CN108491804A - 一种棋局展示的方法、相关装置及系统 - Google Patents
一种棋局展示的方法、相关装置及系统 Download PDFInfo
- Publication number
- CN108491804A CN108491804A CN201810258316.9A CN201810258316A CN108491804A CN 108491804 A CN108491804 A CN 108491804A CN 201810258316 A CN201810258316 A CN 201810258316A CN 108491804 A CN108491804 A CN 108491804A
- Authority
- CN
- China
- Prior art keywords
- chess
- chess game
- image
- game
- recognition result
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 67
- 230000008859 change Effects 0.000 claims abstract description 43
- 238000012549 training Methods 0.000 claims description 41
- 230000015654 memory Effects 0.000 claims description 37
- 230000005540 biological transmission Effects 0.000 claims description 21
- 238000012986 modification Methods 0.000 claims description 19
- 230000004048 modification Effects 0.000 claims description 19
- 238000003860 storage Methods 0.000 claims description 14
- 235000013399 edible fruits Nutrition 0.000 claims description 12
- 238000013527 convolutional neural network Methods 0.000 claims description 8
- 238000005516 engineering process Methods 0.000 abstract description 16
- 238000010586 diagram Methods 0.000 description 26
- 238000001514 detection method Methods 0.000 description 19
- 230000006870 function Effects 0.000 description 13
- 238000012545 processing Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 10
- 230000006854 communication Effects 0.000 description 6
- 238000001228 spectrum Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000002513 implantation Methods 0.000 description 2
- 238000012905 input function Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 230000007257 malfunction Effects 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 238000010422 painting Methods 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 238000009877 rendering Methods 0.000 description 2
- 238000007873 sieving Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 241000283080 Proboscidea <mammal> Species 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000005314 correlation function Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012916 structural analysis Methods 0.000 description 1
- 238000010897 surface acoustic wave method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/94—Hardware or software architectures specially adapted for image or video understanding
- G06V10/955—Hardware or software architectures specially adapted for image or video understanding using specific electronic processors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/94—Hardware or software architectures specially adapted for image or video understanding
- G06V10/95—Hardware or software architectures specially adapted for image or video understanding structured as a network, e.g. client-server architectures
Abstract
本发明实施例公开了一种棋局展示的方法，包括：获取棋局视频图像，其中，所述棋局视频图像包含多帧棋局图像；若所述棋局视频图像中的目标棋局图像满足棋局突变条件，则向服务器发送所述目标棋局图像，以使所述服务器根据棋局识别模型以及所述目标棋局图像确定棋子识别结果，其中，所述棋子识别结果用于表示棋子在棋盘中的位置信息；接收所述服务器发送的所述棋子识别结果；根据所述棋子识别结果渲染并展示电子棋局。本发明实施例还提供一种客户端、服务器以及棋局展示系统，本发明实施例采用图像识别技术对棋局图像进行识别，并根据棋子识别结果展示电子棋局，从而节省了展示棋局的成本，也增加了棋局展示的准确性。
Description
技术领域
本发明涉及图像识别领域，尤其涉及一种棋局展示的方法、相关装置及系统。
背景技术
琴棋书画是古代文人骚客修身养性必须掌握的技能，到现代社会，琴棋书画往往显示一个人的文化素养。随着电子科技的日渐普及，棋手之间的对弈被搬上了荧幕，越来越多的人可以通过视频观看到对弈棋局。
目前，为了方便观众通过荧幕直观地看到棋手之间的对弈棋局，可以在棋子和棋盘中植入芯片，形成电子棋盘，由此便能够实时地直播对局过程。
然而，在棋具中植入芯片的成本非常高，各个赛事都要为比赛准备大量的棋具，同时植入芯片的棋具在保存上也需要加倍小心，防止因为芯片出现问题而导致棋局记录出错。
发明内容
本发明实施例提供了一种棋局展示的方法、相关装置及系统，采用图像识别技术对棋局图像进行识别，并根据棋子识别结果展示电子棋局，从而节省了展示棋局的成本，也增加了棋局展示的准确性。
本发明的第一方面提供了一种棋局展示的方法，包括：
获取棋局视频图像，其中，所述棋局视频图像包含多帧棋局图像；
若所述棋局视频图像中的目标棋局图像满足棋局突变条件，则向服务器发送所述目标棋局图像，以使所述服务器根据棋局识别模型以及所述目标棋局图像确定棋子识别结果，其中，所述棋子识别结果用于表示棋子在棋盘中的位置信息；
接收所述服务器发送的所述棋子识别结果；
根据所述棋子识别结果渲染并展示电子棋局。
本发明的第二方面提供了一种棋局展示的方法，包括：
接收客户端发送的目标棋局图像，其中，所述目标棋局图像为满足棋局突变条件的棋局图像；
根据棋局识别模型以及所述目标棋局图像确定棋子识别结果，其中，所述棋子识别结果用于表示棋子在棋盘中的位置信息；
向所述客户端发送所述棋子识别结果，以使所述客户端根据所述棋子识别结果渲染并展示电子棋局。
本发明的第三方面提供了一种客户端，包括：
获取模块，用于获取棋局视频图像，其中，所述棋局视频图像包含多帧棋局图像；
发送模块，用于若所述获取模块获取的所述棋局视频图像中的目标棋局图像满足棋局突变条件，则向服务器发送所述目标棋局图像，以使所述服务器根据棋局识别模型以及所述目标棋局图像确定棋子识别结果，其中，所述棋子识别结果用于表示棋子在棋盘中的位置信息；
接收模块，用于接收所述服务器发送的所述棋子识别结果；
展示模块，用于根据所述接收模块接收的所述棋子识别结果渲染并展示电子棋局。
本发明的第四方面提供了一种服务器，包括：
接收模块，用于接收客户端发送的目标棋局图像，其中，所述目标棋局图像为满足棋局突变条件的棋局图像；
