行训练，以更新终端侧的神经网络模型。比如，当应用更新(如版本更新)时，可以将最新的神经网络模型发送给终端，终端根据最新的神经网络模型进行模型更新。通过该机制可以使得图案识别模型如神经网络模型具有良好的进化能力，能够不断的准确识别用户新的用户绘制图案，为用户推荐更加精确的图案。

本发明实施例提供的第一图案推荐装置可以集成在各种客户端，适用于多种应用场景，比如，可以集成直播客户端，为直播提供个性化礼物图案推荐。其中，直播客户端的架构可以参考图2e，可以包括：

图案绘制组件如终端系统中的SketchDrawView，用于创建画布(Canvas)区域；

路径绘制组件如终端系统中的PathDrawer，用于根据绘制操作信息生成用户绘制图案；

图像组件，用于显示图案，比如，推荐图案或者用户绘制图案等；

Canvas画布，用于承载绘制图案；

画笔组件如终端系统中的Paint，用于设置图案的样式，如线条样式、轨迹样式等；

图案识别组件如Tensorflow，用于采用神经网络模型对图案进行识别；

图像加载组件如终端系统中的ImageLoader，用于根据图案链接地址加载图案。

由上可知，本发明实施例采用显示图案绘制页面；检测用户针对所述图案绘制页面的绘制操作信息；根据检测到的绘制操作信息生成用户绘制图案；根据神经网络模型对所述用户绘制图案进行识别，得到图案识别结果；获取与所述图案识别结果对应的推荐图案，并显示所述推荐图案。该方案可以基于神经网络模型对用户绘制图案进行识别，并向用户推荐相应的图案，这样用户无需进行频繁图案绘制操作即可得到想要绘制或者美观的图案，大大节省了终端资源以及提升了用户体验。

为了更好地实施以上方法，本发明实施例还提供一种图案推荐装置，该视图案推荐装置可以适用于终端，也即上述第一图案推荐装置。如图3a所示，该图案推荐装置可以包括：显示单元301、检测单元302、生成单元303、识别单元304以及推荐单元305，如下：

显示单元301，用于显示图案绘制页面；

检测单元302，用于检测用户针对所述图案绘制页面的绘制操作信息；

生成单元303，用于根据检测到的绘制操作信息生成用户绘制图案；

识别单元304，用于根据神经网络模型对所述用户绘制图案进行识别，得到图案识别结果；

推荐单元305，用于获取与所述图案识别结果对应的推荐图案，并显示所述推荐图案。

在一实施例中，参考图3b，所述推荐单元305可以包括：推荐图案获取子单元3051，以及显示子单元3052；

推荐图案获取子单元3051，用于向服务器发送所述图案识别结果；接收所述服务器返回的与所述图案识别结果对应的推荐图案链接；根据所述推荐图案链接获取相应的推荐图案；

显示子单元3052，用于显示所述推荐图案。

在一实施例中，参考图3c，还可以包括预处理单元306；

所述预处理单元306，用于：

对所述用户绘制图案进行尺寸调整，得到调整后用户绘制图案；

对调整后用户绘制图案中像素点的像素值进行预处理。

在一实施例中，生成单元303可以具体用于：

通过所述图案绘制组件创建画布区域、并获取检测到的绘制操作信息；

通过路径绘制组件基于检测到的绘制操作信息在所述画布区域中绘制相应的图案，得到用户绘制图案。

在一实施例中，所述神经网络模型包括：卷积层、下采样层以及全连接层；参考图3d，所述识别单元304可以具体包括：

根据神经网络模型对所述用户绘制图案进行识别，得到图案识别结果，包括：

对象确定子单元3041，用于将所述用户绘制图案作为当前卷积层的待处理对象；

卷积子单元3042，用于在当前卷积层对所述待处理对象进行卷积处理，并将卷积处理结果输入至所述当前卷积层的下采样层；

采样子单元3043，用于在所述下采样层对所述卷积处理结果进行下采样操作，得到采样结果；

更新子单元3044，用于当存在剩余卷积层时，将所述当前卷积层的下一卷积层更新为当前卷积层，并将所述采样结果更新为所述当前待处理对象；触发卷积子单元3042执行在当前卷积层对所述待处理对象进行卷积处理的步骤，直到所述神经网络模型中所有卷积层均完成卷积为止；

