CN111760292A - 采样数据的检测方法、装置及电子设备 - Google Patents

Abstract

本申请提供了一种采样数据的检测方法、装置及电子设备，通过电子设备预存目标对象的各个基准样本分别对应的第一特征集合和基于各个基准样本训练得到的多个特征识别模型，该方法包括：获取目标对象的采样数据；采样数据包括单次采样出的多个待测样本；分别将采样数据中的待测样本作为当前样本，执行以下操作：将当前样本分别输入多个特征识别模型，得到当前样本对应的第二特征集合；根据当前样本对应的第二特征集合和各个基准样本分别对应的第一特征集合，查找与当前样本匹配的目标基准样本；检测目标基准样本与当前样本之间的差异。本申请能够在单次采样数据冗余性大，采样频率低的场景下，较准确地完成待测数据与基准数据之间的差异检测。

Description

采样数据的检测方法、装置及电子设备

技术领域

本申请涉及数据检测技术领域，尤其是涉及一种采样数据的检测方法、装置及电子设备。

背景技术

对一个过程的检测可以转化为在待测过程和基准过程之间寻找差异，用差异衡量待测过程的指标。实际生产中一般对待测过程进行采样，用离散的点还原真实的待测过程。采样频率越高对原过程的复原越准确，进而与基准比较时得到的差异结果越真实可信。然而实际生产过程中，因生产环境，生产工具、方法的限制，很多生产过程，如果一次采样得到的数据量冗余性大，往往就无法得到频率足够高的采样，进而对准确的评价相似度带来困难。

发明内容

本申请的目的在于提供一种采样数据的检测方法、装置及电子设备，能够在单次采样数据冗余性大，采样频率低的场景下，较准确地完成待测数据与基准数据之间的差异检测或差异评价。

本申请实施例提供一种采样数据的检测方法，通过电子设备预存目标对象的各个基准样本分别对应的第一特征集合和基于各个基准样本训练得到的多个特征识别模型，其中，每个特征识别模型用于识别至少一类特征；该方法包括：获取目标对象的采样数据；采样数据包括单次采样出的至少一个待测样本；分别将采样数据中的待测样本作为当前样本，执行以下操作：将当前样本分别输入多个特征识别模型，得到当前样本对应的第二特征集合；根据当前样本对应的第二特征集合和各个基准样本分别对应的第一特征集合，查找与当前样本匹配的目标基准样本；检测目标基准样本与当前样本之间的差异。

进一步的，上述各个基准样本分别对应的第一特征集合通过以下方式得到：获取目标对象的各个基准样本；针对每个基准样本，均执行以下步骤：将基准样本进行特征分解，得到基准样本对应的多个特征；将多个特征组成的集合，作为基准样本对应的第一特征集合。

进一步的，上述多个特征识别模型通过以下方式训练得到：将各个基准样本分别对应的第一特征集合中的特征，按照特征类型进行分类聚合处理，得到各个特征类型分别对应的聚类特征集合；针对每个特征类型对应的聚类特征集合，均执行以下步骤：以聚类特征集合作为训练数据，对预设的神经网络模型进行训练，得到特征类型对应的特征识别模型。

进一步的，上述待测样本和基准样本均为图像；分类聚合处理的方法包括以下之一：像素直方图度量法、canny边缘检测法和连通域检测算法。

进一步的，上述将当前样本分别输入多个特征识别模型，得到当前样本对应的第二特征集合的步骤，包括：将当前样本分别输入每个特征类型对应的特征识别模型，得到每个特征识别模型输出的特征识别结果；将各个特征识别结果进行叠加，作为当前样本对应的第二特征集合。

进一步的，上述根据当前样本对应的第二特征集合和各个基准样本分别对应的第一特征集合，查找与当前样本匹配的目标基准样本的步骤，包括：根据当前样本对应的第二特征集合和各个基准样本对应的第一特征集合，计算各个基准样本分别与当前样本的相似度；将相似度最高的基准样本作为与当前样本匹配的目标基准样本。

进一步的，上述根据当前样本对应的第二特征集合和各个基准样本对应的第一特征集合，计算各个基准样本分别与当前样本的匹配度的步骤，包括：以当前样本对应的第二特征集合中的特征分别作为检索词，应用检索词对每个基准样本对应的第一特征集合进行检索，得到每个基准样本与当前样本的相似度。