确定模块，用于根据棋局识别模型以及所述接收模块接收的所述目标棋局图像确定棋子识别结果，其中，所述棋子识别结果用于表示棋子在棋盘中的位置信息；
发送模块，用于向所述客户端发送所述确定模块确定的所述棋子识别结果，以使所述客户端根据所述棋子识别结果渲染并展示电子棋局。
本发明的第五方面提供了一种客户端，所述客户端包括：存储器、收发器、处理器以及总线系统；
其中，所述存储器用于存储程序；
所述处理器用于执行所述存储器中的程序，包括如下步骤：
获取棋局视频图像，其中，所述棋局视频图像包含多帧棋局图像；
若所述棋局视频图像中的目标棋局图像满足棋局突变条件，则向服务器发送所述目标棋局图像，以使所述服务器根据棋局识别模型以及所述目标棋局图像确定棋子识别结果，其中，所述棋子识别结果用于表示棋子在棋盘中的位置信息；
接收所述服务器发送的所述棋子识别结果；
根据所述棋子识别结果渲染并展示电子棋局；
所述总线系统用于连接所述存储器以及所述处理器，以使所述存储器以及所述处理器进行通信。
本发明的第六方面提供了一种服务器，所述服务器包括：存储器、收发器、处理器以及总线系统；
其中，所述存储器用于存储程序；
所述处理器用于执行所述存储器中的程序，包括如下步骤：
接收客户端发送的目标棋局图像，其中，所述目标棋局图像为满足棋局突变条件的棋局图像；
根据棋局识别模型以及所述目标棋局图像确定棋子识别结果，其中，所述棋子识别结果用于表示棋子在棋盘中的位置信息；
向所述客户端发送所述棋子识别结果，以使所述客户端根据所述棋子识别结果渲染并展示电子棋局；
所述总线系统用于连接所述存储器以及所述处理器，以使所述存储器以及所述处理器进行通信。
本发明的第七方面提供了一种棋局展示系统，所述棋局展示系统包括客户端以及服务器；
所述客户端获取棋局视频图像，其中，所述棋局视频图像包含多帧棋局图像；
若所述棋局视频图像中的目标棋局图像满足棋局突变条件，则所述客户端向服务器发送所述目标棋局图像；
所述服务器根据棋局识别模型以及所述目标棋局图像确定棋子识别结果，其中，所述棋子识别结果用于表示棋子在棋盘中的位置信息；
所述服务器向所述客户端发送所述棋子识别结果；
所述客户端根据所述棋子识别结果渲染并展示电子棋局。
本发明的第八方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述各方面所述的方法。
从以上技术方案可以看出，本发明实施例具有以下优点：
本发明实施例中，提供了一种棋局展示的方法，首先由客户端获取棋局视频图像，若棋局视频图像中的目标棋局图像满足棋局突变条件，则客户端向服务器发送目标棋局图像，服务器根据棋局识别模型以及目标棋局图像确定棋子识别结果，并向客户端发送棋子识别结果，最后客户端可以根据棋子识别结果渲染并展示电子棋局。通过上述方式，无需在棋局中植入任何的芯片装置，而是采用图像识别技术对棋局图像进行识别，以确定棋子识别结果，并根据棋子识别结果展示电子棋局，从而节省了展示棋局的成本，也增加了棋局展示的准确性。
附图说明
图1为本发明实施例中棋局展示系统的一个架构示意图；
图2为本发明实施例中电子棋局的一个界面示意图；
图3为本发明实施例中棋局展示的方法一个实施例示意图；
图4为本发明实施例中获取棋局视频图像的一个场景示意图；
图5为本发明实施例中电子棋盘的一个场景示意图；
图6为本发明实施例中棋局展示的方法另一个实施例示意图；
图7为本发明应用场景中棋局展示的一个流程示意图；
图8为本发明实施例中客户端的一个实施例示意图；
图9为本发明实施例中客户端的另一个实施例示意图；
图10为本发明实施例中客户端的另一个实施例示意图；
图11为本发明实施例中服务器的一个实施例示意图；
图12为本发明实施例中服务器的另一个实施例示意图；
图13为本发明实施例中客户端的一个结构示意图；
图14为本发明实施例中服务器的一个结构示意图；
图15为本发明实施例中棋局展示系统的一个实施例示意图。
具体实施方式
本发明实施例提供了一种棋局展示的方法、相关装置及系统，采用图像识别技术对棋局图像进行识别，并根据棋子识别结果展示电子棋局，从而节省了展示棋局的成本，也增加了棋局展示的准确性。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应理解，本发明可以应用于多种棋类对局场景，例如中国象棋、国际象棋、军棋和围棋等棋类，在许多棋类比赛中都具有直播或转播的需求，观众可以通过荧屏观看棋手对弈的过程，但是直接通过摄像机拍摄棋局并不能很好地看清棋局的变化，所以需要将真正棋局转换为电子棋局，并在荧幕上进行展示，下面将结合图1和图2介绍棋局展示的方法。
请参阅图1，图1为本发明实施例中棋局展示系统的一个架构示意图，如图所示，客户端具体可以安装于终端设备上，终端设备包含但不仅限于手机、平板电脑或者个人电脑等，其中，在拍摄棋局视频图像的过程中可以采用终端设备内置的摄像头，也可以采用内外置摄像头拍摄。如图1，假设手机具有摄像功能，那么该手机则可以将拍摄得到的棋局视频图像上传给服务器。假设个人电脑不具有摄像功能，那么该个人电脑可以外接一部摄像设备(或摄像头)，由摄像设备拍摄棋局视频图像，再将棋局视频图像传输至个人电脑，个人电脑则可以将拍摄得到的棋局视频图像上传给服务器。
服务器上部署有通用网关接口(Common Gateway Interface，CGI)程序，可选地，服务器配置为Intel(R)Xeon(R)CPU E5-2620v3，40G内存，基于Apache(版本号2.0.59)。图像识别模块部署在TS80服务器上，TS80服务器配置为双6核CPU(其中CPU型号为Intel(R)Xeon(R)E5-2620v3)，64G内存，12×480G固态硬盘(Solid State Drives，SSD)，1×80GSSD，万兆网卡。图像检测模块基于计算机程序设计语言python，调用第二代人工智能学习系统tensorflow进行棋子识别。
请参阅图2，图2为本发明实施例中电子棋局的一个界面示意图，如图所示，假设当前有两位棋手正在进行对弈，观众可以通过终端设备观看两位棋手对弈的过程以及棋局的变化，观众所看到的棋局具体为电子棋局。这样的话，能够更清晰地看到每步棋的变化。此外，很多时候除了在对局过程中需要展示棋局，还需要展示棋谱。棋谱是指用图和文字记述棋局的基本技术和开局、中局、残局着法的书和图谱，按所记述的棋局排演，可参考吸收其着法，或探讨研究名手的棋艺风格。按棋种，可分为中国象棋谱、围棋谱、国际象棋谱等。
本发明将大数据领域相关技术应用到生活中，通过大量图像训练得到的棋局识别模型，利用该棋局识别模型能够确定棋局变化，解决了棋类比赛转播遇到的或是不经济、不方便以及技术上难以实现的问题。
下面将从客户端的角度，对本发明中棋局展示的方法进行介绍，请参阅图3，本发明实施例中棋局展示的方法一个实施例包括：
101、获取棋局视频图像，其中，棋局视频图像包含多帧棋局图像；
本实施例中，首先客户端获取棋局视频图像，其中，获取棋局视频图像的方式可以直接通过终端设备的内置摄像模块来实现，也可以通过外部摄像设备拍摄后传输至客户端来实现。请参阅图4，图4为本发明实施例中获取棋局视频图像的一个场景示意图，如图所示，这是采用外部摄像机进行棋局的拍摄，然后由摄像机将拍摄的棋局视频图像发送至客户端。其中，棋局视频图像包含了多帧的棋局图像。
可以理解的是，棋局图像可预先进行处理，比如，降低棋局图像的图像像素，从而达到压缩棋局图像的目的。
102、若棋局视频图像中的目标棋局图像满足棋局突变条件，则向服务器发送目标棋局图像，以使服务器根据棋局识别模型以及目标棋局图像确定棋子识别结果，其中，棋子识别结果用于表示棋子在棋盘中的位置信息；
本实施例中，客户端会对棋局视频图像进行检测，如果在棋局视频图像中出现满足棋局突变条件的一帧棋局图像，则该棋局图像可称为目标棋局图像。客户端向服务器发送目标棋局图像，服务器利用预先训练得到的棋局识别模型对目标棋局图像进行处理，并得到棋子识别结果。其中，棋子识别结果表示棋子在棋盘中的位置信息，位置信息可以表示为坐标，比如(5,6)。
103、接收服务器发送的棋子识别结果；
本实施例中，服务器向客户端发送棋子识别结果，也就是由服务器告知客户端在棋盘上各个棋子所在的位置信息。
104、根据棋子识别结果渲染并展示电子棋局。
本实施例中，了解每个棋子的坐标以后，可以很方便地将逻辑棋盘转化为电子棋盘。其中，逻辑棋盘是指通过字符串记录的棋盘信息，而电子棋盘是指由计算机生成的棋盘图像。客户端将棋子识别结果进行渲染，渲染是指用软件从模型生成图像的过程，模型是用严格定义的语言或者数据结构对于三维物体的描述，它包括几何、视点、纹理以及照明信息。
具体地，请参阅图5，图5为本发明实施例中电子棋盘的一个场景示意图，如图所示，在个人电脑上可以看到如何将一个真实的棋局转换为电子棋局，并予以展示。
本发明实施例中，提供了一种棋局展示的方法，首先由客户端获取棋局视频图像，若棋局视频图像中的目标棋局图像满足棋局突变条件，则客户端向服务器发送目标棋局图像，服务器根据棋局识别模型以及目标棋局图像确定棋子识别结果，并向客户端发送棋子识别结果，最后客户端可以根据棋子识别结果渲染并展示电子棋局。通过上述方式，无需在棋局中植入任何的芯片装置，而是采用图像识别技术对棋局图像进行识别，以确定棋子识别结果，并根据棋子识别结果展示电子棋局，从而节省了展示棋局的成本，也增加了棋局展示的准确性。
可选地，在上述图3对应的实施例的基础上，本发明实施例提供的棋局展示的方法第一个可选实施例中，获取棋局视频图像之后，还可以包括：
若当前棋局属于第一棋局类型，则每间隔N帧棋局图像从棋局图像中确定棋盘位置，其中，N为大于0的整数；
若当前棋局属于第二棋局类型，则每间隔M帧棋局图像从棋局图像中确定棋盘位置，其中，M为大于N的整数。
本实施例中，客户端在对局开始之后需要根据当前棋局的类型选择获取棋局图像的频率，通常情况下，如果是快棋类型，那么需要更高频率地处理一次棋局视频图像。如果是慢棋类型，那么可以低频率地处理一次棋局视频图像。
