CN110309753A - 一种赛事进程判别方法、装置和计算机设备 - Google Patents

Abstract

本说明书提供一种赛事进程判别方法、装置和计算机设备，所述方法包括：获取当前赛事的视频图像，将所述视频图像输入识别模型，识别出当前赛事的进程，所述识别模型基于历史赛事的训练集训练而成；根据当前识别的赛事进程与上一次识别的赛事进程是否一致，确定是否更新赛事进程。通过识别模型将当前赛事视频图像进行识别处理，判别赛事进程和赛事结果，避免运营人员的耗费大量时间盯守屏幕输出赛事进程判别结果。在当前识别赛事进程与上一次识别的赛事进程不一致时，将赛事进程更新，系统自动完成当前比赛进程的识别和更新的操作，减少运营人员的机械重复性操作，也实现实时更新赛事进程和赛事结果。

Description

一种赛事进程判别方法、装置和计算机设备

技术领域

本说明书涉及智能识别技术领域，尤其涉及一种赛事进程判别方法、装置和计算机设备。

背景技术

在直播行业中，通过大量引进赛事直播可以吸引相关比赛的粉丝和观众群体。为了方便用户及时掌握赛事情况，通常会有一系列比赛赛程列表供用户查阅。赛事状态可以包括未开始，比赛中，比赛结束等。传统的赛程列表需要大量运营人员盯守比赛及时更新比分及比赛结果，比赛结束后再引导用户观看回放，此方法耗费大量的人力物力，而且比赛结果更新是有延时的。

发明内容

为克服相关技术中存在的问题，本说明书提供了一种赛事进程判别方法、装置和计算机设备。

根据本说明书实施例的第一方面，提供一种赛事进程判别方法，所述方法包括：

获取当前赛事的视频图像，将所述视频图像输入识别模型，识别出当前赛事的进程，所述识别模型基于历史赛事的训练集训练而成；

根据当前识别的赛事进程与上一次识别的赛事进程是否一致，确定是否更新赛事进程。

根据本说明书实施例的第二方面，提供一种基于第一方面所述的方法进行赛事进程判别的方法，包括：

向服务端发送查询赛事进程的指令，以使服务端反馈当前赛事进程；

根据所述服务端反馈的当前赛事进程更新当前显示的赛事进程。

根据本说明书实施例的第三方面，提供一种基于第一方面所述的方法进行赛事进程判别的直播系统，包括客户端和服务端；

所述服务端用于获取当前赛事的视频图像，将所述视频图像输入识别模型，识别出当前赛事的进程，所述识别模型基于历史赛事的训练集训练而成；以及根据当前识别的赛事进程与上一次识别的赛事进程是否一致，确定是否需要更新赛事进程；如果需要更新，则向客户端推送更新后的赛事进程；

所述客户端用于根据所述服务端推送的更新后的赛事进程更新当前显示的赛事进程。

根据本说明书实施例的第四方面，提供一种赛事进程判别装置，包括：

获取模块，用于获取当前赛事的视频图像；

识别模块，用于将所述视频图像输入识别模型从而识别当前赛事的进程；所述识别模型基于历史赛事的训练集训练而成；

更新模块，用于根据当前识别的赛事进程与上一次识别的赛事进程是否一致从而确定是否更新赛事进程。

根据本说明书实施例的第五方面，提供一种基于第四方面提供的所述装置的赛事进程判别装置，包括：

查询模块，用于向服务端发送查询赛事进程的指令，以使服务端反馈当前赛事进程；

展示模块，用于接收并展示从服务端反馈的赛事进程。

根据本说明书实施例的第六方面，提供一种计算机设备，包括：

存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述程序时实现上述任一项所述方法的步骤。

本说明书的实施例提供的技术方案可以包括以下有益效果：

本说明书实施例中，通过识别模型将当前赛事视频图像进行识别处理，判别赛事进程和赛事结果，避免运营人员耗费大量时间盯守屏幕输出赛事进程判别结果。在当前识别赛事进程与上一次识别的赛事进程不一致时，将赛事进程更新，系统自动完成当前比赛进程的识别和更新的操作，减少运营人员的机械重复性操作，也实现实时更新赛事进程和赛事结果。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本说明书。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本说明书的实施例，并与说明书一起用于解释本说明书的原理。