进一步的，上述检测目标基准样本与当前样本之间的差异的步骤，包括：检测当前样本与目标基准样本在预设的特征类型上的差异。

进一步的，上述目标对象为游戏图形渲染；待测样本和基准样本均为多个游戏图形渲染图像。

第二方面，本申请实施例还提供一种采样数据的检测装置，通过电子设备预存目标对象的各个基准样本分别对应的第一特征集合和基于各个基准样本训练得到的多个特征识别模型，其中，每个特征识别模型用于识别至少一类特征；该装置包括：数据获取模块，用于获取目标对象的采样数据；采样数据包括单次采样出的至少一个待测样本；数据检测模块，用于分别将采样数据中的待测样本作为当前样本，执行以下操作：通过特征识别模块，将当前样本分别输入多个特征识别模型，得到当前样本对应的第二特征集合；通过样本匹配模块，根据当前样本对应的第二特征集合和各个基准样本分别对应的第一特征集合，查找与当前样本匹配的目标基准样本；通过差异检测模块，检测目标基准样本与当前样本之间的差异。

第三方面，本申请实施例还提供一种电子设备，包括处理器和存储器，存储器存储有能够被处理器执行的计算机可执行指令，处理器执行计算机可执行指令以实现上述采样数据的检测方法。

第四方面，本申请实施例还提供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可执行指令，计算机可执行指令在被处理器调用和执行时，计算机可执行指令促使处理器实现上述采样数据的检测方法。

本申请实施例提供一种采样数据的检测方法中，首先确定出各个基准样本对应的第一特征集合和基于各个基准样本训练出多个特征类型对应的特征识别模型，然后对于获取到的采样数据中的各个待测样本，利用上述各类特征识别模型进行特征识别，得到每个待测样本对应的第二特征集合，进一步，基于第二特征集合和上述各个基准样本对应的第一特征集合，确定出与每个待测样本匹配的目标基准样本，最后，根据目标基准样本和待测样本进行差异检测或者评价，本申请实施例通过对基准样本的特征提取，特征识别模型训练，对采样数据的特征识别、特征匹配等，可以在多个基准样本中找到与每个待测样本最匹配的基准样本，然后基于待测样本与其目标基准样本进行差异检测，可以较准确地对待测样本进行差异分析或评价。

附图说明

为了更清楚地说明本申请具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本申请的一些实施方式，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1为本申请实施例提供的一种采样数据的检测方法的流程图；

图2为本申请实施例提供的一种基准样本的特征分解示意图；

图3为本申请实施例提供的一种基准样本与其特征的对应关系示意图；

图4为本申请实施例提供的一种特征识别方法的流程图；

图5为本申请实施例提供的一种特征分类聚合示意图；

图6为本申请实施例提供的一种神经网络模型示意图；

图7为本申请实施例提供的一种采样数据中各待测样本的第二特征集合的示意图；

图8为本申请实施例提供的一种样本匹配方法的流程图；

图9为本申请实施例提供的一种待测样本与基准样本匹配关系的示意图；

图10为本申请实施例提供的一种采样数据的检测装置的结构框图；

图11为本申请实施例提供的另一种采样数据的检测装置的结构框图；

图12为本申请实施例提供的一种电子设备的结构示意图。

具体实施方式

下面将结合实施例对本申请的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

在实际生产过程中，由于生产环境、生产工具或方法等因素的限制，如果一次采样得到的数据量冗余性大，往往就无法得到频率足够高的采样，进而会给准确的评价相似度带来困难。以计算机图形引擎的渲染测试为例，如果把每帧的渲染结果都保存在内存中，很快就会耗尽内存资源；如果把每帧的渲染结果都输出到文件中，则会产生大量的I/O事件，降低程序性能、影响待测过程的可测性。所以只能降低采样的频率来获得样本；又因为图形引擎的同一段渲染程序，每次渲染在时间尺度上并非是严格一致的，因此，每次采样得到的图像可能在样本数量和样本内容上都有很大差异，这就为待测与基准之间的非高频采样的差异评价带来阻碍。

基于此，本申请实施例提供一种采样数据的检测方法、装置及电子设备，能够在单次采样数据冗余性大，采样频率低的场景下，较准确地完成待测数据与基准数据之间的差异检测或评价。