具体地，第一棋局类型可以是快棋类型，第二棋局类型可以是慢棋类型，假设当前棋局属于第一棋局类型，则每间隔N帧棋局图像就需要从棋局视频图像中确定棋盘位置，N为大于0的整数，比如N为5。假设当前棋局属于第二棋局类型，则每间隔M帧棋局图像就需要从棋局视频图像中确定棋盘位置，M为大于N的整数，比如M为10。
由于录像机通常架设于对局桌的一侧，棋局视频图像中的棋盘不是矩形。可以通过计算机视觉技术将每一帧图像中的棋盘调整为矩形，同时保证棋子和交叉点的相对位置不发生改变。
客户端可根据比赛是快棋还是慢棋，决定每隔几帧处理一次视频图像。处理时可以通过预设位置或边框检测的方法确定棋盘的位置，之后可利用开源计算机视觉库(OpenSource Computer Vision Library，OpenCV)或者神经网络模型将棋盘自动调整成矩形。OpenCV是一个基于伯克利软件套件(Berkeley Software Distribution，BSD)开源发行的跨平台计算机视觉库，OpenCV用C++语言编写，它的主要接口也是C++语言。OpenCV和神经网络模型可应用于人机互动场景、物体识别场景、图像分割场景、人脸识别场景、动作识别场景、运动跟踪场景、运动分析场景、机器视觉场景、结构分析场景以及汽车安全驾驶场景。
其次，本发明实施例中，客户端可根据比赛当前棋局的类型，决定每隔几帧处理一次棋局图像。通过上述方式，可以根据棋手下棋的快慢来调节棋子位置检测的频率高低，对于不同的棋局变化节奏选择合理的处理频率，一方面有利于节省处理器的处理资源，另一方面无需人工干预，就能自动地适应性调整检测频率，从而提升方案的实用性和可操作性。
可选地，在上述图3对应的实施例的基础上，本发明实施例提供的棋局展示的方法第二个可选实施例中，获取棋局视频图像之后，还可以包括：
从棋局视频图像中获取第一棋局图像和第二棋局图像，其中，第二棋局图像为第一棋局图像相邻的下一帧图像；
根据第一棋局图像和第二棋局图像，确定第一图像相似度；
若第一图像相似度未达到相似度门限，则将第二棋局图像确定为目标棋局图像，其中，目标棋局图像满足棋局突变条件。
本实施例中，客户端在获取棋局视频图像之后，将从棋局视频图像中获取第一棋局图像和第二棋局图像，其中，第二棋局图像为第一棋局图像相邻的下一帧图像。接下来，由客户端分析连续两帧之间的图像相似度，第一棋局图像和第二棋局图像之间的图像相似度称为第一图像相似度。图像相似度可以通过对两张图片运用统计方法得到的一个介于0和1之间的浮点数，该数值越接近1，则两张图片相似程度越高。
假设相似度门限为0.9，如果第一图像相似度达到0.9，说明第一棋局图像和第二棋局图像非常相似，如果第一图像相似度未达到0.9，说明第一棋局图像和第二棋局图像之间发生了棋局突变，将后面一帧棋局图像确定为目标棋局图像。
其次，本发明实施例中，客户端会从棋局视频图像中获取两帧连续的棋局图像，分别为第一棋局图像和第二棋局图像，其中，第二棋局图像为第一棋局图像相邻的下一帧图像，再确定第一棋局图像和第二棋局图像之间的第一图像相似度，若第一图像相似度未达到相似度门限，则将第二棋局图像确定为目标棋局图像。通过上述方式，引入了图片相似度比较的技术，客户端只需要将相似度差距较大的棋局图像筛选出来作为目标棋局图像，服务器仅处理这些目标棋局图像，无需检测视频流中的所有图片，从而大大节省了服务器的计算开销。
可选地，在上述图3对应的第二个实施例的基础上，本发明实施例提供的棋局展示的方法第三个可选实施例中，根据第一棋局图像和第二棋局图像，确定第一图像相似度之后，还可以包括：
若第一图像相似度未达到相似度门限，则从棋局视频图像中获取第三棋局图像，其中，第三棋局图像为第二棋局图像相邻的下一帧图像；
根据第三棋局图像和第二棋局图像，确定第二图像相似度；
若第二图像相似度未达到相似度门限，则将第三棋局图像确定为目标棋局图像，其中，目标棋局图像满足棋局突变条件。
本实施例中，客户端在根据第一棋局图像和第二棋局图像，确定第一图像相似度之后，如果第一图像相似度没有达到相似度门限，则客户端会继续获取下一帧棋局图像，即第三棋局图像，第三棋局图像为第二棋局图像相邻的下一帧图像。类似地，客户端分析连续两帧之间的图像相似度，第二棋局图像和第三棋局图像之间的图像相似度称为第二图像相似度。
如果第二图像相似度未达到相似度门限，则将第三棋局图像确定为目标棋局图像，其中，目标棋局图像满足棋局突变条件。
再次，本发明实施例中，客户端根据第一棋局图像和第二棋局图像，确定第一图像相似度之后，若第一图像相似度未达到相似度门限，则从棋局视频图像中获取第三棋局图像，在再根据第三棋局图像和第二棋局图像，确定第二图像相似度，若第二图像相似度未达到相似度门限，则将第三棋局图像确定为目标棋局图像。通过上述方式，当棋局局面发生变化的瞬间，前后两张图片的相似度会显著下降，只有在这种情况下，棋局识别模型才会重新确定一遍各个棋子的位置。因此，尽管棋局视频图像需要处理的图片很多，神经网络也不需要持续运作，从而提升方案的实用性。
可选地，在上述图3以及图3对应的第一至第三个实施例中任一项的基础上，本发明实施例提供的棋局展示的方法第四个可选实施例中，接收服务器发送的棋子识别结果之后，还可以包括：
根据预设对弈规则以及棋子识别结果，生成对局棋谱信息，其中，对局棋谱信息用于表示对弈流程。
本实施例中，客户端接收服务器发送的棋子识别结果之后，可以利用预设的对弈规则以及棋子识别结果，生成对局棋谱信息。其中，对局棋谱信息用于表示对弈流程，简单而言，对局棋谱信息也就是棋谱。
具体地，以象棋为例，在预设对弈规则中可以加入“马走日，象走田”的规则，如果与棋子识别结果不一致，则以预设对弈规则为准进行修正。比如，甲和乙正在对弈，甲因为粗心大意，将“象”走成了“日”字，棋局识别模型识别出“象”这个棋子的位置信息，但是实际上，按照象棋的规则，象是不会出现在这个位置上的。于是，根据预设对弈规则对“象”的位置信息进行调整，生成正确的对局棋谱信息。
下面以一个表格为例，说明对局棋谱信息的内容，请参阅表1。
表1
需要说明的是，表1中的对局棋谱信息仅为一个示意，并不应理解为对本发明的限定。
进一步地，本发明实施例中，棋手的每一步走法都会被保存，直至终局后，所有的走法则构成本局的棋谱。也就是说客户端接收服务器发送的棋子识别结果之后，还可以根据预设对弈规则以及棋子识别结果，生成对局棋谱信息。通过上述方式，能够保证棋谱记录不会出错，且同时采用棋局识别模型和预设对弈规则的双重保险来确定棋局，还能够提升电子棋局的准确率。此外，相比于人工记录棋谱，本方案节省了大量的人力成本。
可选地，在上述图3对应的第四个实施例的基础上，本发明实施例提供的棋局展示的方法第五个可选实施例中，根据预设对弈规则以及棋子识别结果，生成对局棋谱信息，可以包括：
判断棋子识别结果是否满足预设对弈规则；
若棋子识别结果满足预设对弈规则，则生成对局棋谱信息；
若棋子识别结果不满足预设对弈规则，则根据预设对弈规则更新得到对局棋谱信息。
本实施例中，客户端在生成准确的对局棋谱信息之前，需要先判断棋子识别结果是否满足预设对弈规则，其中，棋子识别结果是指棋子在棋盘中的定位信息，比如坐标等。如果某个棋子所在的位置满足预设对弈规则，那么直接生成对局棋谱信息。反之，如果某个棋子所在的位置不满足预设对弈规则，那么客户端会优先根据预设对弈规则来确定对局棋谱信息。
更进一步地，本发明实施例中，客户端需要判断棋子识别结果是否满足预设对弈规则，如果棋子识别结果满足预设对弈规则，则生成对局棋谱信息，反之，如果棋子识别结果不满足预设对弈规则，则根据预设对弈规则更新得到对局棋谱信息。通过上述方式，可以使得得到的对局棋谱信息能够与正确的棋类规则保持一致，从而提升方案的可行性和准确性。
可选地，在上述图3对应的第五个实施例的基础上，本发明实施例提供的棋局展示的方法第六个可选实施例中，根据预设对弈规则更新得到对局棋谱信息之后，还可以包括：
向服务器发送模型更新请求，以使服务器根据模型更新请求将目标棋局图像加入至训练集，并对训练集进行训练，以更新棋局识别模型。
本实施例中，如果棋子识别结果不满足预设对弈规则，也就说明服务器可能对棋子的位置识别出现错误，则客户端可以向服务器发送模型更新请求，服务器根据该模型更新请求将目标棋局图像加入至训练集。
需要理解的是，当训练集中的目标棋局图像达到一定数量时(比如100张)，可以开始对训练集中的目标棋局图像进行训练。训练的目标棋局图像包含正样本和负样本，其中，目标棋局图像中的正样本是指检测无误，且满足预设对弈规则的区域样本，而负样本是指检测后发现与预设对弈规则不符合的区域样本，也就是每一帧目标棋局图像同时包括有正样本和负样本。
服务器对训练集中的所有样本进行训练，并将训练得到的棋局识别模型更新原有的棋局识别模型。
再进一步地，本发明实施例中，如果棋子识别结果不满足预设对弈规则，则客户端会向服务器发送模型更新请求，以使服务器根据模型更新请求将目标棋局图像加入至训练集，并对训练集进行训练，以更新棋局识别模型。通过上述方式，将具有负样本的目标棋局图像进行反复训练可以提升棋局识别模型的性能，用更新后的棋局识别模型替换原有的棋局识别模型，可以提升棋局识别模型的准确度。
下面将从服务器的角度，对本发明中棋局展示的方法进行介绍，请参阅图6，本发明实施例中棋局展示的方法另一个实施例包括：
201、接收客户端发送的目标棋局图像，其中，目标棋局图像为满足棋局突变条件的棋局图像；
本实施例中，客户端会对棋局视频图像进行检测，如果在棋局视频图像中出现满足棋局突变条件的一帧棋局图像，则该棋局图像可称为目标棋局图像。客户端向服务器发送目标棋局图像。
202、根据棋局识别模型以及目标棋局图像确定棋子识别结果，其中，棋子识别结果用于表示棋子在棋盘中的位置信息；
