CN110812845A - 外挂检测方法、外挂识别模型的训练方法和相关装置 - Google Patents

Abstract

本申请公开了一种外挂检测方法、外挂识别模型的训练方法和相关装置，以提高外挂检测效率，为净化游戏环境，严厉打击外挂行为提供支持。该外挂检测方法包括：获取游戏画面图像，所述游戏画面图像是响应于游戏操作的画面，且所述游戏画面图像中包括指定区域，所述指定区域用于呈现目标对象的移动速度；识别所述指定区域中所述目标对象的移动速度；在所述目标对象的移动速度大于所述目标对象的设定速度上限时，确定所述游戏画面图像为基于游戏外挂生成的图像。

Description

外挂检测方法、外挂识别模型的训练方法和相关装置

技术领域

本发明涉及人工智能技术领域，特别涉及一种外挂检测方法、外挂识别模型的训练方法和相关装置。

背景技术

随着互联网技术的飞速发展，涌现出越来越多的游戏项目，为人们带了更丰富的娱乐体验。然而随之而来也出现了一些不好的行为，例如游戏外挂行为。游戏外挂指的是通过修改游戏而为玩家谋取利益的作弊程序，其主要应用原理是通过修改游戏正常代码或数据，从而改变游戏人物能力。由于外挂的出现会严重破坏游戏的公平性，于是外挂检测是十分有必要的。

常见的外挂检测，通常是通过反外挂系统来实现。具体的，反外挂系统通过检测游戏中异常的游戏数据或者异常的游戏指令来实现外挂检测。但反外挂系统的程序容易被外挂作者进行分析和识别，然后被针对性的对抗，甚至从游戏中进行剥离。例如，在一些游戏中，如策略类射击游戏，传统的载具(如游戏中角色可乘坐的车辆)加速的检测，主要是通过客户端发送到服务器的数据来进行检测，这种数据往往会被外挂篡改，从而无法发现。

因此，如何改进外挂检测方案，以净化游戏环境，打击外挂行为，成为亟需解决的技术问题。

发明内容

本申请的目的是提供一种外挂检测方法、外挂识别模型的训练方法和相关装置，以提高外挂检测效率，为净化游戏环境，严厉打击外挂行为提供支持。

第一方面，本申请实施例提供了一种外挂检测方法，所述方法包括：获取游戏画面图像，所述游戏画面图像是响应于游戏操作的画面，且所述游戏画面图像中包括指定区域，所述指定区域用于呈现目标对象的移动速度；识别所述指定区域中所述目标对象的移动速度；在所述目标对象的移动速度大于所述目标对象的设定速度上限时，确定所述游戏画面图像为基于游戏外挂生成的图像。由此，通过对游戏画面图像中显示的移动速度的检测，以提升外挂的检测效率。

第二方面，本申请实施例提供了一种外挂识别模型的训练方法，所述外挂识别模型包括第一神经网络模型，所述方法包括：获取第一训练样本，所述第一训练样本包括游戏画面图像的指定区域的截图，以及用于表示所述指定区域中所述目标对象的移动速度的标注；基于所述第一训练样本，训练所述第一神经网络模型，以使得所述第一神经网络模型能够识别指定区域中所述目标对象的移动速度，所述移动速度用于确定训练样本中的图像是否为基于游戏外挂生成的图像。由此，通过训练外挂识别模型，以使得该外挂识别模型能够实现对游戏画面图像中的移动速度进行识别，以确定游戏玩家是否使用了游戏外挂。

第三方面，本申请实施例提供了一种外挂检测装置，包括：图像获取单元，用于获取游戏画面图像，所述游戏画面图像是响应于游戏操作的画面，且所述游戏画面图像中包括指定区域，所述指定区域用于呈现目标对象的移动速度；速度识别单元，用于识别所述指定区域中所述目标对象的移动速度；外挂检测单元，用于在所述目标对象的移动速度大于所述目标对象的设定速度上限时，确定所述游戏画面图像为基于游戏外挂生成的图像。

第四方面，本申请实施例提供了一种外挂识别模型的训练装置，所述外挂识别模型包括第一神经网络模型，所述训练装置包括：第一样本获取单元，用于获取第一训练样本，所述第一训练样本包括游戏画面图像的指定区域的截图，以及用于表示所述指定区域中所述目标对象的移动速度的标注；第一训练单元，用于基于所述第一训练样本，训练所述第一神经网络模型，以使得所述第一神经网络模型能够识别指定区域中所述目标对象的移动速度，所述移动速度用于确定训练样本中的图像是否为基于游戏外挂生成的图像。

第五方面，本申请另一实施例还提供了一种计算设备，包括至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本申请实施例提供的任一方法。

第六方面，本申请另一实施例还提供了一种计算机可读存储介质，其中，所述存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行本申请实施例中的任一方法。

本申请实施例提供的外挂检测方案，通过训练并使用外挂识别模型，来对游戏画面图像中显示的目标对象(例如载具或其它检测对象)的移动速度进行检测，以确定游戏玩家是否使用了游戏外挂，从而提升外挂检测效率和准确率，以为净化游戏环境，打击外挂行为提供支持。并且，基于该外挂识别模型，能够在保障模型精度的同时，简化模型并提升模型识别速度，从而实现模型精确度与识别速度之间的平衡。

本申请的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本申请而了解。本申请的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图作简单地介绍，显而易见地，下面所介绍的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1A为根据本申请一个实施例的外挂识别模型的架构示意图；

图1B为根据本申请一个实施例的应用环境的示意图；

图2为根据本申请一个实施例的识别结果的例子；

图3为根据本申请一个实施例的模型训练方法的流程示意图；

图4A-图4B为根据本申请一个实施例的游戏画面图像的例子；

图5为根据本申请一个实施例的适配分割框的例子；

图6A-图6B为根据本申请一个实施例的用于进行场景标识识别的图像示例；

图7A-图7B为根据本申请一个实施例的图像增强的例子；

图8为根据本申请一个实施例的外挂检测方法的流程示意图；

图9为根据本申请一个实施例的外挂检测流程示意图；

图10为根据本申请一个实施例的外挂检测装置的示意图；

图11为根据本申请一个实施例的外挂识别模型的训练装置的示意图；

图12为根据本申请一个实施例的计算设备的示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，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。

如前所述，由于外挂的出现会严重破坏游戏的公平性，因此外挂检测是十分有必要的。作为示例，本申请如下实施例中，将以第一人称射击类游戏(First-person shootinggame,FPS)中的外挂检测作为示例，来对本申请的外挂检测方案进行详细说明。应当理解的是，下述外挂检测方案同样适用于同种类型或者具有相似特征的其它游戏，在下文中将不一一赘述。

第一人称射击类游戏(First-person shooting game,FPS),属于动作类(ActionGame，ACT)游戏的一个分支，是以玩家的主观视角来进行射击游戏，玩家们不再像别的游戏一样操纵屏幕中的虚拟人物来进行游戏，而是身临其境地体验游戏带来的视觉冲击，增强了游戏的主动性和真实感，逐渐被广大游戏玩家所喜爱并迅速风靡。与此同时，由于使用某种外挂软件，可以使得FPS游戏中的载具(如游戏中的车辆)达到正常玩家无法达到的速度，外挂行为一直很猖獗，玩家在游戏中飞天遁地无所不能，严重破坏了游戏的公平性。

