CN109045708A - 游戏事件智能检测方法、系统及终端设备 - Google Patents

Abstract

本发明提供一种游戏事件智能检测方法、系统及终端设备，所述方法包括：采集并缓存当前游戏的视频数据；根据预设游戏事件检测模型检测采集的所述视频数据中的图像数据是否为游戏触发事件，并根据所述游戏触发事件确定是否生成游戏触发指令，若生成游戏触发指令，则从缓存的所述视频数据中截取当前帧图像的前后预设时间段内的视频数据；将截取的所述视频数据和该视频数据对应的游戏事件标签进行存储。本发明打破游戏事件封闭性，具有很好的通用性，能够适用不同品类游戏的事件智能识别和游戏内容自动提取，而且有效的增强了游戏事件识别的准确率，并能够在不同移动端设备上，不同帧率、不同分辨率情况下都能很好自适应。

Description

游戏事件智能检测方法、系统及终端设备

技术领域

本发明属于多媒体技术领域，特别是涉及游戏控制技术领域，具体为一种游戏事件智能检测方法、系统及终端设备。

背景技术

行业内大部分游戏事件触发识别是通过与游戏厂商内置事件触发系统SDK整合达到获取游戏事件的目的，比如王者荣耀内置了“王者时刻”录制设计，它使用游戏内部通信，当游戏玩家触发游戏事件，将会自动为玩家“录制视频”，而这种录制更接近于回放游戏过程转存为视频，这种游戏事件检测和录制方案是非常封闭，一般只能游戏厂商可以实现。

其它游戏触发事件检测系统，也使用了图像处理技术或者机器学习等技术，但是仅仅将单帧的检测结果作为事件触发判断，没有对多帧的结果进行综合判断，即使在检测模块准确率尚可的情况下，也很容易出现误判，导致结果很不准确，而且不同CPU性能条件下检测结果不稳定。

发明内容

鉴于以上所述现有技术的缺点，本发明的目的在于提供一种游戏事件智能检测方法、系统及终端设备，用于解决现有技术中的游戏事件触发识别通用性差的问题。

为实现上述目的及其他相关目的，本发明提供一种游戏事件智能检测方法，所述游戏事件智能检测方法包括：采集并缓存当前游戏的视频数据；根据预设游戏事件检测模型检测采集的所述视频数据中的图像数据是否为游戏触发事件，并根据所述游戏触发事件确定是否生成游戏触发指令，若生成游戏触发指令，则从缓存的所述视频数据中截取当前帧图像的前后预设时间段内的视频数据；将截取的所述视频数据和该视频数据对应的游戏事件标签进行存储。

于本发明的一实施例中，所述采集并缓存当前游戏的视频数据包括：采集当前游戏的图像数据和对应的图像时间戳并将携带所述图像时间戳的所述图像数据传输至图像缓存区；采集当前游戏的音频数据和对应的音频时间戳并将携带所述音频时间戳的所述音频数据传输至音频缓存区。

于本发明的一实施例中，所述图像缓存区和所述音频缓存区分别为保留预设时长的缓存数据的环形缓存区。

于本发明的一实施例中，所述根据预设游戏事件检测模型检测采集的所述视频数据中的图像数据是否为游戏触发事件，并根据所述游戏触发事件确定是否生成游戏触发指令具体包括：根据预设游戏事件检测模型检测单帧图像是否为游戏触发事件并将状态检测结果进行实时记录，将为游戏触发事件的状态检测结果进行累积；根据游戏触发事件的累积数值与游戏触发事件的判定阈值之间的大小确定是为否生成游戏触发指令。

于本发明的一实施例中，通过数据结构为先进先出的队列实时记录所述游戏触发事件的状态检测结果；分别通过数组形式存储多帧的游戏触发事件的累积数值和多帧的游戏触发事件的判定阈值。

于本发明的一实施例中，所述根据游戏触发事件的累积数值与游戏触发事件的判定阈值之间的大小确定是否生成所述游戏触发指令具体包括：分别计算游戏触发事件的累积数值的数组的实时帧率和游戏触发事件的判定阈值的数组的实时帧率；比较所述累积数值的数组的实时帧率和所述判定阈值的数组的实时帧率的大小，若所述累积数值的数组的实时帧率大于或等于所述判定阈值的数组的实时帧率，则生成所述游戏触发指令，若所述累积数值的数组的实时帧率小于所述判定阈值的数组的实时帧率，则不生成所述游戏触发指令；其中，所述实时帧率为1除以当前帧的系统时间减去上一帧的系统时间所得到的差值。