图1为本申请实施例提供的一种采样数据的检测方法的流程图，该方法通过电子设备预存目标对象的各个基准样本分别对应的第一特征集合和基于各个基准样本训练得到的多个特征识别模型，其中，每个特征识别模型用于识别至少一类特征。

上述目标对象可以是图形渲染测试，也可以是工厂生产流水线检测，或者是股票分析，亦可以是其他行业的输出过程的制程、品保检测等。上述各个基准样本是某一次采样过程中获取的多个基准样本，以图形渲染测试为例，每个基准样本就是一个图像。上述各个基准样本分别对应的第一特征集合，是对每个基准样本进行特征提取得到的特征集合，具体需要提取哪些特征可以由用户指定。第一特征集合中的特征用来与后续采样数据中的特征作对比，以便进行后续差异检测或评价。

上述采样数据的检测方法具体包括以下步骤：

步骤S102，获取目标对象的采样数据；采样数据包括单次采样出的至少一个待测样本。

实际应用中，针对不同的目标对象，有不同的采样数据。上述目标对象的采样数据与基准样本的数据类型是一致的，比如，上述基准样本为图形渲染的多个图像，那么采样数据也是图形渲染的图像，可以是一个，也可以是多个，也就是至少一个待测样本。由于单次采样数据冗余性大，通常来说，采样数据会包括多个待测样本，每次采样得到的样本数或者样本内容无法完全一致，因此，从基准样本中找到与待测样本最匹配的样本，进行差异检测。这种方式可以使差异检测结果更加准确。

步骤S104，分别将采样数据中的待测样本作为当前样本，执行以下操作：

(1)将当前样本分别输入多个特征识别模型，得到当前样本对应的第二特征集合。

通常来说，上述每个特征识别模型可以识别一类特征，比如，模型1可以识别图像中的人物，模型2可以识别图像中的道具，或者，分类更精细一些，模型1可以识别图像中的法师，模型2可以识别图像中的战士，模型3可以识别图像中的地板等。当然，不同的游戏对应的渲染图像，其中的特征也不相同，比如，卡牌类游戏中，渲染图像中的特征包括梅花A、红桃K等，需要关注哪些特征，或者对哪些指标进行差异检测，可以由用户进行指定。

上述采样数据中包括多个待测样本，将每个待测样本作为当前样本，将当前样本分别输入每个特征识别模型中，每个特征识别模型会输出一个识别结果，比如，有的模型没有识别出对应的特征，那么输出结果就是空，有的模型能够识别出对应的特征，如特征1或特征2等，那么最后该当前样本对应的特征识别结果就是由上述识别出的特征组成的集合。

(2)根据当前样本对应的第二特征集合和各个基准样本分别对应的第一特征集合，查找与当前样本匹配的目标基准样本。

查找与当前样本匹配的目标基准样本，也就是从多个基准样本中找到与当前样本最相似的基准样本，可以根据两者分别对应的特征进行相似度的计算，从而得到最相似的目标基准样本。

(3)检测目标基准样本与当前样本之间的差异。

在确定出与当前校本匹配的目标基准样本后，即可检测当前样本与目标基准样本之间的差异。通过对每个待测样本与其匹配的目标基准样本进行差异检测，可以得到上述采样数据的差异检测结果。

本申请实施例提供的采样数据的检测方法中，首先确定出各个基准样本对应的第一特征集合和基于各个基准样本训练出多个特征类型对应的特征识别模型，然后对于获取到的采样数据中的各个待测样本，利用上述各类特征识别模型进行特征识别，得到每个待测样本对应的第二特征集合，进一步，基于第二特征集合和上述各个基准样本对应的第一特征集合，确定出与每个待测样本匹配的目标基准样本，最后，根据目标基准样本和待测样本进行差异检测或者评价，本申请实施例通过对基准样本的特征提取，特征识别模型训练，对采样数据的特征识别、特征匹配等，可以在多个基准样本中找到与每个待测样本最匹配的基准样本，然后基于待测样本与其目标基准样本进行差异检测，可以较准确地对待测样本进行差异分析或评价。