目前，主要考虑游戏中记录每秒的移动速度对于资源的损耗太大的问题，无法获知每秒的实时移动速度，外挂检测主要是通过多个方面的数据来观测是否存在异常的移动，例如一局游戏内的总移动距离是否存在异常、赛季内的平均移动距离是否存在异常等。也就是说，现有的外挂检测主要是从载具整体的移动距离是否存在异常来进行检测。而对于某个时间点的移动速度异常无法检测出来。故此，相关技术中对于增加移动速度的游戏外挂的检测并不准确。

人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。

人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。机器学习(Machine Learning,ML)是人工智能的核心，专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是使计算机具有智能的根本途径，随着人工智能技术研究和进步，机器学习的应用遍及人工智能的各个领域。

本申请实施例提供了一种外挂检测方案，通过训练并使用外挂识别模型，来对游戏画面图像中显示的目标对象(例如载具或其它检测对象)的移动速度进行检测，以确定游戏玩家是否使用了对目标对象进行加速的游戏外挂，从而提升外挂检测准确率，以为净化游戏环境，打击外挂行为提供支持。

本申请实施例的外挂检测方案中，涉及对游戏画面图像的分类，例如正规游戏画面图像、基于游戏外挂生成的游戏画面图像等。在图像分类方面，包括传统的基于人工特征工程的分类方法以及近年来逐渐发展的基于深度神经网络的自动抽取高维抽象特征的分类方法。后者由于其易用性、准确度等优点，已经成为图像分类事实上的标准方法。在此，介绍几个成熟的深度神经网络图像分类模型。

(1)深度残差网络模型(Residual Network，ResNet)：该网络是2015年ImageNet图像分类比赛的冠军，在采用小卷积核、批归一化等技术上，创新性地引用了残差模块，使得网络在具有深层结构时能避免梯度消失导致的网络退化问题。这样，可以有效堆叠小卷积核及全连接层并且提高分类准确度。也因此其网络层数达到了152层，计算量巨大，不适合于资源有限的移动端网络。

(2)Xception：该网络是对InceptionV3的一种改进，主要使用了可分离卷积来替换原来的卷积操作。其基本思想是将图像通道之间的相关性和空间相关性分开处理，使得网络的表达能力更强。但其主要目的仍在于提高准确度而并非对模型进行精简以降低计算需求。

(3)ShuffleNet：该网络主要为了优化可分离卷积中的占据大量运算量的逐点卷积操作，提出逐点群卷积，将通道先进行分组，然后按组为单位进行运算，以降低计算复杂度。而后为了解决分组之后通道组之间的信息流通问题，进行了通道混洗，消除了组卷积带来的副作用。该网络是个轻量级网络，具有较少计算量，适用于移动端要求。但其网络结构没有采用更科学的神经架构搜索，并非针对资源受限情况的最优结构。

因此，本申请实施例为了实现外挂识别模型在提高识别准确度以及对模型进行精简以降低计算需求两者之间的平衡，所设计的外挂识别模型可以包括至少一种神经网络模型，通过不同模型之间的协同，在实现对外挂行为的精准检测的同时，降低计算需求，优化模型速度。

如下将结合附图及实施例详细说明本申请的外挂检测方案。

外挂识别模型的系统架构

图1A为根据本申请一个实施例的外挂识别模型的架构示意图。其中，该外挂识别模型例如可以用于FPS游戏中，并确定在该FPS游戏中游戏玩家是否使用了例如对目标对象进行加速的游戏外挂。

如图1A所示，本申请的外挂识别模型10可以包括第一神经网络模型11、第二神经网络模型12以及类别识别模型13。其中，第二神经网络模型12可以分别于第一神经网络模型11以及类别识别模型13相连接，第二神经网络模型12的输出结果可以决定是否启动第一神经网络模型11和/或类别识别模型13来执行相应的处理。

图1B为根据本申请一个实施例的应用环境的示意图。其中，图1A所示的外挂识别模型可以被应用于该环境中，以实现对游戏外挂的检测。

如图1B所示，该应用环境中例如可以包括至少一个服务器20和多个终端设备30。其中，终端设备30可以是可用来进行网络访问的任何合适的电子设备，包括但不限于计算机、笔记本电脑、智能电话、平板电脑或是其它类型的终端。服务器20则是能够通过网络访问的提供交互服务所需信息的任何服务器。终端设备30可以经由网络40实现与服务器20的信息收发。服务器20可以通过访问数据库50来获取终端设备30所需的内容，例如模型参数、目标对象速度上限表等。终端设备之间(例如，30_1与30_2或30_N之间)也可以经由网络40彼此通信。网络40可以是广义上的用于信息传递的网络，可以包括一个或多个通信网络，诸如无线通信网络、因特网、私域网、局域网、城域网、广域网或是蜂窝数据网络等。

在随后的描述中仅就单个服务器或终端设备加以详述，但是本领域技术人员应当理解的是，示出的单个服务器20、终端设备30和数据库50旨在表示本申请的技术方案涉及终端设备、服务器及数据库的操作。对单个终端设备以及单个服务器和数据库加以详述至少为了说明方便，而非暗示对终端设备和服务器的类型或是位置等具有限制。应当注意，如果向图示环境中添加附加模块或从其中去除个别模块，不会改变本发明的示例实施例的底层概念。另外，虽然为了方便说明而在图中示出了从数据库50到服务器20的双向箭头，但本领域技术人员可以理解的是，上述数据的收发也是可以通过网络40实现的。

在一个实施例中，图1A所示的外挂识别模型例如可以被配置在图1B所示的服务器20侧。各游戏玩家例如可以通过使用终端设备30进行游戏操作，经游戏玩家授权后，其游戏过程可以被录制为游戏视频并经由网络40传输至服务器20。服务器20侧的外挂识别模型可以基于所接收到的游戏视频来检测游戏玩家是否使用了游戏外挂，并将检测结果反馈给后台客服人员以执行相关的处理。应当理解的是，这里仅是对本申请的外挂识别模型的一个应用示例，在其它实施例中，外挂识别模型也可以被配置在指定的终端设备，例如用于进行外挂检测的特定终端，本申请对此不做限制。

返回图1A，在一个实施例中，可以以游戏画面图像作为外挂识别模型的训练样本或者检测样本。其中，游戏画面图像可以为对游戏过程进行录制的游戏视频中的图像，也即视频帧。游戏画面图像中可以包括目标对象，例如游戏玩家操控的人物、游戏道具等，并且例如还可以在该游戏画面图像的指定区域中显示目标对象所处场景(例如是否使用游戏道具的场景)的场景标识和/或目标对象的移动速度。外挂识别模型的各个模型可以通过对例如目标对象、场景标识和/或目标对象的移动速度等进行识别，来判定该游戏视频是否为游戏玩家基于游戏外挂得到的。

实施时，外挂识别模型的各个模型可以基于其相互之间的关联关系，协同实现对游戏外挂的检测。作为训练样本或者检测样本的游戏画面图像可以被输入该外挂识别模型，游戏画面图像或其截图分别经由外挂识别模型的各个模型进行识别，并输出相应的识别结果。例如，第一神经网络模型11可以用于识别呈现在游戏画面图像的指定区域的目标对象的移动速度；第二神经网络模型12可以用于识别游戏画面图像的指定区域是否包含场景标识；类别识别模型13可以用于识别目标对象所属的类别。