于本发明的一实施例中，若单帧图像的状态检测结果为非游戏触发事件，则不输出游戏事件指令。

于本发明的一实施例中，所述游戏事件智能检测方法还包括：利用神经网络模型对游戏图像数据进行分类学习训练，生成用于检测游戏触发事件的所述游戏事件检测模型。

本发明的实施例还提供一种终端设备，所述终端设备为移动终端或服务器端，所述终端设备包括处理器和存储器，所述存储器存储有程序指令，所述处理器运行程序指令实现：采集并缓存当前游戏的视频数据；根据预设游戏事件检测模型检测采集的所述视频数据中的图像数据是否为游戏触发事件，并根据所述游戏触发事件确定是否生成游戏触发指令，若生成游戏触发指令，则从缓存的所述视频数据中截取当前帧图像的前后预设时间段内的视频数据；将截取的所述视频数据和该视频数据对应的游戏事件标签进行存储。

本发明的实施例还提供一种游戏事件智能检测系统，包括移动终端和服务器端，其中：所述移动终端采集并缓存当前游戏的视频数据；根据预设游戏事件检测模型检测采集的所述视频数据中的图像数据是否为游戏触发事件，并根据所述游戏触发事件确定是否生成游戏触发指令，若生成游戏触发指令，则从缓存的所述视频数据中截取当前帧图像的前后预设时间段内的视频数据；所述服务器端将截取的所述视频数据和该视频数据对应的游戏事件标签进行存储。

如上所述，本发明的游戏事件智能检测方法、系统及终端设备，具有以下有益效果：

1、本发明打破游戏事件封闭性，具有很好的通用性，能够适用不同品类游戏的事件智能识别和游戏内容自动提取，并针对不同游戏进行模型训练达到自适应支持识别更多游戏的能力。

2、本发明有效的增强了游戏事件识别的准确率，并能够在不同移动端设备上，不同帧率、不同分辨率情况下都能很好自适应，能够自动适应不同设备CPU性能变化对帧率的影响，有效降低对性能的消耗，防止性能消耗影响用户的游戏体验。

附图说明

图1显示为本发明的游戏事件智能检测方法的整体流程示意图。

图2显示为本发明的游戏事件智能检测方法中生成游戏触发指令的整体流程示意图。

图3显示为本发明的游戏事件智能检测方法中神经网络模型优化示意图。

图4显示为本发明的游戏事件智能检测方法的具体流程示意图。

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。

本实施例的目的在于提供一种游戏事件智能检测方法、系统及终端设备，用于解决现有技术中的游戏事件触发识别通用性差的问题。

本实施例的游戏事件智能检测方法、系统及终端设备的技术原理是使用图像处理、深度学习技术对游戏画面进行识别分类训练，学习训练获得针对游戏特定事件检测的特征模型；用户在游戏过程中自动将玩家游戏画面内容进行视频缓存并通过fps(framesper second，每秒传输帧数)自适应检测算法对游戏画面进行游戏事件触发识别；当游戏触发事件被检测到时自动将事件发生时的一定范围内的视频流和识别信息标签保存至本地文件。

以下将详细阐述本实施例的游戏事件智能检测方法、系统及终端设备的原理及实施方式，使本领域技术人员不需要创造性劳动即可理解本发明的游戏事件智能检测方法、系统及终端设备。

如图1所示，本发明提供一种游戏事件智能检测方法，所述游戏事件智能检测方法包括以下步骤：

步骤S110，采集并缓存当前游戏的视频数据；

步骤S120，根据预设游戏事件检测模型检测采集的所述视频数据中的图像数据是否为游戏触发事件；

步骤S130，根据所述游戏触发事件确定是否生成游戏触发指令；

步骤S140，从缓存的所述视频数据中截取当前帧图像的前后预设时间段内的视频数据；

步骤S150，将截取的所述视频数据和该视频数据对应的游戏事件标签进行存储。

以下对本实施例游戏事件智能检测方法中的步骤S110至步骤S150进行详细说明。

步骤S110，采集并缓存当前游戏的视频数据。

例如，如图2所示，移动端采集游戏画面，将图像数据分别送至fps自适应检测算法模块和视频编码模块，采集的音频数据送至音频编码模块。其中，fps自适应检测算法模块用于执行步骤S120至步骤S130。