图1A是本说明书根据一示例性实施例示出的一种赛事进程判别方法的流程图。

图1B是本说明书根据一示例性实施例示出的一种直播赛事应用场景的网络结构图。

图2A是本说明书根据一示例性实施例示出的一种直播系统的客户端和服务端的交互时序图。

图2B是本说明书根据一示例性实施例示出的一种直播系统应用场景的网络结构图。

图2C是本说明书根据一示例性实施例示出的一个用户终端上的客户端展示赛事进程的应用场景图。

图3是本说明书实施例赛事进程判别装置所在计算机设备的一种硬件结构图。

图4是本说明书根据一示例性实施例示出的一种赛事进程判别装置的框图。

图5是本说明书根据一示例性实施例示出的另一种赛事进程判别装置的框图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本说明书相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本说明书的一些方面相一致的装置和方法的例子。

在本说明书使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本说明书。在本说明书和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。

应当理解，尽管在本说明书可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本说明书范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。

随着网络带宽的提高和移动互联网的发展，催生了蓬勃发展的直播行业。在直播行业中，通过大量引进赛事直播可以吸引相关比赛的粉丝和观众群体，对于粉丝和观众也获得了随时随地观看赛事直播的便捷性。为了方便用户更直观地更及时地得知赛事进程情况，在直播平台上会有一系列相关比赛的赛程列表，用户查阅赛程时可以得知每个赛事的赛事状态和赛事比分结果。然而，更新赛程的惯用手段需要通过大量运营人员盯守比赛，在当前赛事进程发生变化时，在运营后台上录入更新的赛事进程，在比赛结束后再引导用户观看回复，此方法耗费大量的人力物力，而且比赛结果更新是有延时的，用户体验不友好。因此，本说明书提供一个操作简单高效，同时也能实时更新的赛事进程判别方法。

为了解放运营人员的比赛盯守压力，本说明书引入神经网络对当前赛事视频图像进行识别，从而判别当前的赛事进程。通过音频内容识别赛事进程信息是不够高效和直观的，因此本说明书通过识别视频图像的信息从而获得当前赛事的进程。在众多神经网络架构中，卷积神经网络(Convolutional Neural Networks，以下简称CNN)能很好地应用于计算机视觉和自然语言处理等领域。一般来说，CNN的基本结构可以包括卷积层、池化层、全连接层等。卷积层，可以作为特征提取层，用于提取局部特征；池化层，也可以称为采样层，基于局部相关性原理进行亚采样，从而在减少数据链固定同时保留有用信息，在缩放局部特征时拥有特征的位移不变性。CNN还可以通过输入训练数据让神经网络自行学习并形成能识别指定特征的专属过滤器，不用人为地预先设计和定义过滤器。

过滤器的参数可以看作是一个矩阵，一个指定的特征对应一个指定数值排列的矩阵，此指定数值排列的矩阵为该指定特征的专属过滤器。神经网络自行学习并形成专属过滤器的过程如下：首先让CNN随机定义一个过滤器，在CNN中输入携带指定特征标签的训练数据，一个或多个携带指定特征标签的训练数据构成训练集；将输出结果与指定特征标签对比，判断过滤器是否能正确完成识别；当输出结果不正确时改变CNN中过滤器的矩阵，再次输入携带指定特征标签的训练集，直至得到将能识别指定特征的过滤器为止。将同样携带指定特征标签的已获得所有指定识别特征的过滤器后，拥有该过滤器的CNN即可理解为能识别指定特征的识别模型。