本实施例中，服务器利用预先训练得到的棋局识别模型对目标棋局图像进行处理，并得到棋子识别结果。其中，棋子识别结果表示棋子在棋盘中的位置信息，位置信息可以表示为坐标，比如(5,6)。
203、向客户端发送棋子识别结果，以使客户端根据棋子识别结果渲染并展示电子棋局。
本实施例中，服务器向客户端发送棋子识别结果，也就是由服务器告知客户端在棋盘上各个棋子所在的位置信息。客户端将棋子识别结果进行渲染，并将渲染得到的图像展示于显示屏幕上。
本发明实施例中，提供了一种棋局展示的方法，服务器首先接收客户端发送的目标棋局图像，然后可以根据棋局识别模型以及目标棋局图像确定棋子识别结果，最后，服务器向客户端发送棋子识别结果，以使客户端根据棋子识别结果渲染并展示电子棋局。无需在棋局中植入任何的芯片装置，而是采用图像识别技术对棋局图像进行识别，以确定棋子识别结果，并根据棋子识别结果展示电子棋局，从而节省了展示棋局的成本，也增加了棋局展示的准确性。
可选地，在上述图6对应的实施例的基础上，本发明实施例提供的棋局展示的方法第一个可选实施例中，根据棋局识别模型以及目标棋局图像确定棋子识别结果，可以包括：
采用更快速区域卷积神经网络Faster RCNN模型或实时目标检测YOLO模型，对目标棋局图像进行检测，得到棋子识别结果。
本实施例中，棋局识别模型具体可以是更快速区域卷积神经网络(FasterRegions with Convolutional Neural Networks，Faster RCNN)或者是实时目标检测(YouOnly Look Once，YOLO)。在物体检测方面，Faster RCNN和YOLO两个模型都具有较好的效果。
YOLO的核心思想是将目标检测转化为回归问题求解，并基于一个单独的端到端网络，完成从原始图像的输入到物体位置和类别的输出。YOLO与Faster RCNN有以下区别：
Faster RCNN将目标检测分解为分类为题和回归问题分别求解，首先采用独立的区域推荐网络(Region Proposal Network，RPN)网络专门求取区域目标，然后对利用边框回归对提取的区域目标进行位置修正，最后采用softmax进行分类。
YOLO将物体检测作为一个回归问题进行求解，输入图像经过一次网络，便能得到图像中所有物体的位置和其所属类别及相应的置信概率。
其次，本发明实施例中，服务器采用Faster RCNN模型或YOLO模型，对目标棋局图像进行检测，得到棋子识别结果。通过上述方式，能够利用基于卷积神经网络的大型模型，自动框选并分类棋局图像中出现的物体。从而提升检测的准确度。
可选地，在上述图6或图6对应的第一个实施例的基础上，本发明实施例提供的棋局展示的方法第二个可选实施例中，还可以包括：
若棋子识别结果不满足预设对弈规则，则接收客户端发送的模型更新请求；
根据模型更新请求将目标棋局图像加入至训练集；
对训练集进行训练，以更新棋局识别模型。
本实施例中，如果棋子识别结果不满足预设对弈规则，也就说明服务器可能对棋子的位置识别出现错误，则客户端可以向服务器发送模型更新请求，服务器根据该模型更新请求将目标棋局图像加入至训练集。
需要理解的是，当训练集中的目标棋局图像达到一定数量时(比如100张)，可以开始对训练集中的目标棋局图像进行训练。训练的目标棋局图像包含正样本和负样本，其中，目标棋局图像中的正样本是指检测无误，且满足预设对弈规则的区域样本，而负样本是指检测后发现与预设对弈规则不符合的区域样本，也就是每一帧目标棋局图像同时包括有正样本和负样本。
服务器对训练集中的所有样本进行训练，并将训练得到的棋局识别模型更新原有的棋局识别模型。
再次，本发明实施例中，若棋子识别结果不满足预设对弈规则，则服务器接收客户端发送的模型更新请求，再根据模型更新请求将目标棋局图像加入至训练集，最后对训练集进行训练，以更新棋局识别模型。通过上述方式，将具有负样本的目标棋局图像进行反复训练可以提升棋局识别模型的性能，用更新后的棋局识别模型替换原有的棋局识别模型，可以提升棋局识别模型的准确度。
为了便于理解，下面将结合一个具体流程图说明如何进行电子棋局的展示，请参阅图7，图7为本发明应用场景中棋局展示的一个流程示意图，如图所示：
步骤S1中，由摄像头采集线下比赛现场的棋局视频图像，然后客户端对采集到的棋局视频图像进行逐帧检测，选出发生变化的那一帧棋局图像作为目标棋局图像。
步骤S2中，客户端将目标棋局图像进行前端预处理，即将目标棋局图像映射为矩形棋盘。
步骤S3中，客户端将处理后的目标棋局图像进行打包，并且集成的录像转棋谱软件开发工具包(Software Development Kit，SDK)向录像转棋谱服务器端CGI程序发起请求，然后上传视频流中的一帧调正后的目标棋局图像。
其中，CGI描述了服务器和请求处理程序之间传输数据的一种标准，可以让一个客户端通过超文本传输协议(HyperText Transfer Protocol，HTTP)向网络服务器上的程序请求数据。
步骤S4中，服务器程序收到目标棋局图像后，将目标棋局图像转发给棋子位置检测模块，棋子位置检测模块收到图像后进行棋子位置识别，向客户端SDK返回识别到的棋子坐标。
步骤S5中，客户端SDK将棋盘中棋子的识别结果交给棋牌游戏客户端业务层，配合棋规则模版进行逻辑棋盘复原，同时将检测结果正确与否上报至服务器。
步骤S6中，服务器根据客户端上报的检测结果对棋局识别模型进行检验，如果检验结果为正确，则不需要进行模型再训练，反之，如果检验结果有误，则需要将目标棋局图像加入至训练集，以进行再训练。
步骤S7中，客户端根据复原后的棋子坐标渲染游戏棋盘，将真实棋局图像转换为电子棋局，方便后续的现场直播，此外还要对比前后两张图像，记录每一招棋，从而完成记谱。
步骤S8中，服务器对误判的目标棋局图像进行训练，以进一步提升识别性能。
步骤S9中，服务器运行棋局识别模型，并采用棋局识别模型对后续的棋局图像进行棋子位置识别。通常情况下，识别一帧棋局图像所需的时间为1.5秒。
下面对本发明中的客户端进行详细描述，请参阅图8，图8为本发明实施例中客户端一个实施例示意图，客户端30包括：
获取模块301，用于获取棋局视频图像，其中，所述棋局视频图像包含多帧棋局图像；
发送模块302，用于若所述获取模块301获取的所述棋局视频图像中的目标棋局图像满足棋局突变条件，则向服务器发送所述目标棋局图像，以使所述服务器根据棋局识别模型以及所述目标棋局图像确定棋子识别结果，其中，所述棋子识别结果用于表示棋子在棋盘中的位置信息；
接收模块303，用于接收所述服务器发送的所述棋子识别结果；
展示模块304，用于根据所述接收模块303接收的所述棋子识别结果渲染并展示电子棋局。
本实施例中，获取模块301获取棋局视频图像，其中，所述棋局视频图像包含多帧棋局图像，若所述获取模块301获取的所述棋局视频图像中的目标棋局图像满足棋局突变条件，则发送模块302向服务器发送所述目标棋局图像，以使所述服务器根据棋局识别模型以及所述目标棋局图像确定棋子识别结果，其中，所述棋子识别结果用于表示棋子在棋盘中的位置信息，接收模块303接收所述服务器发送的所述棋子识别结果，展示模块304根据所述接收模块303接收的所述棋子识别结果渲染并展示电子棋局。
本发明实施例中，提供了一种客户端，首先由客户端获取棋局视频图像，若棋局视频图像中的目标棋局图像满足棋局突变条件，则客户端向服务器发送目标棋局图像，服务器根据棋局识别模型以及目标棋局图像确定棋子识别结果，并向客户端发送棋子识别结果，最后客户端可以根据棋子识别结果渲染并展示电子棋局。通过上述方式，无需在棋局中植入任何的芯片装置，而是采用图像识别技术对棋局图像进行识别，以确定棋子识别结果，并根据棋子识别结果展示电子棋局，从而节省了展示棋局的成本，也增加了棋局展示的准确性。
可选地，在上述图8所对应的实施例的基础上，请参阅图9，本发明实施例提供的客户端30的另一实施例中，所述客户端还包括确定模块305；
所述确定模块305，用于获取模块301获取棋局视频图像之后，若当前棋局属于第一棋局类型，则每间隔N帧棋局图像从所述棋局图像中确定棋盘位置，其中，所述N为大于0的整数；
若当前棋局属于第二棋局类型，则每间隔M帧棋局图像从所述棋局图像中确定棋盘位置，其中，所述M为大于N的整数。
其次，本发明实施例中，客户端可根据比赛当前棋局的类型，决定每隔几帧处理一次棋局图像。通过上述方式，可以根据棋手下棋的快慢来调节棋子位置检测的频率高低，对于不同的棋局变化节奏选择合理的处理频率，一方面有利于节省处理器的处理资源，另一方面无需人工干预，就能自动地适应性调整检测频率，从而提升方案的实用性和可操作性。
可选地，在上述图9所对应的实施例的基础上，本发明实施例提供的客户端30的另一实施例中，
获取模块301，还用于在获取棋局视频图像之后，从所述棋局视频图像中获取第一棋局图像和第二棋局图像，其中，所述第二棋局图像为第一棋局图像相邻的下一帧图像；
所述确定模块305，还用于根据所述获取模块301获取的所述第一棋局图像和所述第二棋局图像，确定第一图像相似度；
若所述第一图像相似度未达到相似度门限，则将所述第二棋局图像确定为所述目标棋局图像，其中，所述目标棋局图像满足所述棋局突变条件。
其次，本发明实施例中，客户端会从棋局视频图像中获取两帧连续的棋局图像，分别为第一棋局图像和第二棋局图像，其中，第二棋局图像为第一棋局图像相邻的下一帧图像，再确定第一棋局图像和第二棋局图像之间的第一图像相似度，若第一图像相似度未达到相似度门限，则将第二棋局图像确定为目标棋局图像。通过上述方式，引入了图片相似度比较的技术，客户端只需要将相似度差距较大的棋局图像筛选出来作为目标棋局图像，服务器仅处理这些目标棋局图像，无需检测视频流中的所有图片，从而大大节省了服务器的计算开销。
可选地，在上述图9所对应的实施例的基础上，本发明实施例提供的客户端30的另一实施例中，