具体地，于本实施例中，如图2所示，所述采集并缓存当前游戏的视频数据包括：采集当前游戏的图像数据和对应的图像时间戳并将携带所述图像时间戳的所述图像数据传输至图像缓存区；采集当前游戏的音频数据和对应的音频时间戳并将携带所述音频时间戳的所述音频数据传输至音频缓存区。

其中，于本实施例中，所述图像缓存区和所述音频缓存区分别为保留预设时长的缓存数据的环形缓存区。

具体地，音频编码模块将编码数据送入音频缓冲区，视频编码模块同样将视频编码后的数据送入视频缓冲区，送入缓冲区的音视频数据都带有对齐时间戳，缓冲区被设计为环形缓冲，过期的音视频数据将被主动丢弃，只保留设定时间内的音视频数据，通过模块启动初始设置可调节缓冲区保存音视频数据的时长。

步骤S120，根据预设游戏事件检测模型检测采集的所述视频数据中的图像数据是否为游戏触发事件。

具体地，于本实施例中，利用神经网络模型对游戏图像数据进行分类学习训练，生成用于检测游戏触发事件的所述游戏事件检测模型，即使用图像处理、深度学习技术对游戏画面进行识别分类训练，学习训练获得针对游戏特定事件检测的特征模型，然后根据预设游戏事件检测模型检测采集的所述视频数据中的图像数据是否为游戏触发事件。

具体地，于本实施例中，如图3所示，深度学习采用tiny-darknet神经网络，非常朴素的神经网络模型，模型小并且计算量少，准确度相对高的特点；网络长而窄，长网络能够增加网络泛化能力，窄又限制了每一层的参数量；采用小的卷积核，只是用1x1和3x3两种卷积核，放弃了fully-connected layer，而是以global pooling代替，节省了大量参数和计算量；并在此神经网络原型基础上对每个卷积层个数都缩小为原来1/4的方法优化，保证检测准确率的情况下进一步缩减模型大小和计算量。

所以本发明为了在移动端上降低性能损耗，减少计算量，确保检测不跳帧、漏帧，采用了轻量级的神经网络算法并进行了网络优化，很好解决了性能问题。

步骤S130，根据所述游戏触发事件确定是否生成游戏触发指令。

具体地，如图4所示，于本实施例中，所述根据预设游戏事件检测模型检测采集的所述视频数据中的图像数据是否为游戏触发事件，并根据所述游戏触发事件确定是否生成游戏触发指令具体包括：

步骤S131，根据预设游戏事件检测模型检测单帧图像是否为游戏触发事件并将状态检测结果进行实时记录，将为游戏触发事件的状态检测结果进行累积。

具体地，于本实施例中，通过数据结构为先进先出的队列实时记录所述游戏触发事件的状态检测结果；分别通过数组形式存储多帧的游戏触发事件的累积数值和多帧的游戏触发事件的判定阈值。

例如，建立队列：State queue：游戏事件检测状态的存储，数据结构为先进先出，大小为N的队列。当有新的检测结果来时，先让队首出列，再让新结果由队尾入列，确保每次保存最新的N帧检测结果。

建立数组：Result array：游戏累积状态的存储，数据结构为大小为N的数组。第i个位置记录最近的N-i帧有多少是检测为游戏触发事件。每次维护时，需要遍历数组，以第i帧为例，如果新结果是游戏触发事件，则需+1，否则不加；如果原来的stateQueue[i]为游戏触发事件，则需要减1，否则不减。

建立数组：Ground truth array：游戏触发事件判定阈值X的设置，数据结构为大小N的数组，且初始化设置后一直不变。第i帧为例，至少最近的N-i帧中有多少帧是检测为游戏触发事件，才能认定此时游戏事件被触发。Result array是实际计算值，而groundtruth array是阈值。

其中，根据不同游戏、不同游戏事件触发画面显示时长不同，可动态的调整resultarray、state queue和ground truth array的长度N，并设定与之对应ground truth测试阀值X。图像数据送入fps自适应检测算法模块，使用特定事件检测模型进行dnn网络检测，将结果用于更新和管理维护result array、state queue和ground truth array。