为了方便后续进行特征对比分析，需要首先获取到每个基准样本中的特征，而基准样本中的特征的分解效果是否理想，取决于用户最初指定的特征集合，该特征集合中包含了所有基准样本中具体有特征，这个特征集合的生产方式，可以由用户手工添加生成亦可以由自动化软件动态识别生成，或者通过自动化与手工结合的形式半自动生成。该特征集合中的特征是单次采样冗余数据中能够尽可能得到的指标细节，例如计算机渲染出的角色、背景物体等具有明显特征的指标。

上述各个基准样本分别对应的第一特征集合可以通过以下方式得到：

(1)获取目标对象的各个基准样本。

(2)针对每个基准样本，均执行以下步骤：将基准样本进行特征分解，得到基准样本对应的多个特征；将多个特征组成的集合，作为基准样本对应的第一特征集合。

参见图2所示的一种基准样本的特征分解示意图，一个基准样本可以通过特征分解，得到多个特征，当对每个基准样本都进行上述特征分解后，就可以得到如图3所示的基准样本与其特征的对应关系示意图。

另外，分解后的特征是不固定的，具体与业务有关，如果是A游戏，分解出的特征可能是法师、战士、战场地板等等，如果是B游戏，可能就是梅花A、红桃K等，分解出的特征是什么，一方面取决于游戏画面本身，另一方面取决于图形分割算法质量。

由于上述采样数据为冗余性较大的复杂数据，为了准确地识别出采样数据中的特征，提高其特征识别准确度，本申请实施例提供一种特征识别模型的训练方法，可以参见考4所示的一种特征识别方法的流程图实现：

步骤S402，将各个基准样本分别对应的第一特征集合中的特征，按照特征类型进行分类聚合处理，得到各个特征类型分别对应的聚类特征集合。

如图3所示，对各个基准样本均进行特征分解后，建立了各个基准样本与其对应特征的映射关系，然后将各个基准样本分别对应的第一特征集合中的特征，按照特征类型进行分类聚合处理，也就是将相同特征类型的特征聚合到一起，聚合的方式有多种，可以通过手工方式进行，也可以通过计算机图形处理方式进行，比如，利用像素直方图度量法或者canny边缘检测法或连通域检测算法，或者以特征片段大小、像素直方图、canny边缘相似度、连通域等作为指标进行特征聚类。

各个基准样本进行特征聚类后形成了多个聚类特征集合，如图5所示，特征类型1、特征类型2……特征类型M均包括若干个子特征。特征聚类的目的一方面可以降低后续神经网络训练的难度，另一方面可以降低不同特征之间的耦合性，达到容易装载拆卸更换的目的。

每一个聚类特征集合中特征对应的基准样本可用于一种特征识别模型的训练，如步骤S404，针对每个特征类型对应的聚类特征集合，均执行以下步骤：以聚类特征集合作为训练数据，对预设的神经网络模型进行训练，得到特征类型对应的特征识别模型。

具体实施时，首先建立M个卷积神经网络，用于识别M个特征类型中的各个特征，如图6所示，其中M等于上面步骤中根据基准样本分解特征聚类后的特征类的数量。每个卷积神经网络CNN包括典型的输入层、卷积、池化层、全连接层、输出层。

然后，以上述每个聚类特征集合中特征对应的基准样本作为训练数据，输入到上述CNN中，并利用误差梯度法来训练CNN，得到特征类型1、特征类型2……特征类型M分别对应的M个特征识别模型，如：CNN₁、CNN₂……CNN_M。

在通过上述过程训练好多个特征识别模型后，利用多个特征识别模型对采样数据进行特征识别，具体的，可以依次将采样数据中的每个待测样本作为当前样本，然后进行以下操作：

对当前样本进行以下将当前样本分别输入每个特征类型对应的特征识别模型，得到每个特征识别模型输出的特征识别结果；将各个特征识别结果进行叠加，作为当前样本对应的第二特征集合。

也就是将当前样本，送入到上一步骤训练好的各个特征类型分别对应的CNN中，即CNN1、CNN2……CNNM，获得关于各个特征类型的收敛结果，某一特征类型的CNN收敛结果可以为零个或多个特征。然后上述当前样本的特征识别结果就等效于各个CNN收敛特征的叠加，就得到当前样本对应的第二特征集合，最后遍历所有待测样本，对其进行特征识别后，得到如图7所示的采样数据中各待测样本的第二特征集合的示意图，如待测样本1＝特征2_1+特2_2+特征3_3+……+特征M_x1。