获取模块301，还用于所述确定模块305根据所述第一棋局图像和所述第二棋局图像，确定第一图像相似度之后，若所述第一图像相似度未达到所述相似度门限，则从所述棋局视频图像中获取第三棋局图像，其中，所述第三棋局图像为第二棋局图像相邻的下一帧图像；
所述确定模块305，还用于根据所述获取模块301获取的所述第三棋局图像和所述第二棋局图像，确定第二图像相似度；
若所述第二图像相似度未达到所述相似度门限，则将所述第三棋局图像确定为所述目标棋局图像，其中，所述目标棋局图像满足所述棋局突变条件。
再次，本发明实施例中，客户端根据第一棋局图像和第二棋局图像，确定第一图像相似度之后，若第一图像相似度未达到相似度门限，则从棋局视频图像中获取第三棋局图像，在再根据第三棋局图像和第二棋局图像，确定第二图像相似度，若第二图像相似度未达到相似度门限，则将第三棋局图像确定为目标棋局图像。通过上述方式，当棋局局面发生变化的瞬间，前后两张图片的相似度会显著下降，只有在这种情况下，棋局识别模型才会重新确定一遍各个棋子的位置。因此，尽管棋局视频图像需要处理的图片很多，神经网络也不需要持续运作，从而提升方案的实用性。
可选地，在上述图8或图9所对应的实施例的基础上，请参阅图10，本发明实施例提供的客户端30的另一实施例中，所述客户端30还包括生成模块306；
所述生成模块306，用于所述接收模块303接收所述服务器发送的所述棋子识别结果之后，根据预设对弈规则以及所述棋子识别结果，生成对局棋谱信息，其中，所述对局棋谱信息用于表示对弈流程。
进一步地，本发明实施例中，棋手的每一步走法都会被保存，直至终局后，所有的走法则构成本局的棋谱。也就是说客户端接收服务器发送的棋子识别结果之后，还可以根据预设对弈规则以及棋子识别结果，生成对局棋谱信息。通过上述方式，能够保证棋谱记录不会出错，且同时采用棋局识别模型和预设对弈规则的双重保险来确定棋局，还能够提升电子棋局的准确率。此外，相比于人工记录棋谱，本方案节省了大量的人力成本。
可选地，在上述图10所对应的实施例的基础上，本发明实施例提供的客户端30的另一实施例中，
所述生成模块306，具体用于判断所述棋子识别结果是否满足所述预设对弈规则；
若所述棋子识别结果满足所述预设对弈规则，则生成所述对局棋谱信息；
若所述棋子识别结果不满足所述预设对弈规则，则根据所述预设对弈规则更新得到所述对局棋谱信息。
更进一步地，本发明实施例中，客户端需要判断棋子识别结果是否满足预设对弈规则，如果棋子识别结果满足预设对弈规则，则生成对局棋谱信息，反之，如果棋子识别结果不满足预设对弈规则，则根据预设对弈规则更新得到对局棋谱信息。通过上述方式，可以使得得到的对局棋谱信息能够与正确的棋类规则保持一致，从而提升方案的可行性和准确性。
可选地，在上述图10所对应的实施例的基础上，本发明实施例提供的客户端30的另一实施例中，
所述发送模块302，还用于所述生成模块306根据所述预设对弈规则更新得到所述对局棋谱信息之后，向所述服务器发送模型更新请求，以使所述服务器根据所述模型更新请求将所述目标棋局图像加入至训练集，并对所述训练集进行训练，以更新所述棋局识别模型。
再进一步地，本发明实施例中，如果棋子识别结果不满足预设对弈规则，则客户端会向服务器发送模型更新请求，以使服务器根据模型更新请求将目标棋局图像加入至训练集，并对训练集进行训练，以更新棋局识别模型。通过上述方式，将具有负样本的目标棋局图像进行反复训练可以提升棋局识别模型的性能，用更新后的棋局识别模型替换原有的棋局识别模型，可以提升棋局识别模型的准确度。
下面对本发明中的服务器进行详细描述，请参阅图11，图11为本发明实施例中服务器一个实施例示意图，服务器40包括：
接收模块401，用于接收客户端发送的目标棋局图像，其中，所述目标棋局图像为满足棋局突变条件的棋局图像；
确定模块402，用于根据棋局识别模型以及所述接收模块401接收的所述目标棋局图像确定棋子识别结果，其中，所述棋子识别结果用于表示棋子在棋盘中的位置信息；
发送模块403，用于向所述客户端发送所述确定模块402确定的所述棋子识别结果，以使所述客户端根据所述棋子识别结果渲染并展示电子棋局。
本实施例中，接收模块401接收客户端发送的目标棋局图像，其中，所述目标棋局图像为满足棋局突变条件的棋局图像，确定模块402根据棋局识别模型以及所述接收模块401接收的所述目标棋局图像确定棋子识别结果，其中，所述棋子识别结果用于表示棋子在棋盘中的位置信息，发送模块403向所述客户端发送所述确定模块402确定的所述棋子识别结果，以使所述客户端根据所述棋子识别结果渲染并展示电子棋局。
本发明实施例中，提供了一种棋局展示的方法，服务器首先接收客户端发送的目标棋局图像，然后可以根据棋局识别模型以及目标棋局图像确定棋子识别结果，最后，服务器向客户端发送棋子识别结果，以使客户端根据棋子识别结果渲染并展示电子棋局。无需在棋局中植入任何的芯片装置，而是采用图像识别技术对棋局图像进行识别，以确定棋子识别结果，并根据棋子识别结果展示电子棋局，从而节省了展示棋局的成本，也增加了棋局展示的准确性。
可选地，在上述图11所对应的实施例的基础上，本发明实施例提供的服务器40的另一实施例中，
所述确定模块402，具体用于采用更快速区域卷积神经网络Faster RCNN模型或实时目标检测YOLO模型，对所述目标棋局图像进行检测，得到所述棋子识别结果。
其次，本发明实施例中，服务器采用Faster RCNN模型或YOLO模型，对目标棋局图像进行检测，得到棋子识别结果。通过上述方式，能够利用基于卷积神经网络的大型模型，自动框选并分类棋局图像中出现的物体。从而提升检测的准确度。
可选地，在上述图11所对应的实施例的基础上，请参阅图12，本发明实施例提供的服务器40的另一实施例中，所述服务器40还包括加入模块404和更新模块405；
所述接收模块401，还用于若所述棋子识别结果不满足预设对弈规则，则接收所述客户端发送的模型更新请求；
所述加入模块404，用于根据所述接收模块401接收的所述模型更新请求将所述目标棋局图像加入至训练集；
所述更新模块405，用于对所述加入模块404加入的所述训练集进行训练，以更新所述棋局识别模型。
再次，本发明实施例中，若棋子识别结果不满足预设对弈规则，则服务器接收客户端发送的模型更新请求，再根据模型更新请求将目标棋局图像加入至训练集，最后对训练集进行训练，以更新棋局识别模型。通过上述方式，将具有负样本的目标棋局图像进行反复训练可以提升棋局识别模型的性能，用更新后的棋局识别模型替换原有的棋局识别模型，可以提升棋局识别模型的准确度。
本发明实施例还提供了另一种客户端，如图13所示，为了便于说明，仅示出了与本发明实施例相关的部分，具体技术细节未揭示的，请参照本发明实施例方法部分。该客户端可以为包括手机、平板电脑、个人数字助理(Personal Digital Assistant，PDA)、销售终端(Point of Sales，POS)、车载电脑等任意终端设备，以客户端为手机为例：
图13示出的是与本发明实施例提供的客户端端相关的手机的部分结构的框图。参考图13，手机包括：射频(Radio Frequency，RF)电路510、存储器520、输入单元530、显示单元540、传感器550、音频电路560、无线保真(wireless fidelity，WiFi)模块570、处理器580、以及电源590等部件。本领域技术人员可以理解，图13中示出的手机结构并不构成对手机的限定，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。
下面结合图13对手机的各个构成部件进行具体的介绍：
RF电路510可用于收发信息或通话过程中，信号的接收和发送，特别地，将基站的下行信息接收后，给处理器580处理；另外，将设计上行的数据发送给基站。通常，RF电路510包括但不限于天线、至少一个放大器、收发信机、耦合器、低噪声放大器(Low NoiseAmplifier，LNA)、双工器等。此外，RF电路510还可以通过无线通信与网络和其他设备通信。上述无线通信可以使用任一通信标准或协议，包括但不限于全球移动通讯系统(GlobalSystem of Mobile communication，GSM)、通用分组无线服务(General Packet RadioService，GPRS)、码分多址(Code Division Multiple Access，CDMA)、宽带码分多址(Wideband Code Division Multiple Access,WCDMA)、长期演进(Long Term Evolution，LTE)、电子邮件、短消息服务(Short Messaging Service，SMS)等。
存储器520可用于存储软件程序以及模块，处理器580通过运行存储在存储器520的软件程序以及模块，从而执行手机的各种功能应用以及数据处理。存储器520可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器520可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
输入单元530可用于接收输入的数字或字符信息，以及产生与手机的用户设置以及功能控制有关的键信号输入。具体地，输入单元530可包括触控面板531以及其他输入设备532。触控面板531，也称为触摸屏，可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触控面板531上或在触控面板531附近的操作)，并根据预先设定的程式驱动相应的连接装置。可选的，触控面板531可包括触摸检测装置和触摸控制器两个部分。其中，触摸检测装置检测用户的触摸方位，并检测触摸操作带来的信号，将信号传送给触摸控制器；触摸控制器从触摸检测装置上接收触摸信息，并将它转换成触点坐标，再送给处理器580，并能接收处理器580发来的命令并加以执行。此外，可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触控面板531。除了触控面板531，输入单元530还可以包括其他输入设备532。具体地，其他输入设备532可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆等中的一种或多种。