在人工智能识别工作中，对于大量原始数据可提供CNN自行学习提取特征的情况下，可将大部分的原始数据作为训练集的训练数据，用于训练识别模型，将小部分原始数据作为测试集的测试数据，用于测试识别模型是否能够正确识别任一个测试数据的指定特征。

过滤器的矩阵数值也叫权重值，在同一特征映射面上的神经元权重值相同，所以神经网络可以并行学习，简化了识别模型的复杂度，也减少了识别模型的参数，这也是卷积神经网络相对于全连接神经网络的一大优势。

在深度神经网络学习领域中，如本说明书实施例的CNN，需要在特定的分析处理系统运行，本说明书实施例可以使用TensorFlow，而TensorFlow是谷歌基于DistBelief进行研发的第二代人工智能学习系统，可将复杂的数据结构传输至人工智能神经网中进行分析和处理，被广泛应用于语音识别或图像识别等多项机器深度学习领域。训练集和测试集的数据需要转换成符合TensorFlow格式的文件才能在TensorFlow使用。

接下来对本说明书实施例进行详细说明，以识别一种赛事的直播视频的赛事进程为例。

如图1A所示，图1A是本说明书根据一示例性实施例示出的一种赛事进程判别方法的流程图，该方法可以应用在服务端，包括以下步骤：

步骤S101，获取当前赛事的视频图像，将所述视频图像输入识别模型，识别出当前赛事的进程，所述识别模型基于历史赛事的训练集训练而成。

步骤S102，根据当前识别的赛事进程与上一次识别的赛事进程是否一致，确定是否更新赛事进程。

在步骤S101中，为了生成赛事比分识别模型和赛事状态识别模型，需要利用历史赛事视频为素材来生成相应模型。如图1B所示，是根据一示例性实施例示出的一种直播赛事应用场景的网络结构图。直播平台拥有赛事的直播权和视频播放权，所以比赛结束后可以收集历史赛事视频到音视频服务器201中，将历史赛事视频经截图服务器202转换成一系列视频图像，进一步交由预处理服务器203处理成统一长宽比的灰度图像，将多个对应赛事进程情况的灰度图像打上标签，形成符合TensorFlow格式的历史赛事的训练集和测试集。在TensorFlow服务器204中的CNN利用历史赛事的训练集训练出能识别对应赛事进程情况的标签的过滤器，从而得出能识别赛事进程的识别模型，训练好的识别模型将存储到模型存储服务器205中。

得出识别模型后，对当前赛事进行赛事进程识别需要当前赛事的视频图像，可以从赛事主办方推送过来的当前赛事直播视频流中获取。利用截图服务器207获取音视频服务器206中的当前赛事直播视频流的视频图像，截图服务器207将视频图像转发到预处理服务器208从而使视频图像被处理成统一长宽比的灰度图像。灰度图像输入到已读取识别模型的预测判别服务器209中，即可进行后续的赛事进程识别操作。

在一个实施例中，赛事进程可以包括赛事比分和赛事状态中的一个或两个，因此，如果赛事进程只是赛事比分，则历史赛事的训练集只包括历史赛事的视频图像中指示赛事比分的视频图像；如果赛事进程只是赛事状态，则历史赛事的训练集只包括历史赛事的视频图像中指示赛事状态的视频图像；如果赛事进程包括赛事比分和赛事状态，则历史赛事的训练集可以既包括历史赛事的视频图像中指示赛事比分的视频图像，又包括历史赛事的视频图像中指示赛事状态的视频图像。

该直播赛事的赛事比分在直播视频中指定位置的比分板显示，而赛事状态包括未开始、比赛中、比赛结束等情况，例如，赛事未开始、比赛中、赛事结束时出现的统一指定画面可以作为识别赛事状态的训练数据。在一个例子中，每种类型的比赛需要至少训练出两个识别模型，分别是基于指示赛事比分的视频图像训练的赛事比分模型和基于指示赛事状态的视频图像训练的赛事状态模型，赛事比分模型用于读取赛事直播视频中比分扳的赛事比分，赛事状态模型用于识别赛事状态事件。因此，如果赛事进程只是赛事比分，则识别模型只包括赛事比分模型，赛事比分模型利用历史赛事的视频图像中指示赛事比分的视频图像训练得到；如果赛事进程只是赛事状态，则识别模型只包括赛事状态模型，赛事状态模型利用历史赛事的视频图像中指示赛事状态的视频图像训练得到；如果赛事进程包括赛事比分和赛事状态，则识别模型可以既包括赛事比分模型，又包括赛事状态模型。

在另一个实施例中，当前赛事的视频图像的获取方式可以是多样的，如人为地截取某一时间段赛事的视频图像。但直播比赛是实时播放的，直播方不能调节播放速度和进度条，也为了实现人工智能化操作，因此在另一个例子中，视频图像的获取方式可以包括按照指定周期获取。该指定周期可以是人为设置，也可以是系统的默认值，让服务器自动地在直播赛事视频中获取视频图像。在某些游戏赛事中就需要人为地设置一个固定周期来获取当前赛事的视频图像，例如多人在线战术竞技游戏，也叫MOBA(Multiplayer OnlineBattle Arena)游戏。该游戏赛事有某些特定的赛事进程画面，但持续时间较为短暂，为了在赛事进程画面持续时间内捕获视频图像，可以将获取视频图像的指定周期设置得短一些，如每隔3秒截取一次视频图像。

虽然通过神经网络可以快速地识别对象，但即使是目前在图像识别应用广泛的CNN也无法保证100％的识别正确率，因此，为了进一步降低赛事进程判别过程中的错误识别率，可以加入人工干预的判别步骤。在一个实施例中，当接收到指定用户的更改指令时，对当前识别出的赛事进程进行更改。例如，当识别模型识别出赛事进程后，可以将当前赛事进程缓存到一个服务器中，运营人员可以通过运营平台读取服务器的数据获得当前赛事进程，当实际赛事进程与识别出的赛事进程不符时，运营人员可以对当前识别出的赛事进程进行更改，将实际的赛事进程录入到服务器中。

在步骤S102中，若确定当前识别的赛事进程与上一次识别的赛事进程不一致时，则更新赛事进程，将赛事服务器210中的赛事进程更新为当前赛事进程，否则依旧沿用上一次识别的赛事进程，不替换赛事服务器210中的赛事进程。为了更贴心地满足用户的需求和提高用户体验，可以在一个实施例中，当确定更新赛事进程时，向客户端推送更新后的赛事进程。对于某些赛事的狂热粉丝和普通观众而言，观看直播赛事的最大乐趣之一就是能够第一时间获取赛事进程，因此越快地向直播用户更新当前的赛事进程变化，越能留住直播平台的用户群体。

在用户使用直播客户端的过程中，对于某些不重要的赛事进程服务端可以不向客户端推送当前赛事进程，若个别用户需要知道的话，也可以主动向服务端查询，在一个实施例中，对于客户端而言，向服务端发送查询赛事进程的指令，以使服务端反馈当前赛事进程；根据服务端反馈的当前赛事进程更新当前显示的赛事进程。在另一个实施例中，对于服务端而言，当接收到客户端的赛事进程查询指令时，向客户端推送所述当前赛事进程。

接下来以一种应用赛事进程判别方法的直播系统为例进行详细说明，如图2A所示，是根据一示例性实施例示出的一种直播系统的客户端102和服务端101的交互时序图，应用赛事进程判别方法的直播系统包括客户端102和服务端101，所述服务端101和客户端102的交互过程包括以下步骤：

在服务端101中可以执行步骤S201至S204：

步骤S201，获取当前赛事的视频图像，将所述视频图像输入识别模型；

步骤S202识别出当前赛事的进程，所述识别模型基于历史赛事的训练集训练而成；

步骤S203，根据当前识别的赛事进程与上一次识别的赛事进程是否一致，确定是否需要更新赛事进程；

步骤S204，如果需要更新，则向客户端102推送更新后的赛事进程；

在客户端102中可以执行步骤S205：

步骤S205，根据所述服务端推送的更新后的赛事进程更新当前显示的赛事进程。

如图2B所示，是根据一示例性实施例示出的一种直播系统应用场景的网络结构图。在本实施例的直播系统中，服务端可以包括音视频服务器201和206、截图服务器202和207、预处理服务器203和208、TensorFlow服务器204、模型存储服务器205、预测判别服务器209和赛事服务器210，客户端可以包括安装在各个用户终端上直播客户端211和运营平台212。

图2B中有两组音视频服务器、截图服务器和预处理服务器，分别是201、202、203和206、207、208，对应用于制作训练视频图像和制作当前赛事视频图像。可以理解的是，在其他应用场景中，制作训练视频图像和制作当前赛事视频图像可以共享同一组服务器，同一组服务器包括：音视频服务器、截图服务器和预处理服务器。在制作识别模型的过程中，直播方将赛事主办方的历史赛事视频读取到音视频服务器201中，根据视频流的传输特性，可以在整个文件被传输完成前显示多媒体数据，从而使得截图服务器202可以按照指定周期定时获取或者指定某一时间段的历史赛事来获取视频图像。由于获取的视频图像还不能直接制作训练集，因此还需要经过预处理服务器203将截图服务器202获取的视频图像转换成统一长宽比的灰度图，并人为地打上对应赛事进程的标签到预处理服务器203中，如输入键值<视频图像名，标签值>。如关于识别赛事比分，可以截取视频图像画面中指定位置的比分板，从截取的比分板中识别出赛事比分；关于识别赛事状态，可以截取画面中某些表明赛事未开始、进行中和赛事结束的特定画面，便于后续的赛事进程识别。

为了让运行在TensorFlow系统的CNN能够使用已预处理完成的视频图像，还需要将已预处理完成的视频图像转换成TensorFlow格式的图像数据，此过程在TensorFlow服务器204完成。然后将75％的图像数据归类成训练集，用于制作后续的识别模型，剩余25％的图像数据归类成测试集，用于测试识别模型的识别准确率，如果识别准确率达到指定的标准即可认为识别模型是可以满足使用需求的。在有足够的训练集和测试集数据后，TensorFlow读取训练集和测试集，通过TensorFlow构建CNN来训练出符合指定标准的识别模型，得出识别模型后，将识别模型导成文件存储在模型存储服务器205的硬盘中并推送到模型存储服务器205中的缓存区中，使识别模型可由预测判别服务器209加速读取。

在准备好可使用的识别模型后，就可以进行获取当前赛事视频图像的操作。首先，运营人员依据赛事主办方的信息，录入赛事信息到赛事服务器210并存储到数据库中，赛事信息可以包括赛事名称、赛事类型、对阵多方名称图标、比赛开始时间等。直播方获得赛事主办方的直播视频授权后，截图服务器207读取音视频服务器206中当前直播赛事的视频流，并按照指定周期定时从视频流获取当前赛事视频图像，然后预处理服务器208将截图服务器207获取的视频图像转换成统一长宽比的灰度图。将当前赛事的灰度图和对应录入在赛事服务器210的赛事信息输入到已读取识别模型的预测判别服务器209中，预测判别服务器209根据赛事信息由识别模型根据已学习的判别特征将当前赛事的灰度图进行识别操作，输出当前识别的赛事进程结果。同时预测判别服务器209还要根据当前识别的赛事进程与上一次识别的赛事进程是否一致，如果不一致则确定更新赛事进程，否则依旧沿用上一次识别的赛事进程，将确定更新的赛事进程存储到赛事服务器210中。

赛事服务器210将更新的赛事进程推送给运营平台212，运营人员收到赛事进程变化通知后，将实际的赛事进程与识别的赛事进程比较，当实际赛事进程与识别出的赛事进程不符时，由于运营平台212配置账户的数据更改权限大于识别模型的识别操作，因此运营人员可以对当前识别出的赛事进程进行更改，将实际的赛事进程录入到赛事服务器210中。

如果运营人员不进行干预操作，则默认识别模型的识别结果生效。生效的更新赛事进程可以直接向客户端211推送，也可以由客户端211主动发送查询指令到赛事服务器210查询，具体可取决于赛事进程的类别，重要的赛事进程如比赛开始或结束的状态就可以由赛事服务器210直接向客户端211推送赛事进程通知，而不太重要的赛事进程如某一局比赛中的比分信息则不推送，由用户通过客户端211向赛事服务器210主动查询获得。

如图2C所示，是根据一示例性实施例示出的一个用户终端上的客户端展示赛事进程的应用场景图，从显示屏上可得知赛事信息和当前赛事进程情况。如屏幕上方显示的是当前直播中的赛事视频，可以得知当前赛事中的赛事比分、双方队伍信息和赛事状态；而屏幕下方显示的是该组比赛各个队伍的赛事进程信息，如比赛日期，赛事比分，是否比赛开始或结束还是直播中等。服务端推送过来的赛事进程信息将显示在屏幕下方的赛程列表中。

与前述方法的实施例相对应，本说明书还提供了装置及其所应用的终端的实施例。

本说明书赛事进程判别装置的实施例可以应用在计算机设备上，例如服务器或终端设备。装置实施例可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。以软件实现为例，作为一个逻辑意义上的装置，是通过其所在文件处理的处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言，如图3所示，为本说明书实施例赛事进程判别装置所在计算机设备的一种硬件结构图，除了图3所示的处理器310、内存330、网络接口320、以及非易失性存储器340之外，实施例中赛事进程判别装置331所在的服务器或电子设备，通常根据该计算机设备的实际功能，还可以包括其他硬件，对此不再赘述。

如图4所示，图4是本说明书根据一示例性实施例示出的一种赛事进程判别装置的框图，所述装置包括：

获取模块41，用于获取当前赛事的视频图像；

识别模块42，用于将所述视频图像输入识别模型从而识别当前赛事的进程；所述识别模型基于历史赛事的训练集训练而成；

更新模块43，用于根据当前识别的赛事进程与上一次识别的赛事进程是否一致从而确定是否更新赛事进程。

在一个实施例中，所述装置还包括：

更改模块44(图4中没显示)，用于当接收到指定用户的更改指令时对当前识别出的赛事进程进行更改。

在一个实施例中，所述历史赛事的训练集包括所述历史赛事的视频图像中指示赛事比分的视频图像，和/或指示赛事状态的视频图像。

在一个实施例中，所述视频图像的获取方式包括按照指定周期获取。

在一个实施例中，所述装置还包括：

推送模块45(图4中没显示)，用于当确定更新赛事进程时向客户端208推送更新后的赛事进程。

在一个实施例中，所述装置还包括：

反馈模块46(图4中没显示)，用于当接收到客户端的赛事进程查询指令时向客户端推送所述当前赛事进程。

如图5所示，图5是本说明书根据一示例性实施例示出的一种赛事进程判别装置的框图，所述装置包括：

查询模块51，用于向服务端发送查询赛事进程的指令，以使服务端反馈当前赛事进程；

展示模块52，接收并展示从服务端反馈的赛事进程。

相应的，本说明书还提供一种计算机设备，所述计算机设备包括有处理器；用于存储处理器执行的计算机程序的存储器；其中，所述处理器执行所述程序时实现前述应用于服务端和/或客户端的任一方法实施例中的赛事进程判别方法的步骤。

上述装置中各个模块的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程，在此不再赘述。

对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本说明书方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

相应的，本说明书实施例还提供一种计算机存储介质，所述存储介质中存储有程序指令，所述程序指令实现上述任一项所述方法的步骤

本说明书实施例可采用在一个或多个其中包含有程序代码的存储介质(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。计算机可用存储介质包括永久性和非永久性、可移动和非可移动媒体，可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括但不限于：相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。

上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本领域技术人员在考虑说明书及实践这里申请的发明后，将容易想到本说明书的其它实施方案。本说明书旨在涵盖本说明书的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本说明书的一般性原理并包括本说明书未申请的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本说明书的真正范围和精神由下面的权利要求指出。

应当理解的是，本说明书并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本说明书的范围仅由所附的权利要求来限制。

以上所述仅为本说明书的较佳实施例而已，并不用以限制本说明书，凡在本说明书的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本说明书保护的范围之内。

Claims (13)

1.一种赛事进程判别方法，其特征在于，包括：

获取当前赛事的视频图像，将所述视频图像输入识别模型，识别出当前赛事的进程，所述识别模型基于历史赛事的训练集训练而成；

根据当前识别的赛事进程与上一次识别的赛事进程是否一致，确定是否更新赛事进程。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

当接收到指定用户的更改指令时，对当前识别出的赛事进程进行更改。

3.根据权利要求1所述的方法，其特征在于，所述历史赛事的训练集包括：

所述历史赛事的视频图像中指示赛事比分的视频图像和/或指示赛事状态的视频图像。

4.根据权利要求3所述的方法，其特征在于，所述识别模型包括基于指示赛事比分的视频图像训练的赛事比分模型和/或基于指示赛事状态的视频图像训练的赛事状态的模型。

5.根据权利要求1所述的方法，其特征在于，所述视频图像的获取方式包括按照指定周期获取。

6.根据权利要求1所述的方法，其特征在于，所述方法还包括：

当确定更新赛事进程时，向客户端推送更新后的赛事进程。

7.根据权利要求1所述的方法，其特征在于，所述方法还包括：

当接收到客户端的赛事进程查询指令时，向客户端推送所述当前赛事进程。

8.一种基于权利要求1至7所述的方法进行赛事进程判别方法，其特征在于，包括：

向服务端发送查询赛事进程的指令，以使服务端反馈当前赛事进程；

根据所述服务端反馈的当前赛事进程更新当前显示的赛事进程。

9.一种直播系统，其特征在于，包括客户端和服务端；

所述服务端用于获取当前赛事的视频图像，将所述视频图像输入识别模型，识别出当前赛事的进程，所述识别模型基于历史赛事的训练集训练而成；以及根据当前识别的赛事进程与上一次识别的赛事进程是否一致，确定是否需要更新赛事进程；如果需要更新，则向客户端推送更新后的赛事进程；

所述客户端用于根据所述服务端推送的更新后的赛事进程更新当前显示的赛事进程。

10.一种赛事进程判别装置，其特征在于，所述装置包括：

获取模块，用于获取当前赛事的视频图像；

识别模块，用于将所述视频图像输入识别模型从而识别当前赛事的进程；所述识别模型基于历史赛事的训练集训练而成；

更新模块，用于根据当前识别的赛事进程与上一次识别的赛事进程是否一致从而确定是否更新赛事进程。

11.一种基于权利要求10所述装置的赛事进程判别装置，其特征在于，所述装置包括：

查询模块，用于向服务端发送查询赛事进程的指令，以使服务端反馈当前赛事进程；

展示模块，用于接收并展示从服务端反馈的赛事进程。

12.一种计算机设备，其特征在于，包括：

存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述程序时实现权利要求1至7任一项所述方法的步骤。

13.一种计算机设备，其特征在于，包括：

存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述程序时实现权利要求8所述方法的步骤。