在得到上述每个待测样本对应的第二特征集合后，根据当前样本对应的第二特征集合和各个基准样本分别对应的第一特征集合，查找与当前样本匹配的目标基准样本的步骤，可参考图8所示的一种样本匹配方法的流程图实现：

步骤S802，根据当前样本对应的第二特征集合和各个基准样本对应的第一特征集合，计算各个基准样本分别与当前样本的相似度。

具体的，以当前样本对应的第二特征集合中的特征分别作为检索词，应用检索词对每个基准样本对应的第一特征集合进行检索，得到每个基准样本与当前样本的相似度。

比如，可以针对每个基准样本对应的第一特征集合，均执行以下步骤：

利用当前样本对应的第二特征集合中的特征在基准样本的第一特征集合中进行检索，确定出检索到的特征数量，然后利用该特征数量除以当前样本的第二特征集合中的特征数量，得到的比值就是该基准样本与当前样本的相似度。

步骤S804，将相似度最高的基准样本作为与当前样本匹配的目标基准样本。

上述特征集合可以用特征等式的方式表示，如果基准样本的特征等式与当前样本的特征等式相同，也就是相似度100％，则可以确定二者是匹配的关系，或者没有完全相同的特征等式，就选择相似度最高的基准样本作为与当前样本匹配的目标基准样本。当确定出每个待测样本匹配的目标基准样本后，即可得到如图9所示的待测样本与基准样本匹配关系的示意图，基准样本的特征等式可以由上述第一特征集合中的特征进行叠加得到，待测样本的特征等式可以由上述第二特征集合中的特征进行叠加得到。逐个对每个待测样本和与其有匹配关系的基准样本计算差异，即可获得最终的检测结果，上述计算差异的方式可以通过检测待测样本与目标基准样本在预设的特征类型上的差异的方式进行，预设的特征类型可以是用户指定的，比如，用户只关注绿色通道中的差异，那么红、蓝通道的差异，可以指定为0。

本申请实施例提供的采样数据的检测方法，可以对只允许低频采样，但单次采样具有较大冗余性的采样场景进行质量检测，可以应用于图形渲染测试，亦可以应用于其他行业的输出过程的制程、品保。

比如，在工厂生产流水线应用场景中，将第一天所有工序下的所有工人的生产情况作为第一个基准样本；将第二天所有工序下的所有工人的生产情况作为第二个基准样本；一直到第30天，得到30个基准样本。每一天相同工序可以聚成一类，各工序下所有工人生产的产品组成第一特征集合。

然后下一月继续进行采样，将第一天所有工序下的所有工人的生产情况作为第一个待测样本；将第二天所有工序下的所有工人的生产情况作为第二个待测样本；一直到第30天，得到30个待测样本。

以第一个月的生产数据为基准，那么可以在上述30个基准样本中找到每个待测样本对应的相似度最高的一天的生产数据，进而对比差异，就可以找到，第二个月比第一个月生产能力下降或提高的原因。

本申请实施例中对特征的分类聚合处理，可以增加后面特征识别模型CNN的整体数量，降低训练神经网络的训练难度，加快收敛速度。进而利用CNN能够将待测样本快速准确的分解成特征组合结果，加快整体系统的计算时间。最后建立待测样本到基准样本的匹配关系，将差异计算的用户可控性与检测系统本身解耦，提高用户控制的自由度，将用户的精力放在待测对象本身。

基于上述方法实施例，本申请实施例还提供一种采样数据的检测装置，通过电子设备预存目标对象的各个基准样本分别对应的第一特征集合和基于各个基准样本训练得到的多个特征识别模型，其中，每个特征识别模型用于识别第一特征集合中的至少一类特征；参见图10所示的采样数据的检测装置的结构框图，该装置包括：

数据获取模块101，用于获取目标对象的采样数据；采样数据包括单次采样出的多个待测样本；

数据检测模块102，用于分别将采样数据中的待测样本作为当前样本，执行以下操作：

通过特征识别模块1021，将当前样本分别输入多个特征识别模型，得到当前样本对应的第二特征集合；

通过样本匹配模块1022，根据当前样本对应的第二特征集合和各个基准样本分别对应的第一特征集合，查找与当前样本匹配的目标基准样本；

通过差异检测模块1023，检测目标基准样本与当前样本之间的差异。

在另一种实施方式中，除了包括与上一实施例类似的数据获取模块111、数据检测模块112、特征识别模块1121、样本匹配模块1122、差异检测模块1123外，还可以包括特征分解模块113和模型训练模块114，参见图11所示。