显示单元540可用于显示由用户输入的信息或提供给用户的信息以及手机的各种菜单。显示单元540可包括显示面板541，可选的，可以采用液晶显示器(Liquid CrystalDisplay，LCD)、有机发光二极管(Organic Light-Emitting Diode，OLED)等形式来配置显示面板541。进一步的，触控面板531可覆盖显示面板541，当触控面板531检测到在其上或附近的触摸操作后，传送给处理器580以确定触摸事件的类型，随后处理器580根据触摸事件的类型在显示面板541上提供相应的视觉输出。虽然在图13中，触控面板531与显示面板541是作为两个独立的部件来实现手机的输入和输入功能，但是在某些实施例中，可以将触控面板531与显示面板541集成而实现手机的输入和输出功能。
手机还可包括至少一种传感器550，比如光传感器、运动传感器以及其他传感器。具体地，光传感器可包括环境光传感器及接近传感器，其中，环境光传感器可根据环境光线的明暗来调节显示面板541的亮度，接近传感器可在手机移动到耳边时，关闭显示面板541和/或背光。作为运动传感器的一种，加速计传感器可检测各个方向上(一般为三轴)加速度的大小，静止时可检测出重力的大小及方向，可用于识别手机姿态的应用(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等；至于手机还可配置的陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器，在此不再赘述。
音频电路560、扬声器561，传声器562可提供用户与手机之间的音频接口。音频电路560可将接收到的音频数据转换后的电信号，传输到扬声器561，由扬声器561转换为声音信号输出；另一方面，传声器562将收集的声音信号转换为电信号，由音频电路560接收后转换为音频数据，再将音频数据输出处理器580处理后，经RF电路510以发送给比如另一手机，或者将音频数据输出至存储器520以便进一步处理。
WiFi属于短距离无线传输技术，手机通过WiFi模块570可以帮助用户收发电子邮件、浏览网页和访问流式媒体等，它为用户提供了无线的宽带互联网访问。虽然图13示出了WiFi模块570，但是可以理解的是，其并不属于手机的必须构成，完全可以根据需要在不改变发明的本质的范围内而省略。
处理器580是手机的控制中心，利用各种接口和线路连接整个手机的各个部分，通过运行或执行存储在存储器520内的软件程序和/或模块，以及调用存储在存储器520内的数据，执行手机的各种功能和处理数据，从而对手机进行整体监控。可选的，处理器580可包括一个或多个处理单元；可选的，处理器580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580中。
手机还包括给各个部件供电的电源590(比如电池)，可选的，电源可以通过电源管理系统与处理器580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。
尽管未示出，手机还可以包括摄像头、蓝牙模块等，在此不再赘述。
在本发明实施例中，该终端所包括的处理器580还具有以下功能：
获取棋局视频图像，其中，所述棋局视频图像包含多帧棋局图像；
若所述棋局视频图像中的目标棋局图像满足棋局突变条件，则向服务器发送所述目标棋局图像，以使所述服务器根据棋局识别模型以及所述目标棋局图像确定棋子识别结果，其中，所述棋子识别结果用于表示棋子在棋盘中的位置信息；
接收所述服务器发送的所述棋子识别结果；
根据所述棋子识别结果渲染并展示电子棋局。
可选地，处理器580还用于执行如下步骤：
若当前棋局属于第一棋局类型，则每间隔N帧棋局图像从所述棋局图像中确定棋盘位置，其中，所述N为大于0的整数；
若当前棋局属于第二棋局类型，则每间隔M帧棋局图像从所述棋局图像中确定棋盘位置，其中，所述M为大于N的整数。
可选地，处理器580还用于执行如下步骤：
从所述棋局视频图像中获取第一棋局图像和第二棋局图像，其中，所述第二棋局图像为第一棋局图像相邻的下一帧图像；
根据所述第一棋局图像和所述第二棋局图像，确定第一图像相似度；
若所述第一图像相似度未达到相似度门限，则将所述第二棋局图像确定为所述目标棋局图像，其中，所述目标棋局图像满足所述棋局突变条件。
可选地，处理器580还用于执行如下步骤：
若所述第一图像相似度未达到所述相似度门限，则从所述棋局视频图像中获取第三棋局图像，其中，所述第三棋局图像为第二棋局图像相邻的下一帧图像；
根据所述第三棋局图像和所述第二棋局图像，确定第二图像相似度；
若所述第二图像相似度未达到所述相似度门限，则将所述第三棋局图像确定为所述目标棋局图像，其中，所述目标棋局图像满足所述棋局突变条件。
可选地，处理器580还用于执行如下步骤：
根据预设对弈规则以及所述棋子识别结果，生成对局棋谱信息，其中，所述对局棋谱信息用于表示对弈流程。
可选地，处理器580具体用于执行如下步骤：
判断所述棋子识别结果是否满足所述预设对弈规则；
若所述棋子识别结果满足所述预设对弈规则，则生成所述对局棋谱信息；
若所述棋子识别结果不满足所述预设对弈规则，则根据所述预设对弈规则更新得到所述对局棋谱信息。
可选地，处理器580还用于执行如下步骤：
向所述服务器发送模型更新请求，以使所述服务器根据所述模型更新请求将所述目标棋局图像加入至训练集，并对所述训练集进行训练，以更新所述棋局识别模型。
图14是本发明实施例提供的一种服务器结构示意图，该服务器600可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上中央处理器(central processingunits，CPU)622(例如，一个或一个以上处理器)和存储器632，一个或一个以上存储应用程序642或数据644的存储介质630(例如一个或一个以上海量存储设备)。其中，存储器632和存储介质630可以是短暂存储或持久存储。存储在存储介质630的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对服务器中的一系列指令操作。更进一步地，中央处理器622可以设置为与存储介质630通信，在服务器600上执行存储介质630中的一系列指令操作。
服务器600还可以包括一个或一个以上电源626，一个或一个以上有线或无线网络接口650，一个或一个以上输入输出接口658，和/或，一个或一个以上操作系统641，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM等等。
上述实施例中由服务器所执行的步骤可以基于该图14所示的服务器结构。
该服务器所包括的CPU 622还具有以下功能：
接收客户端发送的目标棋局图像，其中，所述目标棋局图像为满足棋局突变条件的棋局图像；
根据棋局识别模型以及所述目标棋局图像确定棋子识别结果，其中，所述棋子识别结果用于表示棋子在棋盘中的位置信息；
向所述客户端发送所述棋子识别结果，以使所述客户端根据所述棋子识别结果渲染并展示电子棋局。
可选地，CPU 622具体用于执行如下步骤：
采用更快速区域卷积神经网络Faster RCNN模型或实时目标检测YOLO模型，对所述目标棋局图像进行检测，得到所述棋子识别结果。
可选地，CPU 622还用于执行如下步骤：
若所述棋子识别结果不满足预设对弈规则，则接收所述客户端发送的模型更新请求；
根据所述模型更新请求将所述目标棋局图像加入至训练集；
对所述训练集进行训练，以更新所述棋局识别模型。
下面将对本发明中的棋具展示系统进行介绍，请参阅图15，图15为本发明实施例中棋局展示系统的一个实施例示意图，如图所示，棋局展示系统包括客户端701以及服务器702；
所述客户端701获取棋局视频图像，其中，所述棋局视频图像包含多帧棋局图像，若所述棋局视频图像中的目标棋局图像满足棋局突变条件，则所述客户端701向服务器702发送所述目标棋局图像，所述服务器702根据棋局识别模型以及所述目标棋局图像确定棋子识别结果，其中，所述棋子识别结果用于表示棋子在棋盘中的位置信息，所述服务器702向所述客户端701发送所述棋子识别结果，所述客户端701根据所述棋子识别结果渲染并展示电子棋局。
本发明实施例中，提供了一种棋局展示系统，首先由客户端获取棋局视频图像，若棋局视频图像中的目标棋局图像满足棋局突变条件，则客户端向服务器发送目标棋局图像，服务器根据棋局识别模型以及目标棋局图像确定棋子识别结果，并向客户端发送棋子识别结果，最后客户端可以根据棋子识别结果渲染并展示电子棋局。通过上述方式，无需在棋局中植入任何的芯片装置，而是采用图像识别技术对棋局图像进行识别，以确定棋子识别结果，并根据棋子识别结果展示电子棋局，从而节省了展示棋局的成本，也增加了棋局展示的准确性。
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。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元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，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明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全部或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)执行本发明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-OnlyMemory)、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。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (16)