分类子单元3045，用于当不存在剩余卷积层时，将当前的采样结果输入至全连接层，并在所述全连接层对当前的采样结果进行分类识别，得到图案识别结果。

在一实施例中，参考图3e，图案推荐装置还可以包括：失败处理单元307；

所述失败处理单元307，可以用于：

当所述识别单元304对用户绘制图案识别失败时，获取用户标识对应的历史推荐图案；

根据历史推荐图案的使用频率从历史推荐图案中选取目标推荐图案，并显示目标推荐图案。

在一实施例中，参考图3f，图案推荐装置还可以包括：资源统计单元308；

所述资源统计单元308，用于：

获取构成所述用户绘制图案的基本图形数量；

根据所述基本图形数量获取所述用户绘制图案消耗的虚拟资源总量；所述识别单元304，具体用于当所述虚拟资源总量大于预设阈值时，根据神经网络模型对所述用户绘制图案进行识别。

在一实施例中，参考图3g，图案推荐装置还可以包括：资源统计单元308和图案替换单元309；

所述资源统计单元308，用于：

确定用户选定的构成绘制图案的基本图形；

获取当前构成所述用户绘制图案的基本图形数量；

所述图案替换单元309，用于：

所述资源统计单元308，用于：

获取构成所述用户绘制图案的基本图形数量；

以上各单元的执行的步骤可以参考上述方法实施例的描述。

具体实施时，以上各个单元可以作为独立的实体来实现，也可以进行任意组合，作为同一或若干个实体来实现，以上各个单元的具体实施可参见前面的方法实施例，在此不再赘述。

该图案推荐装置具体可以集成在终端中，比如，可以以客户端的形式集成在终端中，该终端可以为手机、平板电脑等设备。

由上可知，本发明实施例图案推荐装置通过显示单元301显示图案绘制页面；由检测单元302检测用户针对所述图案绘制页面的绘制操作信息；由生成单元303根据检测到的绘制操作信息生成用户绘制图案；由识别单元304根据神经网络模型对所述用户绘制图案进行识别，得到图案识别结果；由推荐单元305获取与所述图案识别结果对应的推荐图案，并显示所述推荐图案。该方案可以基于神经网络模型对用户绘制图案进行识别，并向用户推荐相应的图案，这样用户无需进行频繁图案绘制操作即可得到想要绘制或者美观的图案，大大节省了终端资源。

为了更好地实施以上方法，本发明实施例还提供另一种图案推荐装置，该视图案推荐装置可以适用于服务器，也即上述第二图案推荐装置。如图4a所示，该图案推荐装置可以包括：结果获取单元401、确定单元402、链接获取单元403、以及发送单元404，如下：

结果获取单元401，用于获取终端发送图案识别结果，所述图案识别结果包括图案类别；

确定单元402，用于确定预设图案集合中是否存在与所述图案类别相同的预设图案类别，所述预设图案集合包括预设图案类别及其对应的预设推荐图案链接；

链接获取单元403，用于当所述确定单元402确定存在与所述图案类别相同的预设图案类别时，则从所述预设图案集合获取与所述图案类别对应的预设推荐图案链接；

第一发送单元404，用于向所述终端发送所述图案类别对应的预设推荐图案链接。

在一实施例中，参考图4b，图案推荐装置还可以包括：

第二发送单元405，用于当所述确定单元402确定所述预设图案集合中不存在与所述图案类别相同的预设图案类别时，在所述预设图案集合中添加所述图案类别，并向终端发送默认推荐链接；

第三发送单元406，用于当所述预设图案集合存在所述图案类别，且不存在与所述图案类别对应的预设推荐图案链接时，对所述图案类别的计数加一，并向终端发送默认推荐链接；

图案申请单元407，用于当所述图案类别的计数值大于预设阈值时，向预设通讯标识对应的终端发送所述图案类别对应的图案绘制申请信息。

在一实施例中，参考图4c，图案推荐装置还可以包括接收单元408；

所述接收单元408，用于接收终端发送的图案消耗信息，所述图案消耗信息包括用户绘制图案消耗的基本图形数量和/或者虚拟资源总量；

所述第一发送单元404，可以具体用于：

根据所述图案消耗信息从与所述图案类别对应的预设推荐图案链接中，选取目标推荐图案链接；

向所述终端发送所述目标推荐图案链接。

以上各单元的执行的步骤可以参考上述方法实施例服务器侧的描述。

该图案推荐装置具体可以集成在网络设备中，比如，服务器等设备。

由上可知，本发明实施例图案推荐装置通过结果获取单元401获取终端发送图案识别结果，所述图案识别结果包括图案类别；由确定单元402确定预设图案集合中是否存在与所述图案类别相同的预设图案类别，所述预设图案集合包括预设图案类别及其对应的预设推荐图案链接；由链接获取单元403当所述确定单元402确定存在与所述图案类别相同的预设图案类别时，则从所述预设图案集合获取与所述图案类别对应的预设推荐图案链接；由第一发送单元404向所述终端发送所述图案类别对应的预设推荐图案链接。该方案可以基于神经网络模型对用户绘制图案进行识别，并向用户推荐相应的图案，这样用户无需进行频繁图案绘制操作即可得到想要绘制或者美观的图案，大大节省了终端资源。

参考图5，本发明实施例提供了一种终端500，可以包括一个或者一个以上处理核心的处理器501、一个或一个以上计算机可读存储介质的存储器502、射频(RadioFrequency，RF)电路503、电源504、输入单元505、以及显示单元506等部件。本领域技术人员可以理解，图5中示出的终端结构并不构成对终端的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。其中：

处理器501是该终端的控制中心，利用各种接口和线路连接整个终端的各个部分，通过运行或执行存储在存储器502内的软件程序和/或模块，以及调用存储在存储器502内的数据，执行终端的各种功能和处理数据，从而对终端进行整体监控。可选的，处理器501可包括一个或多个处理核心；优选的，处理器501可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器501中。

存储器502可用于存储软件程序以及模块，处理器501通过运行存储在存储器502的软件程序以及模块，从而执行各种功能应用以及数据处理。

RF电路503可用于收发信息过程中，信号的接收和发送，特别地，将基站的下行信息接收后，交由一个或者一个以上处理器501处理；另外，将涉及上行的数据发送给基站。

终端还包括给各个部件供电的电源504(比如电池)，优选的，电源可以通过电源管理系统与处理器501逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源504还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。

该终端还可包括输入单元505，该输入单元505可用于接收输入的数字或字符信息，以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。

该终端还可包括显示单元506，该显示单元506可用于显示由用户输入的信息或提供给用户的信息以及终端的各种图形用户接口，这些图形用户接口可以由图形、文本、图标、视频和其任意组合来构成。显示单元508可包括显示面板，可选的，可以采用液晶显示器(LCD，Liquid Crystal Display)、有机发光二极管(OLED，Organic Light-EmittingDiode)等形式来配置显示面板。

具体在本实施例中，终端中的处理器501会按照如下的指令，将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器502中，并由处理器501来运行存储在存储器502中的应用程序，从而实现各种功能，如下：

显示图案绘制页面；检测用户针对所述图案绘制页面的绘制操作信息；根据检测到的绘制操作信息生成用户绘制图案；根据神经网络模型对所述用户绘制图案进行识别，得到图案识别结果；获取与所述图案识别结果对应的推荐图案，并显示所述推荐图案。

在一实施例中，为了更好地实施以上方法，本发明实施例还提供了一种服务器。

参考图6，本发明实施例提供了一种服务器600，可以包括一个或者一个以上处理核心的处理器601、一个或一个以上计算机可读存储介质的存储器602、射频(RadioFrequency，RF)电路603、电源604等部件。本领域技术人员可以理解，图6中示出的服务器结构并不构成对服务器的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。其中：

处理器601是该服务器的控制中心，利用各种接口和线路连接整个服务器的各个部分，通过运行或执行存储在存储器602内的软件程序和/或模块，以及调用存储在存储器602内的数据，执行服务器的各种功能和处理数据，从而对服务器进行整体监控。可选的，处理器601可包括一个或多个处理核心；优选的，处理器601可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器601中。

存储器602可用于存储软件程序以及模块，处理器601通过运行存储在存储器602的软件程序以及模块，从而执行各种功能应用以及数据处理。

RF电路603可用于收发信息过程中，信号的接收和发送，特别地，将基站的下行信息接收后，交由一个或者一个以上处理器601处理；另外，将涉及上行的数据发送给基站。

服务器还包括给各个部件供电的电源604(比如电池)，优选的，电源可以通过电源管理系统与处理器601逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源604还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。

具体在本实施例中，服务器中的处理器601会按照如下的指令，将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器602中，并由处理器601来运行存储在存储器602中的应用程序，从而实现各种功能，如下：

获取终端发送图案识别结果，所述图案识别结果包括图案类别；确定预设图案集合中是否存在与所述图案类别相同的预设图案类别，所述预设图案集合包括预设图案类别及其对应的预设推荐图案链接；若存在，则从所述预设图案集合获取与所述图案类别对应的预设推荐图案链接；向所述终端发送所述图案类别对应的预设推荐图案链接。

本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取记忆体(RAM，RandomAccess Memory)、磁盘或光盘等。

以上对本发明实施例所提供的一种图案推荐方法、装置及存储介质进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims

1.一种图案推荐方法，其特征在于，适用于终端，包括：

显示图案绘制页面；

检测用户针对所述图案绘制页面的绘制操作信息；

根据检测到的绘制操作信息生成用户绘制图案；

2.如权利要求1所述的图案推荐方法，其特征在于，获取与所述图案识别结果对应的推荐图案，包括：

向服务器发送所述图案识别结果；

接收所述服务器返回的与所述图案识别结果对应的推荐图案链接；

根据所述推荐图案链接获取相应的推荐图案。

3.如权利要求1所述的图案推荐方法，其特征在于，在根据神经网络模型对所述用户绘制图案进行识别之前，所述方法还包括：

对调整后用户绘制图案中像素点的像素值进行预处理。

4.如权利要求1所述的图案推荐方法，其特征在于，根据检测到的滑动轨迹信息生成用户绘制图案，包括：

5.如权利要求1所述的图案推荐方法，其特征在于，所述神经网络模型包括：卷积层、下采样层以及全连接层；

将所述用户绘制图案作为当前卷积层的待处理对象；

在当前卷积层对所述待处理对象进行卷积处理，并将卷积处理结果输入至所述当前卷积层的下采样层；

在所述下采样层对所述卷积处理结果进行下采样操作，得到采样结果；

当存在剩余卷积层时，将所述当前卷积层的下一卷积层更新为当前卷积层，并将所述采样结果更新为所述当前待处理对象

返回执行在当前卷积层对所述待处理对象进行卷积处理的步骤，直到所述神经网络模型中所有卷积层均完成卷积为止；

当不存在剩余卷积层时，将当前的采样结果输入至全连接层，并在所述全连接层对当前的采样结果进行分类识别，得到图案识别结果。

6.如权利要求1所述的图案推荐方法，其特征在于，还包括：

当对用户绘制图案识别失败时，获取用户标识对应的历史推荐图案；

7.如权利要求1所述的图案推荐方法，其特征在于，还包括：

获取构成所述用户绘制图案的基本图形数量；

8.如权利要求1所述的图案推荐方法，其特征在于，还包括：

确定用户选定的构成绘制图案的基本图形；

获取当前构成所述用户绘制图案的基本图形数量；

9.如权利要求1所述的图案推荐方法，其特征在于，还包括：

获取构成所述用户绘制图案的基本图形数量；

10.一种图案推荐方法，其特征在于，适用于服务器，包括：

若存在，则从所述预设图案集合获取与所述图案类别对应的目标预设推荐图案链接；

向所述终端发送所述图案类别对应的目标预设推荐图案链接。

11.如权利要求10所述的图案推荐方法，其特征在于，还包括：

当所述预设图案集合中不存在与所述图案类别相同的预设图案类别时，在所述预设图案集合中添加所述图案类别，并向终端发送默认推荐链接；

当所述预设图案集合存在所述图案类别，且不存在与所述图案类别对应的预设推荐图案链接时，对所述图案类别的计数加一，并向终端发送默认推荐链接；

当所述图案类别的计数值大于预设阈值时，向预设通讯标识对应的终端发送所述图案类别对应的图案绘制申请信息。

12.如权利要求7所述的图案推荐方法，其特征在于，还包括：

接收终端发送的图案消耗信息，所述图案消耗信息包括所述用户绘制图案消耗的基本图形数量和/或者虚拟资源总量；

向所述终端发送所述图案类别对应的预设推荐图案链接，包括：

向所述终端发送所述目标推荐图案链接。

13.一种图案推荐装置，其特征在于，适用于终端，包括：

显示单元，用于显示图案绘制页面；

推荐单元，用于获取与所述图案识别结果对应的推荐图案，并显示所述推荐图案。

14.一种图案推荐装置，其特征在于，适用于服务器，包括：

15.一种存储介质，其特征在于，所述存储介质存储有指令，所述指令被处理器执行时实现如权利要求1-9任一项所述方法的步骤、或者实现如权利要求10-12任一项所述方法的步骤。