在一个实施例中，为在保证模型精度的前提下提升外挂识别模型的整体识别速度，可以在设计该外挂识别模型的架构中，设计样本行经各个模型的顺序，例如先输入第二神经网络模型12，并在第二神经网络模型12的识别结果为包括场景标识时，再输入第一神经网络模型11和/或类别识别模型13。由此，加速模型系统的整体识别效率。本申请实施例的外挂识别模型可以被配置为，使得作为训练样本或检测样本的游戏画面图像先通过第二神经网络模型12的识别，并在第二神经网络模型12的识别结果为游戏画面图像的指定区域中包含场景标识时，再启动第一神经网络模型11和类别识别模型13的相关处理。

例如，在第二神经网络模型12的识别结果为游戏画面图像的指定区域中包含场景标识时，通过第一神经网络模型11对游戏画面图像的指定区域中目标对象的移动速度进行识别，通过类别识别模型13对游戏画面图像中目标对象的类别进行识别，并结合目标对象的移动速度以及目标对象的类别，确定游戏玩家是否使用了游戏外挂来对目标对象进行违规加速。

本申请实施例中，可以对游戏视频进行解析以获得游戏视频的各个视频帧。各个视频帧即可作为上述的游戏画面图像，通过外挂识别模型对游戏视频的各个视频帧是否为基于游戏外挂的图像的检测，可以最终确定该游戏视频是否为基于游戏外挂的游戏视频。

考虑到游戏视频包括大量的视频帧，在一个实施例中，为了提升外挂识别模型的整体识别速度，外挂识别模型可以被配置为按照预设采样规则，首先通过跳帧采样(即每隔预定数量抽选视频帧)的方式对游戏视频进行采样得到一帧图像，并使用第二神经网络模型12对采样得到的一帧图像的指定区域中是否包括场景标识进行识别，并在识别出场景标识时，返回之前跳过的视频帧来进行逐视频帧的识别，即对于每一个视频帧进行目标对象的类别及移动速度的识别。

当外挂识别模型识别出游戏视频的某个游戏画面图像为基于游戏外挂生成的图像时，即判定该游戏视频对应的游戏玩家使用了游戏外挂。相应地，被识别出的游戏画面图像则可以被标识外挂点提醒如“击杀点1：载具加速”。作为示例，如图2所示，在游戏视频中被识别为基于游戏外挂的游戏画面图像20中，包括指定区域21、目标对象22以及外挂点提醒23。

进一步地，对于被识别为基于游戏外挂的游戏视频可以进行复核，例如人工复核，以确保识别结果的准确性。其中，在对该被识别为基于游戏外挂的游戏视频进行人工复核时，审核人员则可以能够直接跳转至该游戏视频中被标识了外挂点提醒的视频帧，并通过人工核验该视频帧的指定区域显示的移动速度是否超出了目标对象所属类别的速度上限，从而保障识别结果的准确性。其中，若人工复核后确定该游戏视频为基于游戏外挂的视频，则审核人员可以对相对应的游戏账号进行处理，例如封号处理。若人工复核后确定该游戏视频是被错误识别的视频，则审核人员可以去除该游戏视频中被标识的外挂点提醒，并可以在对外挂识别模型进行参数修正后，再次审核该被错误识别的游戏视频，在此不再赘述。

在下文将分别在模型训练阶段以及模型使用阶段，结合附图及实施例详细说明本申请的外挂识别模型的训练方案，以及基于该模型所实现的外挂检测方案。

模型训练阶段

图3为根据本申请一个实施例的模型训练方法的流程示意图。其中，可以基于相应的训练样本分别训练第一/二神经网络模型、类别识别模型，也可以将这三个模型结合而对是哪个模型进行整体训练，本申请不对具体训练方式进行限定。并且，模型训练可由相关服务器执行也可由相关终端执行，本申请对此也不做限制。

第一神经网络模型的训练

如图3所示，在步骤S310，获取第一训练样本。该第一训练样本可以包括游戏画面图像的指定区域的截图，以及用于表示所述指定区域中所述目标对象的移动速度的标注。

在步骤S320，基于第一训练样本，训练第一神经网络模型，以使得所述第一神经网络模型能够用于识别指定区域中所述目标对象的移动速度。

如前文所述，识别出的移动速度用于确定训练样本中的图像是否为基于游戏外挂生成的图像。

图4A-图4B为根据本申请一个实施例的游戏画面图像的例子。

如图4A所示，游戏画面图像40例如可以为1280像素(pix)(宽)*720像素(高)的尺寸，指定区域41例如位于游戏画面图像的左下部，目标对象42(例如载具，即游戏中的车辆)例如位于游戏画面图像的中下部。在该指定区域41处，可以显示场景标识411以及目标对象的移动速度412。在获取第一训练样本时，可以通过对游戏画面图像40中指定区域41进行截图得到。如图4B所示，为从图4A的游戏画面图像40中截取的对应于指定区域41的图像示例。其中，在图4A所示的游戏画面图像40中，例如以游戏画面图像的左上角为原点(0，0)，从图像的像素坐标(210，550)开始，向下向右截取例如尺寸为140像素*80像素的截图，即得到如图4B所示的截图，该截图可以作为第一训练样本所使用的图像。应当理解的是，图4A-图4B仅为对本申请实施的获取样本的方式的示意性说明，为了清晰说明本申请的技术方案，截图的尺寸存在误差，该误差并不会对本申请样本尺寸的任何限定。并且在其它实施例中，还可以根据实际需求对游戏画面图像及其指定区域进行截取，本申请对此不做限制。在一个实施例中，目标对象的移动速度可以由至少一位数字构成，并且不同位数字所占用的显示区域的大小不完全相同。例如图4B所示，从像素坐标(267，584))开始，向下向右约在高度20像素、宽度为40像素的区域内，显示移动速度166km/h。

由图4B可知，由于游戏内字体特征，数字“1”作为特例，其显示所占用的像素点大小为其它数字显示所占像素点大小的二分之一。若通过OCR(Optical CharacterRecognition，光学字符识别)进行数字识别，准确率仅为50％左右，例如会将数字119、118错误地识别为199、188，这对外挂识别模型的逻辑判定的影响将是致命的。通过研究，发明人发现，移动速度的显示的起始位置是相对固定的。因此，发明人根据固定位置设计了大小和/或起始位置不同的多个分割框，通过这多个分割框来对指定区域的移动速度的截图进行分割后，对各分割框内的数字进行分类，并结合数字识别技术进行训练，使得第一神经网络模型能够识别指定区域中所述目标对象的移动速度。

在采用分割框识别移动速度时，每个分割框用于分割出移动速度中的一位数字，相应的第一训练样本中还可以包括分割框的标注，分割框的标注可以用于描述各分割框的大小以及位置。第一神经网络模型被训练为对第一训练样本中的移动速度的各位数字智能地分配相应的分割框，并通过获取每个分割框内的图像区域，并对每个分割框内的图像区域分别进行数字识别，得到各分割框内的图像区域包括的各位数字，根据识别的每一位数字，得到目标对象的移动速度。