步骤S132，根据游戏触发事件的累积数值与游戏触发事件的判定阈值之间的大小确定是为否生成游戏触发指令。

具体地，于本实施例中，所述根据游戏触发事件的累积数值与游戏触发事件的判定阈值之间的大小确定是否生成所述游戏触发指令具体包括：

分别计算游戏触发事件的累积数值的数组的实时帧率和游戏触发事件的判定阈值的数组的实时帧率；比较所述累积数值的数组的实时帧率和所述判定阈值的数组的实时帧率的大小，若所述累积数值的数组的实时帧率大于或等于所述判定阈值的数组的实时帧率，则生成所述游戏触发指令，若所述累积数值的数组的实时帧率小于所述判定阈值的数组的实时帧率，则不生成所述游戏触发指令；其中，所述实时帧率为1除以当前帧的系统时间减去上一帧的系统时间所得到的差值。

即用当前帧的系统时间减去上一帧的系统时间，得到的差值再用1除，就是估算的实时帧率。假设实时帧率是k，n为系统设定可检测的最大帧率，要比较resultArray[n-k]和groundTruthArray[n-k]大小，若前者大说明游戏触发了事件；若前者小，则说明未超过设定阈值，有极大可能是误检，不应该判定为游戏触发事件，不生成游戏触发指令。

于本实施例中，如图2所示，若单帧图像的状态检测结果为非游戏触发事件，则不输出游戏事件指令。即单帧检测结果没有触发特定游戏事件，不输出游戏事件指令。单帧检测结果触发了特定游戏事件，将计算实时fps并与result array和state queue中保存状态进行测试，当满足阀值时判定为ground truth，将发送游戏事件指令。

所以本实施例的游戏时间智能检测方法，通过更新和维护管理result array、state queue和ground truth array，根据实时帧率对时间段内的检测游戏触发事件进行分组阀值测试，有效避免单张图像神经网络检测误检问题，使游戏事件检测准确率提升至90％以上。并能很好的通过参数化配置来适配不同设备和不同的游戏，并能到达检测准确率相对稳定即可商业应用的目标。

步骤S140，从缓存的所述视频数据中截取当前帧图像的前后预设时间段内的视频数据。

步骤S150，将截取的所述视频数据和该视频数据对应的游戏事件标签进行存储。

即接收到触发游戏事件指令，自动保存缓存区当前帧N秒前后视频数据，将事件标签一同保存至文件，例如，从缓存的所述视频数据中截取当前帧图像的前后10秒内的一段视频和游戏时间标签保存下来。

其中，于本实施例中，同时支持用户通过语音或者手动触发视频保存方式，为用户提供了保存游戏过程中精彩视频和拾取游戏内容的智能方法，提供给用户后期编辑视频进行分享的视频素材制作的途径。

所以本实施例的游戏时间智能检测方法打破游戏事件封闭性，通过图像处理、深度学习等技术动态识别游戏事件，智能提取游戏内容，并针对不同游戏进行模型训练达到自适应支持识别更多游戏的能力，同时针对深度学习检测算法在游戏单帧画面的事件检测中存在一定的误检率，很难准确判定游戏事件有效触发，通过本实施例有效的增强了游戏事件识别的准确率，识别准确率从40％～60％提升到90％以上，并能够在不同移动端设备上，不同帧率、不同分辨率情况下都能很好自适应，并且能够自动适应不同设备CPU性能变化对帧率的影响。

本实施例的游戏时间智能检测方法不需要与游戏本身内部进行通信即可完成游戏事件触发识别和游戏内容的提取，提供更广阔游戏适配扩展支持，在此技术模型下仅需要对新游戏或者新游戏事件进行相应参数配置和游戏事件识别的深度学习训练，既能完成对新游戏或新游戏事件的识别支持；同时提升了检测效率，降低了识别过程对性能的消耗，确保识别准确率的稳定性。

以下表1是本发明的检测方法与现有检测方法的对比，其中，每种事件检测时间并不一致，单帧画面识别一般都在1～5毫秒级。

表1

本发明的实施例还提供一种终端设备，所述终端设备为移动终端或服务器端，所述移动终端例如为手机或PAD，所述终端设备包括处理器和存储器，所述存储器存储有程序指令，所述处理器运行程序指令实现：采集并缓存当前游戏的视频数据；根据预设游戏事件检测模型检测采集的所述视频数据中的图像数据是否为游戏触发事件，并根据所述游戏触发事件确定是否生成游戏触发指令，若生成游戏触发指令，则从缓存的所述视频数据中截取当前帧图像的前后预设时间段内的视频数据；将截取的所述视频数据和该视频数据对应的游戏事件标签进行存储。前面已经对上述过程进行了详细说明，在此不再赘述。

所以本实施例的游戏事件检测方法同时适用于手机端对手机内的视频流进行内容识别和内容提取，自动套用短视频模板生成剪辑短视频并针对识别内容打上事件标签，并在观看端展现该标签，让观众更容易找到关注的视频内容。

也适用于服务器端对云端视频流进行内容识别和内容提取，自动套用短视频模板生成剪辑短视频并针对识别内容打上事件标签，并在观看端展现该标签，让观众更容易找到关注的视频内容。

本发明的实施例还提供一种游戏事件智能检测系统，包括移动终端和服务器端，其中：所述移动终端采集并缓存当前游戏的视频数据；根据预设游戏事件检测模型检测采集的所述视频数据中的图像数据是否为游戏触发事件，并根据所述游戏触发事件确定是否生成游戏触发指令，若生成游戏触发指令，则从缓存的所述视频数据中截取当前帧图像的前后预设时间段内的视频数据；所述服务器端将截取的所述视频数据和该视频数据对应的游戏事件标签进行存储。前面已经对上述过程进行了详细说明，在此不再赘述。

所以本实施例的游戏事件检测方法同时适用于游戏直播过程中移动终端自动将游戏触发事件上报给服务端，服务端为当前游戏直播流打上事件标签用于自动生成精彩内容视频的剪辑服务。

以下以通过检测决战平安京游戏为例，对本实施例中的游戏时间智能检测方法的实施过程进行说明。

通过手机玩决战平安京游戏，在后台驻存录屏识别程序进行游戏实时识别检测，游戏事件触发时将当前时间前后10秒内的一段视频保存下来，不影响游戏体验。

游戏介绍：决战平安京是由网易最新推出的《阴阳师》IP公平竞技对战MOBA手游。玩家在对局中击杀对手时，游戏界面中会出现红框，红框内即为玩家所玩英雄头像，每个英雄都不同。红框附近出现提示约2S，而白框为英雄的攻击按钮，每个英雄图标也不同。

假设性能不同的手机，录屏的帧率由10fps至40fps不等，那么以平安京击杀提示2S为例，我们测试识别至少以50％的时间为考量，我们需要至少记录40frame/s*2s*50％＝40frame的结果，用以综合判定是否为击杀信息。

决战平安京的游戏事件智能检测：先利用深度学习tiny-darknet网络检测红色方框内是否为英雄头像，如果不是英雄头像，直接返回否。如果红框内为英雄头像，再利用深度学习tiny-darknet网络检测白框内的攻击图标英雄是否与红框内为同一个人，如果为同一个人，则说明该玩家击杀信息，返回是；否则返回否。

State queue、Result array和Ground truth array在此游戏配置长度为40，Ground truth array阀值设置为0.5*(40–i)，即为当前第i帧，统计最近的40-i帧有多少帧是检测为游戏触发事件，Result array[i]>ground truth array[i]才能认定此时大概率游戏事件被触发。Result array是实际计算值，而ground truth array是对应阈值。

计算实时帧率：用当前帧的系统时间减去上一帧的系统时间，得到的差值再用1除，就是估算的实时帧率。假设实时帧率是k，那么我们上文提到我们需要通过1S的帧综合判断，故我们要比较resultArray[40-i]和groundTruthArray[40-i]大小，若前者大说明应该释放存视频信号；若前者小，则说明，未超过阈值，有极大可能是误检，不应该释放存视频信号。

所以本实施例的游戏事件智能检测方法中，不需要与游戏本身内部进行通信即可完成游戏事件触发识别和游戏内容的提取，提供更广阔游戏适配扩展支持，在此技术模型下仅需要对新游戏或者新游戏事件进行相应参数配置和游戏事件识别的深度学习训练，既能完成对新游戏或新游戏事件的识别支持；同时提升了检测效率，降低了识别过程对性能的消耗，确保识别准确率的稳定性。

综上所述，本发明打破游戏事件封闭性，具有很好的通用性，能够适用不同品类游戏的事件智能识别和游戏内容自动提取，并针对不同游戏进行模型训练达到自适应支持识别更多游戏的能力。本发明有效的增强了游戏事件识别的准确率，并能够在不同移动端设备上，不同帧率、不同分辨率情况下都能很好自适应，能够自动适应不同设备CPU性能变化对帧率的影响，有效降低对性能的消耗，防止性能消耗影响用户的游戏体验。所以，本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。

上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。

Claims (10)

1.一种游戏事件智能检测方法，其特征在于，所述游戏事件智能检测方法包括：

采集并缓存当前游戏的视频数据；

根据预设游戏事件检测模型检测采集的所述视频数据中的图像数据是否为游戏触发事件，并根据所述游戏触发事件确定是否生成游戏触发指令，若生成游戏触发指令，则从缓存的所述视频数据中截取当前帧图像的前后预设时间段内的视频数据；

将截取的所述视频数据和该视频数据对应的游戏事件标签进行存储。

2.根据权利要求1所述的游戏事件智能检测方法，其特征在于，所述采集并缓存当前游戏的视频数据包括：

采集当前游戏的图像数据和对应的图像时间戳并将携带所述图像时间戳的所述图像数据传输至图像缓存区；

采集当前游戏的音频数据和对应的音频时间戳并将携带所述音频时间戳的所述音频数据传输至音频缓存区。

3.根据权利要求2所述的游戏事件智能检测方法，其特征在于，所述图像缓存区和所述音频缓存区分别为保留预设时长的缓存数据的环形缓存区。

4.根据权利要求1所述的游戏事件智能检测方法，其特征在于，所述根据预设游戏事件检测模型检测采集的所述视频数据中的图像数据是否为游戏触发事件，并根据所述游戏触发事件确定是否生成游戏触发指令具体包括：

根据预设游戏事件检测模型检测单帧图像是否为游戏触发事件并将状态检测结果进行实时记录，将为游戏触发事件的状态检测结果进行累积；

根据游戏触发事件的累积数值与游戏触发事件的判定阈值之间的大小确定是为否生成游戏触发指令。

5.根据权利要求4所述的游戏事件智能检测方法，其特征在于，通过数据结构为先进先出的队列实时记录所述游戏触发事件的状态检测结果；分别通过数组形式存储多帧的游戏触发事件的累积数值和多帧的游戏触发事件的判定阈值。

6.根据权利要求5所述的游戏事件智能检测方法，其特征在于，所述根据游戏触发事件的累积数值与游戏触发事件的判定阈值之间的大小确定是否生成所述游戏触发指令具体包括：

分别计算游戏触发事件的累积数值的数组的实时帧率和游戏触发事件的判定阈值的数组的实时帧率；

比较所述累积数值的数组的实时帧率和所述判定阈值的数组的实时帧率的大小，若所述累积数值的数组的实时帧率大于或等于所述判定阈值的数组的实时帧率，则生成所述游戏触发指令，若所述累积数值的数组的实时帧率小于所述判定阈值的数组的实时帧率，则不生成所述游戏触发指令；

其中，所述实时帧率为1除以当前帧的系统时间减去上一帧的系统时间所得到的差值。

7.根据权利要求4所述的游戏事件智能检测方法，其特征在于，若单帧图像的状态检测结果为非游戏触发事件，则不输出游戏事件指令。

8.根据权利要求1所述的游戏事件智能检测方法，其特征在于，所述游戏事件智能检测方法还包括：

利用神经网络模型对游戏图像数据进行分类学习训练，生成用于检测游戏触发事件的所述游戏事件检测模型。

9.一种终端设备，所述终端设备为移动终端或服务器端，其特征在于，所述终端设备包括处理器和存储器，所述存储器存储有程序指令，所述处理器运行程序指令实现：

采集并缓存当前游戏的视频数据；

根据预设游戏事件检测模型检测采集的所述视频数据中的图像数据是否为游戏触发事件，并根据所述游戏触发事件确定是否生成游戏触发指令，若生成游戏触发指令，则从缓存的所述视频数据中截取当前帧图像的前后预设时间段内的视频数据；

将截取的所述视频数据和该视频数据对应的游戏事件标签进行存储。

10.一种游戏事件智能检测系统，其特征在于，包括移动终端和服务器端，其中：

所述移动终端采集并缓存当前游戏的视频数据；根据预设游戏事件检测模型检测采集的所述视频数据中的图像数据是否为游戏触发事件，并根据所述游戏触发事件确定是否生成游戏触发指令，若生成游戏触发指令，则从缓存的所述视频数据中截取当前帧图像的前后预设时间段内的视频数据；

所述服务器端将截取的所述视频数据和该视频数据对应的游戏事件标签进行存储。