其中，上述特征分解模块113用于：将基准样本进行特征分解，得到基准样本对应的多个特征；将多个特征组成的集合，作为基准样本对应的第一特征集合。

上述模型训练模块114用于：将各个基准样本分别对应的第一特征集合中的特征，按照特征类型进行分类聚合处理，得到各个特征类型分别对应的聚类特征集合；针对每个特征类型对应的聚类特征集合，均执行以下步骤：以聚类特征集合作为训练数据，对预设的神经网络模型进行训练，得到特征类型对应的特征识别模型。

在另一种可能的实施方式中，上述待测样本和基准样本均为图像；分类聚合处理的方法包括以下之一：像素直方图度量法、canny边缘检测法和连通域检测算法。

在另一种可能的实施方式中，上述特征识别模块1121用于：将当前样本分别输入每个特征类型对应的特征识别模型，得到每个特征识别模型输出的特征识别结果；将各个特征识别结果进行叠加，作为当前样本对应的第二特征集合。

在另一种可能的实施方式中，上述样本匹配模块1122用于：根据当前样本对应的第二特征集合和各个基准样本对应的第一特征集合，计算各个基准样本分别与当前样本的相似度；将相似度最高的基准样本作为与当前样本匹配的目标基准样本。

在另一种可能的实施方式中，上述样本匹配模块1122用于：以当前样本对应的第二特征集合中的特征分别作为检索词，应用检索词对每个基准样本对应的第一特征集合进行检索，得到每个基准样本与当前样本的相似度。

在另一种可能的实施方式中，上述差异检测模块1123用于：检测当前样本与目标基准样本在预设的特征类型上的差异。

在另一种可能的实施方式中，上述目标对象为游戏图形渲染；待测样本和基准样本均为多个游戏图形渲染图像。

本申请实施例提供的采样数据的检测装置，其实现原理及产生的技术效果和前述采样数据的检测方法实施例相同，为简要描述，采样数据的检测装置的实施例部分未提及之处，可参考前述采样数据的检测方法实施例中相应内容。

本申请实施例还提供了一种电子设备，如图12所示，为该电子设备的结构示意图，其中，该电子设备包括处理器121和存储器120，该存储器120存储有能够被该处理器121执行的计算机可执行指令，该处理器121执行该计算机可执行指令以实现上述游戏中虚拟商品的推荐方法。

在图12示出的实施方式中，该电子设备还包括总线122和通信接口123，其中，处理器121、通信接口123和存储器120通过总线122连接。

其中，存储器120可能包含高速随机存取存储器(RAM，Random Access Memory)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。通过至少一个通信接口123(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网，广域网，本地网，城域网等。总线122可以是ISA(IndustryStandard Architecture，工业标准体系结构)总线、PCI(Peripheral ComponentInterconnect，外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture，扩展工业标准结构)总线等。所述总线122可以分为地址总线、数据总线、控制总线等。为便于表示，图12中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。

处理器121可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器121中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器121可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(DigitalSignal Processor，简称DSP)、专用集成电路(Application Specific IntegratedCircuit，简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array，简称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。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。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器121读取存储器中的信息，结合其硬件完成前述实施例的游戏中虚拟商品的推荐方法的步骤。

本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令在被处理器调用和执行时，该计算机可执行指令促使处理器实现上述采样数据的检测方法，具体实现可参见前述方法实施例，在此不再赘述。

本申请实施例所提供的采样数据的检测方法、装置和电子设备的计算机程序产品，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见方法实施例，在此不再赘述。

除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对步骤、数字表达式和数值并不限制本申请的范围。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

在本申请的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

最后应说明的是：以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应所述以权利要求的保护范围为准。

Claims (12)

1.一种采样数据的检测方法，其特征在于，通过电子设备预存目标对象的各个基准样本分别对应的第一特征集合和基于各个所述基准样本训练得到的多个特征识别模型，其中，每个特征识别模型用于识别至少一类特征；所述方法包括：