作为示例，假设在指定区域所显示的移动速度的数字最多为3位，且每位数字的宽度固定，例如宽度分别为5像素或10像素，例如数字1的显示所占宽度为5像素，数字0、2-9、11的显示所占宽度为10像素，则可以设计出10个分割框，例如可包括H1[0,10]、H2[10,10]、H3[20,10]、H4[0,5]、H5[15,5]、H6[5,10]、H7[15,10]、H8[10,5]、H9[20,5]、H10[5,5]。其中，[]的左侧部分可以表示该分割框相对于移动速度的起始像素点的位置，[]的右侧可以表示该分割框的宽度大小。

对于移动速度的每一位数字，均可以使用这10个分割框进行分割，并对分割后的分割框内的数据进行数字识别。若能够成功识别，例如分割框内的数字完整且能够被识别，则将该分割框及其内的数据对应到所识别出的数字对应的分类；若不能成功识别，例如分割框内没有数字、或数字不完整、或数字不能够被唯一识别或仅部分能够被识别，则将该分割框对应于unknow类。如此，通过不断地识别及训练，得到这10个分割框与0-9、11这11种数字的映射关系。

基于该映射关系，可以使得第一神经网络模型能够更加智能地为样本图像分配分割框。例如，如图5所示，若针对移动速度121km/h，对于百位数字“1”，若已经与分割框H4[0,5]相适配，则其下一位即位于十位的数字“2”，则只需基于分割框H6[5,10]或H10[5,5]进行分割与适配；若对于十位数字“2”，若已经与分割框H6[5,10]相适配，则其下一位即位于个位的数字“1”，则只需基于分割框H5[15,5]、H7[15,10]进行分割与适配。由于上述10个分割框是基于位置以及像素宽度的划分，在移动速度的前一位被分割且适配成功后，能够在一定程度上减少能够适配于移动速度的后一位数字的分割框的数量。最终，即可通过若干个分割框相对应的数字分类的组合，确定移动速度。由此，通过基于位置与宽度的多个不同的分割框，能够实现对移动速度的快速且精确的识别。

在一个实施例中，为了降低识别难度，在模型训练之前，第一神经网络还可以对基于这10个分割框切分后的图像进行统一的尺寸处理，例如将10像素(宽)*20像素(高)或5像素(宽)*20像素(高)尺寸的图像分片，统一处理为10像素(宽)*20像素(高)的尺寸，并基于统一尺寸的图像分片来训练第一神经网络模型。相应地，在第一神经网络模型的使用阶段，第一神经网络模型也可以在将分割框切分后得到的图像分片进行统一的尺寸处理后，再对图像分片中的数字进行识别。

上述第一神经网络模型可以是一个简单的神经网络(cnn)模型，经过实验验证，该cnn模型的准确率可以达到99.9％。作为示例，该第一神经网络模型的结构可以如下所示：

第二神经网络模型的训练

在一个实施例中，例如，指定区域中例如还包括场景标识。其中，该场景标识例如可以是用于表示游戏画面图像当前所处场景的标识。在一个实施例中，场景标识可以是表示所述目标对象是否处于移动速度可控制的游戏场景中的标识，并且场景标识可以与目标对象的移动速度关联显示。当目标对象处于具有速度控制的游戏场景中，游戏画面图像的指定区域中可以呈现该场景标识；当所述目标对象处于不具有速度控制的游戏场景中，则指定区域中可以不呈现场景标识。其中，对于不同的目标对象，其对应的场景标识可以不同或不完全相同。例如若目标对象为游戏玩家所操控的人物，该场景标识可以为人物标识；若目标对象为游戏玩家所操控的游戏道具，该场景标识可以为道具标识。作为示例，若目标对象为载具(车辆)，该场景标识可以为载具(车辆)标识。例如如图4A所示，在目标对象为载具42时，在游戏画面图像40的指定区域41包括车辆标识411。

外挂识别模型还可以包括第二神经网络模型，该第二神经网络模型可以用于识别游戏画面图像的指定区域中是否包含场景标识。若能够在游戏画面图像的指定区域中检测到场景标识，则表示该游戏画面图像中的目标对象当前处于移动速度可控制的游戏场景中，则可以对其移动速度进行检测以判定是否是基于游戏外挂生成的图像。若不能在游戏画面图像的指定区域中检测到场景标识，则表示该游戏画面图像中的目标对象当前未处于移动速度可控制的游戏场景中，则表示该游戏画面图像当前所处场景不具备使用对目标对象的移动速度进行加速的游戏外挂的条件，这样也就无需对其移动速度进行检测。

换言之，第二神经网络模型可以通过识别场景标识，来识别游戏画面图像当前所处的场景，从而为加快外挂识别模型的识别速度提供支持。

在本申请实施例中，也可以采用前述的第一训练样本，训练第二神经网络模型。其中第一训练样本中还可以包括用于表示游戏画面图像的指定区域的截图中是否包含场景标识的标注。在训练第二神经网络模型时，例如可以通过将识别结果与标注进行比对进而计算损失函数的损失，然后基于损失调教修正第二神经网络模型参数，以使得第二神经网络模型能够识别游戏画面图像的指定区域中是否包场景标识。

在一个实施例中，第二神经网络模型可以为一个简单的二分类的神经网络(cnn)模型。由于对游戏画面图像中是否处于使用载具场景的判定，仅通过对指定区域中是否呈现了场景标识进行识别即可判定，识别的内容较为简单，在训练第二神经网络模型时，可以针对指定区域中包含场景标识、指定区域中不包含场景标识这两种情况，可以分别选取相同数量(例如500张、或1000张或者其它数量)的样本图像，来进行二分类模型的训练。对于如图6A所示的图像，识别为处于使用了载具的场景，即指定区域中包含场景标识，对于如图6B所示的图像，识别为处于未使用载具的场景，即指定区域中不包含场景标识。应当理解的是，图6A-图6B在此仅为了阐释处于不同场景的图像的区别，简单示出了对应于包含场景标识和移动速度、不包含场景标识和移动速度这两种场景的示意图，并以底纹表示图像的相关背景，场景标识以及目标对象的移动速度可以在相关背景上叠加显示，在此不再赘述。在实际应用中，在处于不同场景时，该图像还可以包括其它信息，例如游戏背景或是其它信息，本申请对此不做限制。

所得到的第二神经网络模型的结构可以如下所示：

在一个实施例中，当将上述第二神经网络模型应用于对于游戏视频的外挂检测中，第二神经网络模型可以被配置为：获取游戏画面图像之前，按照预设采样规则对所述游戏视频进行采样得到一帧图像，并使用已训练的第二神经网络模型，对采样得到的所述一帧图像中的指定区域中是否包括所述场景标识进行识别；若识别结果为包括所述场景标识，则执行所述获取所述游戏画面图像的操作；若识别结果为不包括所述场景标识，则进行下一次采样；其中，获取所述游戏画面图像的操作中获取的游戏画面图像，为本次采样和上一次采样之间的视频帧中的任一帧。由此，对于视频的大量连续的视频帧，该第二神经网络模型即可通过跳帧采样的方式，首先确定游戏视频是否处于使用载具的场景，并在确定为处于使用载具的场景时再检测目标对象的移动速度以及类别，避免不必要的开销，并优化外挂识别模型的整体识别速度。

类别识别模型的训练

在一个实施例中，游戏画面图像中还可以显示目标对象，该目标对象例如可以是游戏玩家所操控的对象，例如人物、游戏道具等。在FPS游戏中，该目标对象为游戏玩家在游戏中所使用的载具。外挂识别模型还可以包括类别识别模型，基于该类别识别模型能够确定游戏玩家所使用的载具所属的类别，相应地即可确定该类别所对应的速度上限，从而确定游戏玩家是否使用了载具加速外挂。

在模型选型时，例如可以采用MobileNetv3模型、深度残差网络(ReNet)模型、循环神经网络(RNN)模型、目标检测模型等。从优化模型的速度出发，为在保证模型精度下降不到1％的情况下，大大降低模型的速度，本申请实施例可选择采用MobileNetv3模型来训练类别识别模型。

确定训练样本时，仍然以图4A所示的游戏画面图像为例，由于视角的原因，目标对象基本显示在游戏画面图像的中下方的位置。在本申请实施例中，可以以游戏画面图像40的左上角为原点，并从像素坐标(350,426)开始，向右向下截取440像素*370像素大小的截图，并以该截图作为第二训练样本来进行载具的建模，以训练类别识别模型。实施时，第二训练样本中还可以包括用于表示目标对象所属的类别的标注。

在一个实施例中，可以根据游戏实际情况，对目标对象进行分类。例如载具可以分为12类，如吉普、轿车、跑车、蹦蹦车、三轮、电驴、雪地摩托，双人摩托、三人摩托、皮卡、大巴、无载具。类别识别模型可以采用开源的图片分类的模型MobileNetv3，基于例如3万多张图片进行训练，单类图片的量级基本可以达到了1000张以上，经测试，模型准确率在训练集和测试集上都能够达到99％。

考虑到视频中的车辆会因为道路的颠簸而呈现不同的姿态或是出现翻车、翻转、旋转等情况，而上述单类图片的1000张图片并不能完全覆盖所有的情况。在一个实施例中，在模型类别识别模型训练之前时，还可以对第二训练样本中的目标对象进行图像增强，例如可以针对目标对象进行例如水平翻转、水平移动、垂直翻转、垂直移动、旋转、缩放等中的至少一种变换处理，以增强类别识别模型的泛化能力。其中，在进行图像增强时，例如可以设置水平翻转、垂直翻转、水平移动不超过图片宽度的第一预定比例，垂直移动不超过图片高度的第二预定比例、旋转预定角度以内等，以保障变换后的图像的尺寸保持不变。

如图7A所示，在从图7A的游戏画面图像70的中下部截取出作为第二训练样本的截图后，将该截图中的目标对象72即车辆经过例如垂直翻转、水平移动后，得到图7B所示的截图。经过变换后的截图也可以作为第二训练样本来训练类别识别模型，从而扩充了样本数量，并极大地增强了该类别识别模型的泛化能力，以增强识别效果。

在另一个实施例中，还可以对所述第二训练样本的红绿蓝(RGB)三个通道的像素值进行归一化，例如红绿蓝(RGB)三个通道的像素值均除以255。经实验数据验证，该归一化操作可以使得类别识别模型能够更快地收敛，并且能够提高模型的精度。

至此，已经结合上文实施例及附图1-7详细说明了本申请的外挂识别模型的训练方案。

模型使用阶段

通过上述方案训练得到的外挂识别模型能够用于在FPS游戏中的载具加速外挂的检测。其中，该外挂识别模型可以被配置在图1B所示的服务器20侧，也可以被配置在指定的终端侧。如下将以外挂识别模型被配置在服务器20侧，并结合附图及实施例，详细说明本申请基于外挂识别模型的外挂检测方案。应当理解的是，下述实施例仅是对本申请的外挂识别模型的一个应用示例，而非对其应用场景等的任何限定。

图8为根据本申请一个实施例的外挂检测方法的流程示意图。

如图8所示，在步骤S810，获取游戏画面图像。

该游戏画面图像是响应于游戏操作的画面。在一个实施例中，可以从游戏玩家操控的游戏中获取游戏画面图像，也可以从录制的游戏视频中获取游戏画面图像。

游戏画面图像中可以包括指定区域，该指定区域可以用于呈现目标对象的移动速度。指定区域的位置或者移动速度的显示设置均可以是游戏开发商统一设置的，并且，在不同的游戏中，指定区域和/或移动速度的配置可以不同或不完全相同，即使同一游戏中，不同游戏场景的指定区域和/或移动速度的配置也可以不同，本申请对此不做限制。

在步骤S820，识别所述指定区域中所述目标对象的移动速度。

例如，可以通过对指定区域中显示移动速度进行数字识别，从而确定该移动速度的数字。

在本申请实施例中，例如可以使用已训练的第一神经网络模型，识别指定区域中所述目标对象的移动速度。如前文所述，该第一神经网络模型是基于第一训练样本进行训练得到的，第一训练样本中可以包括指定区域的截图以及用于表示指定区域中目标对象的移动速度的标注。

实施时，可以将所获取的游戏画面图像输入第一神经网络模型中，第一神经网络模型例如可以根据预先的设置，从该游戏画面图像中截取对应于指定区域的截图，并识别该截图中的移动速度。由此，处理的图像大小仅为指定区域的大小并非整个的游戏画面，故此可以加快识别速度，以为提升外挂检测效率提供支持。

目标对象的移动速度可以由至少一位数字构成，且不同位数字所占用的显示区域的大小不完全相同。第一神经网络模型可以为指定区域的截图中目标对象的移动速度的各位数字分配相应的分割框，分割框可以用于分割移动速度的每一位数字，并获取每个分割框内的图像区域，对每个分割框内的图像区域进行识别，得到各分割框内的图像区域包括的各位数字，根据识别的每一位数字，得到目标对象的移动速度。其中，分割框的分配规则参见上文第一神经网络模型的训练阶段的描述，在此不再赘述。

换言之，第一神经网络可以采用大小不同的多个分割框来对指定区域的截图进行适配与分割，以得到截图的多个图像分片，通过对每个图像分片进行数字识别，来确定分割框是否适配，并将相适配的分割框中数字组合后得到目标对象的移动速度。由此，即可通过大小不同的分割框，以避免对数字的错误识别。

在步骤S830，在所述目标对象的移动速度大于所述目标对象的设定速度上限时，确定所述游戏画面图像为基于游戏外挂生成的图像。

目标对象的设定速度上限可以是游戏开发者预先为游戏配置并存储的，例如存储在图1B所示的数据库50侧的目标对象速度上限表。本申请实施例中，在识别出目标对象的移动速度后，例如可以通过查表的方式，确定目标对象的移动速度是否超出目标对象的设定的速度上限。

若目标对象的移动速度超出其设定速度上限，即载具的移动速度达到了正常玩家无法达到的速度，则判定游戏玩家使用了游戏外挂，该游戏画面图像为基于游戏外挂生成的图像。

若目标对象的移动速度未超出其设定速度上线，载具的移动速度在正常玩家可以达到的速度范围内，则判定游戏玩家未使用载具加速外挂，该游戏画面图像为未使用游戏外挂生成的图像。

如前所述，本申请实施例的外挂识别模型还可以包括第二神经网络模型以及类别识别模型，各个模型协同执行外挂检测，可以快速且准确地识别出游戏视频是否是基于游戏外挂生成的。

图9示出了根据本申请一个实施例的外挂检测流程示意图。

如图9所示，在步骤S901，将游戏视频解析为一帧一帧的图片(即游戏画面图像)后，可以按照预设采样规则对游戏视频进行采样得到一帧图像。

预设采样规则可以是预先配置的游戏画面图像采样规则，例如可以是对于游戏视频，可以通过跳帧的方式，按照每隔预定数量视频帧(例如48帧)抽选一帧图像，本申请实施例中，可以为随机抽选一帧，也可以抽选每48帧的首帧或末帧，或者不同组的每48帧抽选规则不同，本申请对此不做限制。

该一帧图像可以被输入到已训练的第二神经网络模型，在步骤S902，可以使用该已训练的第二神经网络模型，对采样得到的所述一帧图像的指定区域中是否包括场景标识进行识别。

该场景标识例如可以为目标对象是否处于移动速度可控制的游戏场景中的标识。

若识别结果为包括所述场景标识，则进入步骤S903，以执行获取游戏画面图像的操作。

若识别结果为不包括所述场景标识，则进行下一次采样，即从下一组48帧中抽选一帧图像来进行场景标识的识别。

若每次采样的识别结果均为所述指定区域中均不包括所述场景标识，则确定所述游戏视频中不存在基于游戏外挂生成的图像，则结束对该游戏视频的外挂检测。

由此，仅在指定区域中识别出场景标识时，判定游戏玩家处于能够使用游戏外挂的场景，在此基础上再对目标对象的移动速度进行检测，从而能够提升外挂检测的速度。

在一个实施例中，在步骤S902识别场景标识时，为了加快识别速度，可以截取所抽选的一帧图像的指定区域的截图(该截图的尺寸例如可以为140像素*80像素，截图细节可参见上文结合训练阶段的描述，在此不再赘述)，并识别该截图中是否包含场景标识，以确定该截图对应的一帧图像中是否包含场景标识。

在步骤S903，获取游戏画面图像。其中，在此步骤中获取的游戏画面图像为在步骤S901进行采样时，本次采样和上一次采样之间的视频帧中的任一帧。也就是说，若在步骤S902中，识别到所采样的一帧图像的指定区域中的场景标识，则以该一帧图像所属的一组预定数量视频帧(例如48帧)中的每一帧，作为在步骤S903中所获取的游戏画面图像。

在步骤S904，使用已训练的第一神经网络模型，识别所述游戏画面图像的指定区域中所述目标对象的移动速度。

在步骤S905，使用已训练的类别识别模型，识别所述目标对象所属的类别。例如，若目标对象为载具，则其所属的类别可以为车辆类型。该类别识别模型可以为下述模型的任一种：MobileNetv3模型；深度残差网络(ReNet)模型；循环神经网络(RNN)模型、目标检测模型等，本申请对此不做限制。

应当理解的是，在步骤S904和步骤S905中，同样可以截取相关的图像区域来进行识别，以加快识别速度，截图的细节可参见上文结合训练阶段的相关描述，在此不再赘述。

在步骤S906，结合识别出的目标对象的移动速度及其所属类别，判断所述目标对象的移动速度是否超出所述目标对象的设定速度上限。

在所述目标对象的移动速度未超出所述目标对象的设定速度上限时，则返回步骤S903，继续对下一帧游戏画面图像进行外挂检测。直至检测到游戏视频的最后一帧，或者检测到基于游戏外挂生成的图像。

在所述目标对象的移动速度大于所述目标对象的设定速度上限时，确定所述游戏画面图像为基于游戏外挂生成的图像，可以在步骤S907为该游戏识别添加外挂点提醒标识，并结束对该游戏视频的外挂检测。

本申请实施例中，目标对象的设定速度上限，即为目标对象所属类别对应的速度上限。针对每种具体的类别，其对应的速度上限均可以预先获知并记录，在识别得到目标对象的移动速度及其所属类别后，例如可以通过查表的方式，来判定该目标对象的移动速度是否超出其相应的速度上限，从而确定游戏玩家是否使用了游戏外挂。

由此，利用已训练的外挂识别模型，先通过跳帧的方式对场景标识进行识别，以判断是否处于使用了载具的场景，从而能够较快地筛选出需要进行下一步检测的视频帧，然后逐视频帧进行移动速度的识别，从而提升外挂检测的整体的识别速度以及准确率，提升外挂检测效率。并且，利用该外挂检测模型，可以攻克现有的外挂检测方案所存在的，无法获知某个时间点的移动速度异常无法检测出来这一技术难点，极大地改进了外挂检测方案。

至此，已经结合图8-9详细说明了本申请的外挂检测方法，该外挂检测方法，通过对游戏视频中的视频帧即游戏画面图像中目标对象的移动速度进行识别，能够快速识别出游戏视频是否使用了游戏外挂，从而提高外挂检测效率，为净化游戏环境，严厉打击外挂行为提供支持。

基于相同的技术构思，本申请实施例还提供了一种外挂检测装置以及一种外挂识别模型的训练装置。

图10为根据本申请一个实施例的外挂检测装置的示意图。

如图10所示，该外挂检测装置1000可以包括图像获取单元1010、速度识别单元1020和外挂检测单元1030。

图像获取单元1010，用于获取游戏画面图像，所述游戏画面图像是响应于游戏操作的画面，且所述游戏画面图像中包括指定区域，所述指定区域用于呈现目标对象的移动速度。速度识别单元1020，用于识别所述指定区域中所述目标对象的移动速度。外挂检测单元1030，用于在所述目标对象的移动速度大于所述目标对象的设定速度上限时，确定所述游戏画面图像为基于游戏外挂生成的图像。

在一个实施例中，速度识别单元1020用于：使用已训练的第一神经网络模型，识别所述指定区域中所述目标对象的移动速度，其中，所述第一神经网络模型是基于第一训练样本进行训练得到的，所述第一训练样本包括所述指定区域的截图以及用于表示所述指定区域中所述目标对象的移动速度的标注。

在一个实施例中，若所述目标对象的移动速度由至少一位数字构成，且不同位数字所占用的显示区域的大小不完全相同，则所述第一训练样本中还包括分割框的标注，所述分割框用于分割所述移动速度的每一位数字，且所述分割框的标注用于描述各分割框的大小以及位置；所述第一神经网络模型还用于为所述训练样本中的图像的指定区域中的移动速度的各位数字分配相应的分割框；则所述第一神经网络模型识别所述指定区域中所述目标对象的移动速度，包括：获取每个分割框内的图像区域，对每个分割框内的图像区域分别进行识别，得到各分割框内的图像区域包括的各位数字；根据识别的每一位数字，得到所述目标对象的移动速度。

在一个实施例中，所述目标对象为游戏道具，所述游戏画面图像中还包括所述游戏道具，所述外挂检测装置还包括：类别识别单元，用于使用已训练的类别识别模型，识别所述游戏道具所属的类别；其中，所述类别识别模型是基于第二训练样本得到的，所述第二训练样本包括所述游戏画面图像中的目标对象的截图，以及表示所述目标对象所属的类别的标注，并且，所述目标对象的设定速度上限，是识别出的所述类别对应的速度上限。

在一个实施例中，所述类别识别模型是下述模型的任一种：MobileNetv3模型；深度残差网络(ReNet)模型；循环神经网络(RNN)模型。

在一个实施例中，所述指定区域中还包括表示所述目标对象是否处于移动速度可控制的游戏场景中的场景标识；所述游戏画面图像为对游戏过程进行录制的游戏视频中的图像，所述外挂检测装置还包括：标识识别单元，用于在所述获取游戏画面图像之前，按照预设采样规则对所述游戏视频进行采样得到一帧图像，并使用已训练的第二神经网络模型，对采样得到的所述一帧图像中的指定区域中是否包括所述场景标识进行识别；其中，所述第二神经网络模型是基于所述第一训练样本得到的，所述第一训练样本还包括用于表示所述指定区域中是否包含所述场景标识的标注；若识别结果为包括所述场景标识，则执行所述获取所述游戏画面图像的操作；若识别结果为不包括所述场景标识，则进行下一次采样；其中，获取所述游戏画面图像的操作中获取的游戏画面图像，为本次采样和上一次采样之间的视频帧中的任一帧。

在一个实施例中，若每次采样的识别结果均为所述指定区域中均不包括所述场景标识，则确定所述游戏视频中不存在基于游戏外挂生成的图像。

图11为根据本申请一个实施例的外挂识别模型的训练装置的示意图。其中，该外挂识别模型例如可以包括第一神经网络模型、第二神经网络模型和类别识别模型。

如图11所示，该训练装置1100例如可以包括第一样本获取单元1110和第一训练单元1120。

第一样本获取单元1110，用于获取第一训练样本，所述第一训练样本包括游戏画面图像的指定区域的截图，以及用于表示所述指定区域中所述目标对象的移动速度的标注。第一训练单元1120，用于基于所述第一训练样本，训练所述第一神经网络模型，以使得所述第一神经网络模型能够识别指定区域中所述目标对象的移动速度，所述移动速度用于确定训练样本中的图像是否为基于游戏外挂生成的图像。

在一个实施中，若所述目标对象的移动速度由至少一位数字构成，且不同位数字所占用的显示区域的大小不完全相同，则所述第一训练样本中还包括分割框的标注，所述分割框用于分割所述移动速度的每一位数字，且所述分割框的标注用于描述各分割框的大小以及位置；所述第一神经网络模型还用于为所述训练样本中的图像的指定区域中的移动速度的各位数字分配相应的分割框；则第一神经网络模型识别所述指定区域中所述目标对象的移动速度，包括：获取每个分割框内的图像区域，对每个分割框内的图像区域分别进行识别，得到各分割框内的图像区域包括的各位数字；根据识别的每一位数字，得到所述目标对象的移动速度。

在一个实施例中，所述指定区域中还包括表示所述目标对象是否处于移动速度可控制的游戏场景中的场景标识，所述外挂识别模型还包括第二神经网络模型，所述第一训练样本还包括用于表示所述指定区域中是否包含所述场景标识的标注，所述方法还包括：基于所述第一训练样本，训练所述第二神经网络模型，以使得所述第二神经网络模型能够识别游戏画面图像的指定区域中是否包含所述场景标识；所述第一神经网络模型用于在所述第二神经网络模型确定所述指定区域中包含所述场景标识时，对指定区域中的目标对象的移动速度进行识别。

在一个实施例中，所述外挂识别模型还包括类别识别模型，所述训练装置还包括：第二样本获取单元，用于获取第二训练样本，所述第二训练样本包括游戏画面图像中的目标对象的截图，以及表示所述目标对象所属的类别的标注；类别训练单元，用于基于所述第二训练样本，训练所述类别识别模型，以使得所述类别识别模型能够识别游戏画面图像中的目标对象所属的类别，所识别出的所述类别用于确定所述目标对象对应的设定速度上限。

在一个实施例中，基于所述第二训练样本，训练所述类别识别模型之前，所述第二样本获取单元还用于：对所述第二训练样本中的目标对象进行图像增强；并且/或者对所述第二训练样本的红绿蓝三个通道的像素值进行归一化。

在一个实施例中，所述类别识别模型是下述模型的任一种：MobileNetv3模型；深度残差网络(ReNet)模型；循环神经网络(RNN)模型。

外挂检测装置或者训练装置的功能的具体实现，与上文结合外挂检测方法或训练方法的描述相同或相似，具体可参见上文的相关描述，在此不再赘述。

在介绍了本申请示例性实施方式的一种外挂检测方法和装置、外挂识别模型的训练方法和装置之后，接下来，介绍根据本申请的另一示例性实施方式的计算设备。

所属技术领域的技术人员能够理解，本申请的各个方面可以实现为系统、方法或程序产品。因此，本申请的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。

在一些可能的实施方式中，根据本申请的计算设备可以至少包括至少一个处理器、以及至少一个存储器。其中，存储器存储有程序代码，当程序代码被处理器执行时，使得处理器执行本说明书上述描述的根据本申请各种示例性实施方式的视频编码方法中的步骤。例如，处理器可以执行如图3、图8、图9所示的步骤。

下面参照图12来描述根据本申请的这种实施方式的计算设备130。图12显示的计算设备130仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图12所示，计算设备130以通用计算设备的形式表现。计算设备130的组件可以包括但不限于：上述至少一个处理器131、上述至少一个存储器132、连接不同系统组件(包括存储器132和处理器131)的总线133。

总线133表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器、外围总线、处理器或者使用多种总线结构中的任意总线结构的局域总线。

存储器132可以包括易失性存储器形式的可读介质，例如随机存取存储器(RAM)1321和/或高速缓存存储器1322，还可以进一步包括只读存储器(ROM)1323。

存储器132还可以包括具有一组(至少一个)程序模块1324的程序/实用工具1325，这样的程序模块1324包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

计算设备130也可以与一个或多个外部设备134(例如键盘、指向设备等)通信，还可与一个或者多个使得用户能与计算设备130交互的设备通信，和/或与使得该计算设备130能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口135进行。并且，计算设备130还可以通过网络适配器136与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器136通过总线133与用于计算设备130的其它模块通信。应当理解，尽管图中未示出，可以结合计算设备130使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

在一些可能的实施方式中，本申请提供的一种视频编码方法的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当程序产品在计算机设备上运行时，程序代码用于使计算机设备执行本说明书上述描述的根据本申请各种示例性实施方式的一种视频编码方法中的步骤，例如，计算机设备可以执行如图3、图8、图9所示的步骤。

程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

本申请的实施方式的用于视频编码的程序产品可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在计算设备上运行。然而，本申请的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括——但不限于——电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于——无线、有线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言的任意组合来编写用于执行本申请操作的程序代码，程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

应当注意，尽管在上文详细描述中提及了装置的若干单元或子单元，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本申请的实施方式，上文描述的两个或更多单元的特征和功能可以在一个单元中具体化。反之，上文描述的一个单元的特征和功能可以进一步划分为由多个单元来具体化。

此外，尽管在附图中以特定顺序描述了本申请方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。

显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

Claims (15)

1.一种外挂检测方法，其特征在于，包括：

获取游戏画面图像，所述游戏画面图像是响应于游戏操作的画面，且所述游戏画面图像中包括指定区域，所述指定区域用于呈现目标对象的移动速度；

识别所述指定区域中所述目标对象的移动速度；

在所述目标对象的移动速度大于所述目标对象的设定速度上限时，确定所述游戏画面图像为基于游戏外挂生成的图像。

2.根据权利要求1所述的方法，其特征在于，识别所述指定区域中所述目标对象的移动速度，包括：

使用已训练的第一神经网络模型，识别所述指定区域中所述目标对象的移动速度，

其中，所述第一神经网络模型是基于第一训练样本进行训练得到的，所述第一训练样本包括所述指定区域的截图以及用于表示所述指定区域中所述目标对象的移动速度的标注。

3.根据权利要求2所述的方法，其特征在于，若所述目标对象的移动速度由至少一位数字构成，且不同位数字所占用的显示区域的大小不完全相同，则所述第一训练样本中还包括分割框的标注，所述分割框用于分割所述移动速度的每一位数字，且所述分割框的标注用于描述各分割框的大小以及位置；

所述第一神经网络模型还用于为所述第一训练样本中的图像的指定区域中的移动速度的各位数字分配相应的分割框；则所述第一神经网络模型识别所述指定区域中所述目标对象的移动速度，包括：

获取每个分割框内的图像区域，对每个分割框内的图像区域分别进行识别，得到各分割框内的图像区域包括的各位数字；

根据识别的每一位数字，得到所述目标对象的移动速度。

4.根据权利要求2所述的方法，其特征在于，所述目标对象为游戏道具，所述游戏画面图像中还包括所述游戏道具，所述方法还包括：

使用已训练的类别识别模型，识别所述游戏道具所属的类别；

其中，所述类别识别模型是基于第二训练样本得到的，所述第二训练样本包括所述游戏画面图像中的目标对象的截图，以及表示所述目标对象所属的类别的标注，

并且，所述目标对象的设定速度上限，是识别出的所述类别对应的速度上限。

5.根据权利要求4所述的方法，其特征在于，所述类别识别模型是下述模型的任一种：

MobileNetv3模型；

深度残差网络(ReNet)模型；

循环神经网络(RNN)模型。

6.根据权利要求2或4所述的方法，其特征在于，所述指定区域中还包括表示所述目标对象是否处于移动速度可控制的游戏场景中的场景标识；所述游戏画面图像为对游戏过程进行录制的游戏视频中的图像，所述获取游戏画面图像之前，所述方法还包括：

按照预设采样规则对所述游戏视频进行采样得到一帧图像，并使用已训练的第二神经网络模型，对采样得到的所述一帧图像中的指定区域中是否包括所述场景标识进行识别；其中，所述第二神经网络模型是基于所述第一训练样本得到的，所述第一训练样本还包括用于表示所述指定区域中是否包含所述场景标识的标注；

若识别结果为包括所述场景标识，则执行所述获取所述游戏画面图像的操作；

若识别结果为不包括所述场景标识，则进行下一次采样；

其中，获取所述游戏画面图像的操作中获取的游戏画面图像，为本次采样和上一次采样之间的视频帧中的任一帧。

7.根据权利要求6所述的方法，其特征在于，若每次采样的识别结果均为所述指定区域中均不包括所述场景标识，则确定所述游戏视频中不存在基于游戏外挂生成的图像。

8.一种外挂识别模型的训练方法，其特征在于，所述外挂识别模型包括第一神经网络模型，所述方法包括：

获取第一训练样本，所述第一训练样本包括游戏画面图像的指定区域的截图，以及用于表示所述指定区域中所述目标对象的移动速度的标注；

基于所述第一训练样本，训练所述第一神经网络模型，以使得所述第一神经网络模型能够识别指定区域中所述目标对象的移动速度，所述移动速度用于确定训练样本中的图像是否为基于游戏外挂生成的图像。

9.根据权利要求8所述的方法，其特征在于，若所述目标对象的移动速度由至少一位数字构成，且不同位数字所占用的显示区域的大小不完全相同，则所述第一训练样本中还包括分割框的标注，所述分割框用于分割所述移动速度的每一位数字，且所述分割框的标注用于描述各分割框的大小以及位置；

所述第一神经网络模型还用于为所述第一训练样本中的图像的指定区域中的移动速度的各位数字分配相应的分割框；则第一神经网络模型识别所述指定区域中所述目标对象的移动速度，包括：

获取每个分割框内的图像区域，对每个分割框内的图像区域分别进行识别，得到各分割框内的图像区域包括的各位数字速度；

根据识别的每一位数字，得到所述目标对象的移动速度。

10.根据权利要求8所述的方法，其特征在于，所述指定区域中还包括表示所述目标对象是否处于移动速度可控制的游戏场景中的场景标识，

所述外挂识别模型还包括第二神经网络模型，所述第一训练样本还包括用于表示所述指定区域中是否包含所述场景标识的标注，所述方法还包括：

基于所述第一训练样本，训练所述第二神经网络模型，以使得所述第二神经网络模型能够识别游戏画面图像的指定区域中是否包含所述场景标识；

所述第一神经网络模型用于在所述第二神经网络模型确定所述指定区域中包含所述场景标识时，对指定区域中的目标对象的移动速度进行识别。

11.根据权利要求8或10所述的方法，其特征在于，所述外挂识别模型还包括类别识别模型，所述方法还包括：

获取第二训练样本，所述第二训练样本包括游戏画面图像中的目标对象的截图，以及表示所述目标对象所属的类别的标注；

基于所述第二训练样本，训练所述类别识别模型，以使得所述类别识别模型能够识别游戏画面图像中的目标对象所属的类别，所识别出的所述类别用于确定所述目标对象对应的设定速度上限。

12.一种外挂检测装置，其特征在于，包括：

图像获取单元，用于获取游戏画面图像，所述游戏画面图像是响应于游戏操作的画面，且所述游戏画面图像中包括指定区域，所述指定区域用于呈现目标对象的移动速度；

速度识别单元，用于识别所述指定区域中所述目标对象的移动速度；

外挂检测单元，用于在所述目标对象的移动速度大于所述目标对象的设定速度上限时，确定所述游戏画面图像为基于游戏外挂生成的图像。

13.一种外挂识别模型的训练装置，其特征在于，所述外挂识别模型包括第一神经网络模型，所述训练装置包括：

第一样本获取单元，用于获取第一训练样本，所述第一训练样本包括游戏画面图像的指定区域的截图，以及用于表示所述指定区域中所述目标对象的移动速度的标注；

第一训练单元，用于基于所述第一训练样本，训练所述第一神经网络模型，以使得所述第一神经网络模型能够识别指定区域中所述目标对象的移动速度，所述移动速度用于确定训练样本中的图像是否为基于游戏外挂生成的图像。

14.一种计算设备，其特征在于，包括至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行根据权利要求1-7、8-11任一项所述的方法。

15.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行根据权利要求1-7、8-11任一项所述的方法。

Images