1.一种棋局展示的方法，其特征在于，包括：
获取棋局视频图像，其中，所述棋局视频图像包含多帧棋局图像；
若所述棋局视频图像中的目标棋局图像满足棋局突变条件，则向服务器发送所述目标棋局图像，以使所述服务器根据棋局识别模型以及所述目标棋局图像确定棋子识别结果，其中，所述棋子识别结果用于表示棋子在棋盘中的位置信息；
接收所述服务器发送的所述棋子识别结果；
根据所述棋子识别结果渲染并展示电子棋局。
2.根据权利要求1所述的方法，其特征在于，所述获取棋局视频图像之后，所述方法还包括：
若当前棋局属于第一棋局类型，则每间隔N帧棋局图像从所述棋局图像中确定棋盘位置，其中，所述N为大于0的整数；
若当前棋局属于第二棋局类型，则每间隔M帧棋局图像从所述棋局图像中确定棋盘位置，其中，所述M为大于N的整数。
3.根据权利要求1所述的方法，其特征在于，所述获取棋局视频图像之后，所述方法还包括：
从所述棋局视频图像中获取第一棋局图像和第二棋局图像，其中，所述第二棋局图像为第一棋局图像相邻的下一帧图像；
根据所述第一棋局图像和所述第二棋局图像，确定第一图像相似度；
若所述第一图像相似度未达到相似度门限，则将所述第二棋局图像确定为所述目标棋局图像，其中，所述目标棋局图像满足所述棋局突变条件。
4.根据权利要求3所述的方法，其特征在于，所述根据所述第一棋局图像和所述第二棋局图像，确定第一图像相似度之后，所述方法还包括：
若所述第一图像相似度未达到所述相似度门限，则从所述棋局视频图像中获取第三棋局图像，其中，所述第三棋局图像为第二棋局图像相邻的下一帧图像；
根据所述第三棋局图像和所述第二棋局图像，确定第二图像相似度；
若所述第二图像相似度未达到所述相似度门限，则将所述第三棋局图像确定为所述目标棋局图像，其中，所述目标棋局图像满足所述棋局突变条件。
5.根据权利要求1至4中任一项所述的方法，其特征在于，所述接收所述服务器发送的所述棋子识别结果之后，所述方法还包括：
根据预设对弈规则以及所述棋子识别结果，生成对局棋谱信息，其中，所述对局棋谱信息用于表示对弈流程。
6.根据权利要求5所述的方法，其特征在于，所述根据预设对弈规则以及所述棋子识别结果，生成对局棋谱信息，包括：
判断所述棋子识别结果是否满足所述预设对弈规则；
若所述棋子识别结果满足所述预设对弈规则，则生成所述对局棋谱信息；
若所述棋子识别结果不满足所述预设对弈规则，则根据所述预设对弈规则更新得到所述对局棋谱信息。
7.根据权利要求6所述的方法，其特征在于，所述根据所述预设对弈规则更新得到所述对局棋谱信息之后，所述方法还包括：
向所述服务器发送模型更新请求，以使所述服务器根据所述模型更新请求将所述目标棋局图像加入至训练集，并对所述训练集进行训练，以更新所述棋局识别模型。
8.一种棋局展示的方法，其特征在于，包括：
接收客户端发送的目标棋局图像，其中，所述目标棋局图像为满足棋局突变条件的棋局图像；
根据棋局识别模型以及所述目标棋局图像确定棋子识别结果，其中，所述棋子识别结果用于表示棋子在棋盘中的位置信息；
向所述客户端发送所述棋子识别结果，以使所述客户端根据所述棋子识别结果渲染并展示电子棋局。
9.根据权利要求8所述的方法，其特征在于，所述根据棋局识别模型以及所述目标棋局图像确定棋子识别结果，包括：
采用更快速区域卷积神经网络Faster RCNN模型或实时目标检测YOLO模型，对所述目标棋局图像进行检测，得到所述棋子识别结果。
10.根据权利要求8或9所述的方法，其特征在于，所述方法还包括：
若所述棋子识别结果不满足预设对弈规则，则接收所述客户端发送的模型更新请求；
根据所述模型更新请求将所述目标棋局图像加入至训练集；
对所述训练集进行训练，以更新所述棋局识别模型。
11.一种客户端，其特征在于，包括：
获取模块，用于获取棋局视频图像，其中，所述棋局视频图像包含多帧棋局图像；
发送模块，用于若所述获取模块获取的所述棋局视频图像中的目标棋局图像满足棋局突变条件，则向服务器发送所述目标棋局图像，以使所述服务器根据棋局识别模型以及所述目标棋局图像确定棋子识别结果，其中，所述棋子识别结果用于表示棋子在棋盘中的位置信息；
接收模块，用于接收所述服务器发送的所述棋子识别结果；
展示模块，用于根据所述接收模块接收的所述棋子识别结果渲染并展示电子棋局。
12.一种服务器，其特征在于，包括：
接收模块，用于接收客户端发送的目标棋局图像，其中，所述目标棋局图像为满足棋局突变条件的棋局图像；
确定模块，用于根据棋局识别模型以及所述接收模块接收的所述目标棋局图像确定棋子识别结果，其中，所述棋子识别结果用于表示棋子在棋盘中的位置信息；
发送模块，用于向所述客户端发送所述确定模块确定的所述棋子识别结果，以使所述客户端根据所述棋子识别结果渲染并展示电子棋局。
13.一种客户端，其特征在于，所述客户端包括：存储器、收发器、处理器以及总线系统；
其中，所述存储器用于存储程序；
所述处理器用于执行所述存储器中的程序，包括如下步骤：
获取棋局视频图像，其中，所述棋局视频图像包含多帧棋局图像；
若所述棋局视频图像中的目标棋局图像满足棋局突变条件，则向服务器发送所述目标棋局图像，以使所述服务器根据棋局识别模型以及所述目标棋局图像确定棋子识别结果，其中，所述棋子识别结果用于表示棋子在棋盘中的位置信息；
接收所述服务器发送的所述棋子识别结果；
根据所述棋子识别结果渲染并展示电子棋局；
所述总线系统用于连接所述存储器以及所述处理器，以使所述存储器以及所述处理器进行通信。
14.一种服务器，其特征在于，所述服务器包括：存储器、收发器、处理器以及总线系统；
其中，所述存储器用于存储程序；
所述处理器用于执行所述存储器中的程序，包括如下步骤：
接收客户端发送的目标棋局图像，其中，所述目标棋局图像为满足棋局突变条件的棋局图像；
根据棋局识别模型以及所述目标棋局图像确定棋子识别结果，其中，所述棋子识别结果用于表示棋子在棋盘中的位置信息；
向所述客户端发送所述棋子识别结果，以使所述客户端根据所述棋子识别结果渲染并展示电子棋局；
所述总线系统用于连接所述存储器以及所述处理器，以使所述存储器以及所述处理器进行通信。
15.一种棋局展示系统，其特征在于，所述棋局展示系统包括客户端以及服务器；
所述客户端获取棋局视频图像，其中，所述棋局视频图像包含多帧棋局图像；
若所述棋局视频图像中的目标棋局图像满足棋局突变条件，则所述客户端向服务器发送所述目标棋局图像；
所述服务器根据棋局识别模型以及所述目标棋局图像确定棋子识别结果，其中，所述棋子识别结果用于表示棋子在棋盘中的位置信息；
所述服务器向所述客户端发送所述棋子识别结果；
所述客户端根据所述棋子识别结果渲染并展示电子棋局。
16.一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行如权利要求1至7中任一项所述的方法，或执行如权利要求8至10中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810258316.9A CN108491804B (zh) | 2018-03-27 | 2018-03-27 | 一种棋局展示的方法、相关装置及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810258316.9A CN108491804B (zh) | 2018-03-27 | 2018-03-27 | 一种棋局展示的方法、相关装置及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108491804A true CN108491804A (zh) | 2018-09-04 |
| CN108491804B CN108491804B (zh) | 2019-12-27 |
Family
ID=63337749
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810258316.9A Active CN108491804B (zh) | 2018-03-27 | 2018-03-27 | 一种棋局展示的方法、相关装置及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108491804B (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109407526A (zh) * | 2018-09-14 | 2019-03-01 | 珠海格力电器股份有限公司 | 设备检测方法和装置、家电设备 |
| CN109800647A (zh) * | 2018-12-18 | 2019-05-24 | 陈韬文 | 一种棋谱自动生成方法、系统、装置和存储介质 |
| CN110149553A (zh) * | 2019-05-10 | 2019-08-20 | 腾讯科技（深圳）有限公司 | 图像的处理方法和装置、存储介质及电子装置 |
| CN111738443A (zh) * | 2019-05-20 | 2020-10-02 | 北京京东尚科信息技术有限公司 | 数据处理方法、装置、系统、计算机可读存储介质 |