获取所述目标对象的采样数据；所述采样数据包括单次采样出的至少一个待测样本；

分别将所述采样数据中的待测样本作为当前样本，执行以下操作：

将所述当前样本分别输入多个所述特征识别模型，得到所述当前样本对应的第二特征集合；

根据所述当前样本对应的第二特征集合和各个基准样本分别对应的第一特征集合，查找与所述当前样本匹配的目标基准样本；

检测所述目标基准样本与所述当前样本之间的差异。

2.根据权利要求1所述的方法，其特征在于，所述各个基准样本分别对应的第一特征集合通过以下方式得到：

获取所述目标对象的各个基准样本；

针对每个所述基准样本，均执行以下步骤：

将所述基准样本进行特征分解，得到所述基准样本对应的多个特征；

将多个特征组成的集合，作为所述基准样本对应的第一特征集合。

3.根据权利要求1所述的方法，其特征在于，所述多个特征识别模型通过以下方式训练得到：

将各个所述基准样本分别对应的第一特征集合中的特征，按照特征类型进行分类聚合处理，得到各个特征类型分别对应的聚类特征集合；

针对每个特征类型对应的聚类特征集合，均执行以下步骤：

以所述聚类特征集合作为训练数据，对预设的神经网络模型进行训练，得到所述特征类型对应的特征识别模型。

4.根据权利要求3所述的方法，其特征在于，所述待测样本和所述基准样本均为图像；所述分类聚合处理的方法包括以下之一：像素直方图度量法、canny边缘检测法和连通域检测算法。

5.根据权利要求1所述的方法，其特征在于将所述当前样本分别输入多个所述特征识别模型，得到所述当前样本对应的第二特征集合的步骤，包括：

将所述当前样本分别输入每个特征类型对应的特征识别模型，得到每个特征识别模型输出的特征识别结果；

将各个所述特征识别结果进行叠加，作为所述当前样本对应的第二特征集合。

6.根据权利要求1所述的方法，其特征在于，根据所述当前样本对应的第二特征集合和各个基准样本分别对应的第一特征集合，查找与所述当前样本匹配的目标基准样本的步骤，包括：

根据所述当前样本对应的第二特征集合和各个基准样本对应的第一特征集合，计算各个所述基准样本分别与所述当前样本的相似度；

将相似度最高的基准样本作为与所述当前样本匹配的目标基准样本。

7.根据权利要求6所述的方法，其特征在于，根据所述当前样本对应的第二特征集合和各个基准样本对应的第一特征集合，计算各个所述基准样本分别与所述当前样本的匹配度的步骤，包括：

以所述当前样本对应的第二特征集合中的特征分别作为检索词，应用所述检索词对每个基准样本对应的第一特征集合进行检索，得到每个所述基准样本与所述当前样本的相似度。

8.根据权利要求1所述的方法，其特征在于，检测所述目标基准样本与所述当前样本之间的差异的步骤，包括：

检测所述当前样本与所述目标基准样本在预设的特征类型上的差异。

9.根据权利要求1所述的方法，其特征在于，所述目标对象为游戏图形渲染；所述待测样本和所述基准样本均为多个游戏图形渲染图像。

10.一种采样数据的检测装置，其特征在于，通过电子设备预存目标对象的各个基准样本分别对应的第一特征集合和基于各个所述基准样本训练得到的多个特征识别模型，其中，每个特征识别模型用于识别至少一类特征；所述装置包括：

数据获取模块，用于获取所述目标对象的采样数据；所述采样数据包括单次采样出的至少一个待测样本；

数据检测模块，用于分别将所述采样数据中的待测样本作为当前样本，执行以下操作：

通过特征识别模块，将所述当前样本分别输入多个所述特征识别模型，得到所述当前样本对应的第二特征集合；

通过样本匹配模块，根据所述当前样本对应的第二特征集合和各个基准样本分别对应的第一特征集合，查找与所述当前样本匹配的目标基准样本；

通过差异检测模块，检测所述目标基准样本与所述当前样本之间的差异。

11.一种电子设备，其特征在于，包括处理器和存储器，所述存储器存储有能够被所述处理器执行的计算机可执行指令，所述处理器执行所述计算机可执行指令以实现权利要求1至9任一项所述的方法。

12.一种计算机可读存储介质，其特征在于，所述计算机可读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在被处理器调用和执行时，计算机可执行指令促使处理器实现权利要求1至9任一项所述的方法。

Images