| CN112765379A (zh) * | 2020-08-01 | 2021-05-07 | 李瑞军 | 中国象棋棋局解析和棋谱搜索的方法、装置和电子设备 |
| CN112948619A (zh) * | 2021-03-01 | 2021-06-11 | 北京航空航天大学杭州创新研究院 | 基于深度学习的手写棋谱辅助录入方法及装置 |
| CN114663732A (zh) * | 2022-05-25 | 2022-06-24 | 北京航空航天大学杭州创新研究院 | 基于表征学习的棋类局面转化模型建立、转化方法及装置 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101000654A (zh) * | 2006-12-31 | 2007-07-18 | 常熟理工学院 | 图像识别棋谱自动记录方法 |
| CN201744156U (zh) * | 2010-04-22 | 2011-02-16 | 北京联合大学生物化学工程学院 | 基于图像识别的自动计时记谱的围棋棋具 |
| US20110154249A1 (en) * | 2009-12-21 | 2011-06-23 | Samsung Electronics Co. Ltd. | Mobile device and related control method for external output depending on user interaction based on image sensing module |
| CN102542165A (zh) * | 2011-12-23 | 2012-07-04 | 三星半导体(中国)研究开发有限公司 | 用于三维虚拟棋盘的操作方法和装置 |
| CN102614655A (zh) * | 2012-03-06 | 2012-08-01 | 南京航空航天大学 | 围棋自动数字仪及应用于其上的棋局胜负判断方法 |
| CN105701496A (zh) * | 2016-01-12 | 2016-06-22 | 北京万同科技有限公司 | 一种基于人工智能技术的围棋盘面识别方法 |
| CN106529531A (zh) * | 2016-10-31 | 2017-03-22 | 华南理工大学 | 一种基于图像处理的中国象棋识别系统及方法 |
| CN107392157A (zh) * | 2017-07-25 | 2017-11-24 | 中国人民解放军火箭军工程大学 | 一种基于机器视觉的中国象棋比赛智能虚拟直播方法 |
| CN107506701A (zh) * | 2017-08-08 | 2017-12-22 | 大连万和海拓文化体育产业有限公司 | 一种基于视频识别技术的围棋自动记谱方法 |
-
2018
- 2018-03-27 CN CN201810258316.9A patent/CN108491804B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101000654A (zh) * | 2006-12-31 | 2007-07-18 | 常熟理工学院 | 图像识别棋谱自动记录方法 |
| US20110154249A1 (en) * | 2009-12-21 | 2011-06-23 | Samsung Electronics Co. Ltd. | Mobile device and related control method for external output depending on user interaction based on image sensing module |
| CN201744156U (zh) * | 2010-04-22 | 2011-02-16 | 北京联合大学生物化学工程学院 | 基于图像识别的自动计时记谱的围棋棋具 |
| CN102542165A (zh) * | 2011-12-23 | 2012-07-04 | 三星半导体(中国)研究开发有限公司 | 用于三维虚拟棋盘的操作方法和装置 |
| CN102614655A (zh) * | 2012-03-06 | 2012-08-01 | 南京航空航天大学 | 围棋自动数字仪及应用于其上的棋局胜负判断方法 |
| CN105701496A (zh) * | 2016-01-12 | 2016-06-22 | 北京万同科技有限公司 | 一种基于人工智能技术的围棋盘面识别方法 |
| CN106529531A (zh) * | 2016-10-31 | 2017-03-22 | 华南理工大学 | 一种基于图像处理的中国象棋识别系统及方法 |
| CN107392157A (zh) * | 2017-07-25 | 2017-11-24 | 中国人民解放军火箭军工程大学 | 一种基于机器视觉的中国象棋比赛智能虚拟直播方法 |
| CN107506701A (zh) * | 2017-08-08 | 2017-12-22 | 大连万和海拓文化体育产业有限公司 | 一种基于视频识别技术的围棋自动记谱方法 |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109407526A (zh) * | 2018-09-14 | 2019-03-01 | 珠海格力电器股份有限公司 | 设备检测方法和装置、家电设备 |
| CN109800647A (zh) * | 2018-12-18 | 2019-05-24 | 陈韬文 | 一种棋谱自动生成方法、系统、装置和存储介质 |
| CN110149553A (zh) * | 2019-05-10 | 2019-08-20 | 腾讯科技（深圳）有限公司 | 图像的处理方法和装置、存储介质及电子装置 |
| CN111738443A (zh) * | 2019-05-20 | 2020-10-02 | 北京京东尚科信息技术有限公司 | 数据处理方法、装置、系统、计算机可读存储介质 |
| CN112765379A (zh) * | 2020-08-01 | 2021-05-07 | 李瑞军 | 中国象棋棋局解析和棋谱搜索的方法、装置和电子设备 |
| CN112765379B (zh) * | 2020-08-01 | 2023-09-22 | 李瑞军 | 中国象棋棋局解析和棋谱搜索的方法、装置和电子设备 |
| CN112948619A (zh) * | 2021-03-01 | 2021-06-11 | 北京航空航天大学杭州创新研究院 | 基于深度学习的手写棋谱辅助录入方法及装置 |
| CN114663732A (zh) * | 2022-05-25 | 2022-06-24 | 北京航空航天大学杭州创新研究院 | 基于表征学习的棋类局面转化模型建立、转化方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108491804B (zh) | 2019-12-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108491804A (zh) | 一种棋局展示的方法、相关装置及系统 | |
| CN109325967A (zh) | 目标跟踪方法、装置、介质以及设备 | |
| CN109951654A (zh) | 一种视频合成的方法、模型训练的方法以及相关装置 | |
| CN107679455A (zh) | 目标跟踪装置、方法及计算机可读存储介质 | |
| CN109145809A (zh) | 一种记谱处理方法和装置以及计算机可读存储介质 | |
| CN109063583A (zh) | 一种基于点读操作的学习方法及电子设备 | |
| CN110738211A (zh) | 一种对象检测的方法、相关装置以及设备 | |
| CN107959883A (zh) | 视频编辑推送方法、系统及智能移动终端 | |
| CN108304758A (zh) | 人脸特征点跟踪方法及装置 | |
| CN106845390A (zh) | 视频标题生成方法及装置 | |
| CN103472756A (zh) | 一种实现人工智能的方法、服务器和设备 | |
| CN104143078A (zh) | 活体人脸识别方法、装置和设备 | |
| CN108062404A (zh) | 人脸图像的处理方法、装置、可读存储介质及终端 | |
| CN106648118A (zh) | 一种基于增强现实的虚拟教学方法与终端设备 | |
| CN110166828A (zh) | 一种视频处理方法和装置 | |
| CN108052368B (zh) | 一种应用显示界面控制方法及移动终端 | |
| CN111629247B (zh) | 一种信息显示方法、装置及电子设备 | |
| CN107835366A (zh) | 多媒体播放方法、装置、存储介质及电子设备 | |
| CN107493426A (zh) | 一种信息采集方法、设备和计算机可读存储介质 | |
| CN107959795A (zh) | 一种信息采集方法、设备和计算机可读存储介质 | |
| CN105303149A (zh) | 人物图像的展示方法和装置 | |
| CN110443190A (zh) | 一种对象识别方法和装置 | |
| CN107566749A (zh) | 拍摄方法及移动终端 | |
| CN109947650A (zh) | 脚本步骤处理方法、装置和系统 | |
| CN108681483A (zh) | 一种任务处理方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |