CN110378247B - 虚拟对象识别方法和装置、存储介质及电子装置 - Google Patents
虚拟对象识别方法和装置、存储介质及电子装置 Download PDFInfo
- Publication number
- CN110378247B CN110378247B CN201910563728.8A CN201910563728A CN110378247B CN 110378247 B CN110378247 B CN 110378247B CN 201910563728 A CN201910563728 A CN 201910563728A CN 110378247 B CN110378247 B CN 110378247B
- Authority
- CN
- China
- Prior art keywords
- target
- state parameter
- virtual object
- image
- area
- 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.)
- Active
Links
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
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种虚拟对象识别方法和装置、存储介质及电子装置。其中,该方法包括:从目标视频中获取待识别的目标图像帧,其中,目标视频用于展示虚拟对象在虚拟场景中执行目标任务的过程;检测在目标图像帧中展示的目标虚拟对象;在检测到目标虚拟对象的情况下,将从目标图像帧中获取到的目标虚拟对象所在的对象图像区域,输入到对象识别分类器中,其中,对象识别分类器为利用多个样本图像进行训练所得到的用于识别虚拟对象的对象标识的分类器;根据对象识别分类器的输出结果,识别出目标虚拟对象的目标对象标识。本发明解决了相关技术并未提供一种用于准确识别出视频中出现的虚拟对象的技术问题。
Description
技术领域
本发明涉及计算机领域,具体而言,涉及一种虚拟对象识别方法和装置、存储介质及电子装置。
背景技术
为了方便各个玩家交流在游戏应用中对虚拟对象执行控制操作所得到的经验,常常会有玩家对运行中的一局游戏进行录制,以生成游戏视频,并在各个视频共享平台进行分享播放。
目前,相关技术提供的上述游戏视频往往是用于记录游戏运行过程中出现的精彩操作时刻。也就是说,会为每个游戏视频配置精彩操作的操作标签,以便于后续识别调用。然而,却并未提供一种方式对上述游戏视频中执行精彩操作的虚拟对象进行准确识别。
针对上述的问题,目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种虚拟对象识别方法和装置、存储介质及电子装置,以至少解决相关技术并未提供一种用于准确识别出视频中出现的虚拟对象的技术问题。
根据本发明实施例的一个方面,提供了一种虚拟对象识别方法,包括:从目标视频中获取待识别的目标图像帧,其中,上述目标视频用于展示虚拟对象在虚拟场景中执行目标任务的过程;检测在上述目标图像帧中展示的目标虚拟对象;在检测到上述目标虚拟对象的情况下,将从上述目标图像帧中获取到的上述目标虚拟对象所在的对象图像区域,输入到对象识别分类器中,其中,上述对象识别分类器为利用多个样本图像进行训练所得到的用于识别虚拟对象的对象标识的分类器;根据上述对象识别分类器的输出结果,识别出上述目标虚拟对象的目标对象标识。
根据本发明实施例的另一方面,还提供了一种虚拟对象识别装置,包括:第一获取单元,用于从目标视频中获取待识别的目标图像帧,其中,上述目标视频用于展示虚拟对象在虚拟场景中执行目标任务的过程;第一检测单元,用于检测在上述目标图像帧中展示的目标虚拟对象;输入单元,用于在检测到上述目标虚拟对象的情况下,将从上述目标图像帧中获取到的上述目标虚拟对象所在的对象图像区域,输入到对象识别分类器中,其中,上述对象识别分类器为利用多个样本图像进行训练所得到的用于识别虚拟对象的对象标识的分类器;识别单元,用于根据上述对象识别分类器的输出结果,识别出上述目标虚拟对象的目标对象标识。
可选地,上述第一检测单元包括:第一获取模块,用于获取状态参数图像模板,其中,上述状态参数图像模板为状态参数提示栏对应的图像模板,上述状态参数提示栏用于提示虚拟对象在上述虚拟场景中所产生的状态变化;比对模块,用于将上述状态参数图像模板与上述目标图像帧进行比对,以生成与上述目标图像帧对应的匹配图,其中,上述匹配图用于记录候选图像区域与上述状态参数图像模板二者之间的匹配度,上述候选图像区域为在上述目标图像帧中与上述状态参数图像模板对应的图像区域;检测模块,用于根据上述匹配图检测上述目标虚拟对象。
可选地,上述比对模块包括:第一确定子模块,用于从上述目标图像帧上确定出与上述状态参数图像模板相匹配的候选对象区域集合,其中,上述候选对象区域集合中每个候选对象区域与上述状态参数图像模板的大小相同;获取子模块,用于获取上述候选对象区域集合中每个候选对象区域与上述状态参数图像模板之间的匹配度,得到匹配度集;生成子模块,用于根据上述匹配度集生成上述匹配图。
可选地,上述获取子模块通过以下步骤实现获取上述候选对象区域集合中每个候选对象区域与上述状态参数图像模板之间的匹配度,得到匹配度集:对上述状态参数图像模板进行掩码处理,得到状态参数图像掩码模板;对上述候选对象区域集合中每个上述候选对象区域进行亮度调整,得到上述候选对象区域的灰度图像;依次将上述候选对象区域集合中每个上述候选对象区域的灰度图像作为当前灰度图像,执行以下操作,以得到上述匹配度集:比对上述状态参数图像掩码模板与上述当前灰度图像在各个像素点上的亮度,得到亮度差异;根据上述亮度差异确定上述当前灰度图像对应的上述候选对象区域与上述状态参数图像模板之间的上述匹配度。
可选地,上述获取子模块通过以下步骤实现对上述状态参数图像模板进行掩码处理,得到状态参数图像掩码模板:确定上述状态参数图像模板中用于指示上述虚拟对象在上述虚拟场景中所产生的状态变化的第一区域;将上述第一区域的亮度调整为第一值,并将上述状态参数图像模板中除上述第一区域之外的第二区域的亮度调整为第二值,以生成上述状态参数图像掩码模板。
可选地,上述生成子模块通过以下步骤实现根据上述匹配度集生成上述匹配图:依次确定上述匹配度集中的每个上述匹配度对应的上述候选对象区域;将上述匹配度作为对应的上述候选对象区域的区域标识;将上述区域标识标记在上述目标图像帧中,以生成上述匹配图。
可选地,上述检测模块包括:划分子模块,用于将上述匹配图划分为多个目标区域,其中,每个上述目标区域中包括至少一个上述区域标识;排序子模块,用于依次获取每个上述目标区域中上述区域标识的最大值,并对上述最大值进行排序,以得到区域标识序列;第二确定子模块,用于确定出上述区域标识序列中前N个最大值对应的上述目标区域,作为待处理目标区域,其中,上述N小于上述区域标识序列中包括的最大值的总数;处理子模块,用于依次对上述待处理目标区域执行以下操作:获取上述待处理目标区域中上述区域标识的最大值与其他各个区域标识的差值,以得到差值平均值;对上述最大值及上述差值平均值进行加权求和,得到匹配指示参数;在上述匹配指示参数大于第一阈值的情况下,确定上述待处理目标区域中检测到上述目标虚拟对象。
可选地,上述装置还包括:第二检测单元,用于在上述从目标视频中获取待识别的目标图像帧之后,检测上述目标图像帧的分辨率;第一调整单元,用于在检测出上述目标图像帧的上述分辨率与上述状态参数图像模板的分辨率并不匹配的情况下,根据与上述状态参数图像模板对应的参考图像帧的显示宽度调整上述目标图像帧的显示宽度,得到目标显示宽度;第二调整单元,用于根据上述目标图像帧的长宽比及上述目标显示宽度,将上述目标图像帧的显示长度调整为目标显示长度;确定单元,用于将调整为上述目标显示宽度和上述目标显示长度的上述目标图像帧,作为待检测的上述目标图像帧。
可选地,上述第一检测单元还包括:第二获取模块,用于获取上述目标虚拟对象对应的状态参数提示栏中目标位置对应的各个颜色通道中记录的颜色亮度值;第一确定模块,用于在目标颜色通道中记录的目标颜色亮度值与其他颜色通道中的颜色亮度值的差值均大于第二阈值的情况下,将上述目标颜色亮度值所指示的群组,确定为上述目标虚拟对象所属的目标群组;第二确定模块,用于在各个颜色通道中记录的颜色亮度值两两之间的差值小于第三阈值,且各个颜色通道中记录的颜色亮度值均位于目标区间的情况下,确定上述目标位置为无效位置,其中,上述无效位置并未携带用于指示上述目标虚拟对象所属群组的信息。
可选地,上述识别单元包括:第三获取模块,用于获取上述对象识别分类器的上述输出结果,其中,上述输出结果包括对上述目标虚拟对象识别后得到的候选对象标识及与上述候选对象标识相匹配的置信度;识别模块,用于根据上述置信度从上述候选对象标识中识别出上述目标对象标识。
可选地,上述装置还包括:第二获取单元,用于在上述从目标视频中获取待识别的目标图像帧之前,获取多个上述样本图像及初始化的对象识别分类器;处理单元,用于依次对每个上述样本图像执行以下操作:从上述样本图像中获取待识别的样本虚拟对象所在的对象区域;将上述对象区域及为上述样本虚拟对象标记的对象标识标签,输入当前的对象识别分类器进行训练,得到训练结果,其中,上述训练结果包括对上述样本虚拟对象识别后得到的参考对象标识及与上述参考对象标识相匹配的参考置信度;根据上述参考置信度确定出与上述样本虚拟对象相匹配的样本对象标识;其中,在上述样本对象标识与上述对象标识标签的比对结果指示并未收敛的情况下,调整当前的对象识别分类器中的参数,并获取下一个上述样本图像;在上述样本对象标识与上述对象标识标签的比对结果指示收敛的情况下,确定上述当前的对象识别分类器完成训练。
根据本发明实施例的又一方面,还提供了一种存储介质,该存储介质中存储有计算机程序,其中,该计算机程序被设置为运行时执行上述虚拟对象识别方法。
根据本发明实施例的又一方面,还提供了一种电子装置,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,上述处理器通过计算机程序执行上述的虚拟对象识别方法。
在本发明实施例中,在从目标视频中获取待识别的目标图像帧之后,检测在该目标图像帧中展示的目标虚拟对象,并在检测到上述目标虚拟对象的情况下,将从上述目标图像帧中获取到的目标虚拟对象所在的对象图像区域,输入到对象识别分类器中,然后根据对象识别分类器的输出结果,以准确地识别出上述目标虚拟对象的目标对象标识。也就是说,通过对目标视频中的目标图像帧进行检测,再通过训练得到的对象识别分类器对检测出的目标虚拟对象进行识别,以达到准确识别出目标图像帧中包括的目标虚拟对象的目标对象标识的目的,进而解决了相关技术并未提供一种用于准确识别出视频中出现的虚拟对象的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是根据本发明实施例的一种可选的虚拟对象识别方法的网络环境的示意图;
图2是根据本发明实施例的一种可选的虚拟对象识别方法的流程图;
图3是根据本发明实施例的一种可选的虚拟对象识别方法的示意图;
图4是根据本发明实施例的另一种可选的虚拟对象识别方法的示意图;
图5是根据本发明实施例的又一种可选的虚拟对象识别方法的示意图;
图6是根据本发明实施例的又一种可选的虚拟对象识别方法的示意图;
图7是根据本发明实施例的又一种可选的虚拟对象识别方法的示意图;
图8是根据本发明实施例的又一种可选的虚拟对象识别方法的示意图;
图9是根据本发明实施例的又一种可选的虚拟对象识别方法的示意图;
图10是根据本发明实施例的又一种可选的虚拟对象识别方法的示意图;
图11是根据本发明实施例的又一种可选的虚拟对象识别方法的示意图;
图12是根据本发明实施例的一种可选的虚拟对象识别装置的结构示意图;
图13是根据本发明实施例的一种可选的电子装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,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,都应当属于本发明保护的范围。
需要说明的是,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”等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。
根据本发明实施例的一个方面,提供了一种虚拟对象识别方法,可选地,作为一种可选的实施方式,上述虚拟对象识别方法可以但不限于应用于如图1所示的网络环境中的虚拟对象识别系统中,该虚拟对象识别系统包括用户设备102、网络110及服务器112。假设用户设备102中安装有播放应用的客户端(如图1所示用于展示虚拟对象在虚拟场景中执行目标任务的过程),其中,用户设备102中包括人机交互屏幕104,处理器106及存储器108。人机交互屏幕104用于通过与上述客户端对应的人机交互接口检测人机交互操作;处理器106,用于根据人机交互操作生成对应的操作指令,并响应该操作指令播放上述目标视频。存储器108用于存储上述操作指令及上述目标视频。
如步骤S102,从用户设备102中安装的播放客户端所播放的目标视频中获取待识别的目标图像帧,并保存至存储器108中,例如,目标图像帧中展示虚拟对象A正在攻击虚拟对象B。然后处理器106执行步骤S104,通过网络110将上述目标图像帧发送给服务器112。进一步,服务器112执行步骤S106-S110:检测获取到的目标图像帧中展示的目标虚拟对象,并在检测到目标虚拟对象的情况下,将从目标图像帧中获取到的目标虚拟对象所在的对象图像区域,输入到对象识别分类器中,其中,该对象识别分类器为利用多个样本图像进行训练所得到的用于识别虚拟对象的对象标识的分类器。根据上述对象识别分类器的输出结果,来识别出目标虚拟对象的目标对象标识。然后,执行步骤S112,将上述目标虚拟对象的目标对象标识发送给用户设备102,并通过用户设备102中的人机交互屏幕104显示上述目标虚拟对象的目标对象标识,如步骤S114。
需要说明的是,在本实施例中,在从目标视频中获取待识别的目标图像帧之后,检测在该目标图像帧中展示的目标虚拟对象,并在检测到上述目标虚拟对象的情况下,将从上述目标图像帧中获取到的目标虚拟对象所在的对象图像区域,输入到对象识别分类器中,然后根据对象识别分类器的输出结果,以准确地识别出上述目标虚拟对象的目标对象标识。也就是说,通过对目标视频中的目标图像帧进行检测,再通过训练得到的对象识别分类器对检测出的目标虚拟对象进行识别,以达到准确识别出目标图像帧中包括的目标虚拟对象的目标对象标识的目的,进而克服相关技术中无法识别视频中的虚拟对象的问题。进一步,将通过本实施例识别出的对象标识,与上述目标视频一起入库保存,还将有利于后续快速直接地获取到与对象标识相匹配的目标视频,以达到提高目标视频的获取效率,丰富获取渠道的效果。
可选地,在本实施例中,上述用户设备可以但不限于为手机、平板电脑、笔记本电脑、PC机等支持运行应用客户端的计算机设备。上述服务器和用户设备可以但不限于通过网络实现数据交互,上述网络可以包括但不限于无线网络或有线网络。其中,该无线网络包括:蓝牙、WIFI及其他实现无线通信的网络。上述有线网络可以包括但不限于:广域网、城域网、局域网。上述仅是一种示例,本实施例中对此不作任何限定。
可选地,作为一种可选的实施方式,如图2所示,上述虚拟对象识别方法包括:
S202,从目标视频中获取待识别的目标图像帧,其中,目标视频用于展示虚拟对象在虚拟场景中执行目标任务的过程;
S204,检测在目标图像帧中展示的目标虚拟对象;
S206,在检测到目标虚拟对象的情况下,将从目标图像帧中获取到的目标虚拟对象所在的对象图像区域,输入到对象识别分类器中,其中,对象识别分类器为利用多个样本图像进行训练所得到的用于识别虚拟对象的对象标识的分类器;
S208,根据对象识别分类器的输出结果,识别出目标虚拟对象的目标对象标识。
可选地,在本实施例中,上述虚拟对象识别方法可以但不限于应用于视频推荐、视频编辑处理等基于虚拟对象查找获取视频的应用场景中。此外,在本实施例中,上述目标视频可以包括但不限于:呈现有虚拟对象在虚拟场景中执行目标任务的过程的录制视频,比如,游戏视频、导购视频等。例如,以游戏视频为例,上述虚拟对象可以但不限于为游戏客户端所控制的虚拟角色、虚拟装备或虚拟车辆等。通过录制运行上述游戏客户端的显示屏幕,以生成上述游戏视频(目标视频),从而实现将上述录制好的游戏视频直接发送给各个共享平台进行分享。其中,该共享平台可以包括但不限于:视频共享平台、游戏数据共享平台、社区共享空间平台等等。上述仅是一种举例,本实施例中对此不作任何限定。
需要说明的是,在本实施例中,通过对目标视频中的目标图像帧进行检测,再通过训练得到的对象识别分类器对检测出的目标虚拟对象进行识别,以达到准确识别出目标图像帧中包括的目标虚拟对象的目标对象标识的目的,进而克服相关技术中无法识别视频中的虚拟对象的问题。进一步,将通过本实施例识别出的对象标识,与上述目标视频一起入库保存,还将有利于后续快速直接地获取到与对象标识相匹配的目标视频,以达到提高目标视频的获取效率,丰富获取渠道的效果。
可选地,在本实施例中,上述检测在目标图像帧中展示的目标虚拟对象包括:获取状态参数图像模板,其中,状态参数图像模板为与用于提示虚拟对象在虚拟场景中所产生的状态变化的状态参数提示栏对应的图像模板;将状态参数图像模板与目标图像帧进行比对,以生成与目标图像帧对应的匹配图,其中,匹配图用于记录目标图像帧中与状态参数图像模板对应的候选图像区域,与状态参数图像模板二者之间的匹配度;根据匹配图检测目标虚拟对象。
需要说明的是,在本实施例中,可以但不限于从标准比例的视频图像帧中截取任意一个虚拟对象的状态参数提示栏,作为上述状态参数图像模板。其中。上述用于生成状态参数图像模板的状态参数提示栏可以但不限于用于提示虚拟对象在虚拟场景中执行目标任务的过程中所产生的状态变化。例如,这里状态变化可以包括但不限于:虚拟对象的等级变化、虚拟对象的血量变化、虚拟对象的法力变化等。例如,如图3所示,虚拟对象A的状态参数提示栏提示:虚拟对象A当前等级为9,当前血量为60%左右,当前法力为45%左右;虚拟对象B的状态参数提示栏提示:虚拟对象B当前等级为7,当前血量为45%左右,当前法力为85%左右。
可选地,在本实施例中,还可以但不限于对上述状态参数图像模板进行掩码处理,以遮盖状态参数图像模板中不断变化的区域,并利用状态参数图像模板中保持不变的区域,来与上述目标图像帧进行比对。例如,保留状态参数图像模板的单通道颜色值,将用于指示状态变化的第一区域调整为“黑色”,而将第一区域之外的第二区域调整为“白色”,从而便于直接使用上述掩码处理后的状态参数图像模板与目标图像帧进行比对,得到状态参数图像模板与目标图像帧中包括的各个候选图像区域之间的匹配度,其中,候选图像区域与状态参数图像模板的大小相同。进一步,利用根据上述匹配度生成的匹配图来检测目标图像帧中的目标虚拟对象。例如,获取匹配度中各个目标区域中的匹配度极大值,利用匹配度极大值确定出存在目标虚拟对象的待处理目标区域,从而实现在待处理目标区域中准确地检测出目标虚拟对象。
需要说明的是,在本实施例中,上述匹配图与目标图像帧可以但不限于为相同尺寸的图像,其中,上述匹配图用于记录目标图像帧中各个与状态参数图像模板相匹配的候选对象区域,和状态参数图像模板二者之间的匹配度。
此外,在本实施中,还可以但不限于获取上述目标虚拟对象对应状态参数提示栏中目标位置对应的各个颜色通道中记录的颜色亮度值,以根据该颜色亮度值确定目标虚拟对象在虚拟场景中所属的目标群组。其中,上述目标位置可以包括但不限于为状态参数提示栏中血量变化的最后一格。例如,假设绿色为我方、蓝色为友方、红色为敌方。则在检测到目标虚拟对象的状态参数提示栏中血量变化的最后一格为绿色的情况下,表示该目标虚拟对象属于我方;在检测到目标虚拟对象的状态参数提示栏中血量变化的最后一格为蓝色的情况下,表示该目标虚拟对象属于友方;在检测到目标虚拟对象的状态参数提示栏中血量变化的最后一格为红色的情况下,表示该目标虚拟对象属于敌方。
需要说明的是,在本实施例中,上述根据该颜色亮度值确认目标虚拟对象在虚拟场景中所属的目标群组可以但不限于:
1)获取各个颜色通道中记录的颜色亮度值;将上述颜色亮度值中的最大值对应的颜色通道作为目标颜色通道,并根据该目标颜色通道的颜色确定目标虚拟对象在虚拟场景中所属的目标群组;
2)获取各个颜色通道中记录的颜色亮度值;在各个颜色通道中记录的颜色亮度值接近,且均位于目标区间的情况下,则确定上述状态参数提示栏为空,对应的该目标位置为无效位置。
3)在以上两种情况都不是的情况下,则认为检测错误,丢弃该获取到的状态参数提示栏中的检测结果。
可选地,在本实施例中,根据对象识别分类器的输出结果,识别出目标虚拟对象的目标对象标识包括:获取对象识别分类器的输出结果,其中,输出结果包括对目标虚拟对象识别后得到的候选对象标识及与候选对象标识相匹配的置信度;根据置信度从候选对象标识中识别出目标对象标识。
需要说明的是,在本实施例中,上述对象识别分类器可以但不限于为采用人工智能(Artificial Intelligence,简称AI)技术,经过对样本图像进行训练,所得到的用于识别虚拟对象的对象标识的模型。其中,对象识别分类器的输出结果可以包括但不限于预测出的候选对象标识及与该候选对象标识对应的置信度。例如,如图4所示,在检测出的虚拟对象A所在的对象区域(图中所示方框内)显示虚拟对象的对象标识及置信度,例如对象标识c为20,表示该虚拟对象A刺客角色“张三”;置信度s为0.56,表示该虚拟对象A为角色“张三”的可能性概率;而在检测出的虚拟对象B所在的对象区域(图中所示方框内)显示虚拟对象的对象标识及置信度,例如对象标识c为29,表示该虚拟对象B为法师角色“李四”;置信度s为0.84,表示该虚拟对象B为法师角色“李四”的可能性概率。
也就是说,在本实施例中,采用二阶段法来识别目标图像帧中目标虚拟对象的目标对象标识。其中,二阶段法包括:第一阶段,通过状态参数图像模板来匹配在目标图像帧中所有状态参数提示栏,以根据该状态参数提示栏所在的位置,来确定目标虚拟对象在目标图像帧中所在的位置;第二阶段,利用对深度卷积神经网络(Convolutional NeuralNetwork,简称CNN)模型训练得到的对象识别分类器,来对上述检测出的目标虚拟对象进行分类识别,得到候选对象标识及对应的置信度,从而实现根据置信度来确定目标虚拟对象的目标对象标识。
具体识别方法的过程可以如下:
S1,事先获取标准的状态参数图像模版,及训练好的对象识别分类器;
S2,读入目标视频,获取待识别的目标图像帧;
S3,将该目标图像帧调整至标准尺寸(例如,调整后的图像高度为720像素);
S4,利用上述状态参数图像模板检测在该目标图像帧中出现的所有目标虚拟对象,并裁剪出每个目标虚拟对象所在的对象图像区域;
S5,确定每个目标虚拟对象的所属的阵营(例如我方/友方/敌方);
S6,对于在步骤S4中检测出的每个目标虚拟对象,依次将其所在的对象图像区域输入上述对象识别分类器进行识别,得到该目标虚拟对象对应的候选对象标识及对应的置信度;
S7,根据识别出的候选对象标识及对应的置信度,确定目标对象标识;
S8,获取从目标视频的各个图像帧中检测出的目标虚拟对象及对应的目标虚拟对象标识,以确定与该目标视频匹配的虚拟对象及对象标识,从而实现将该目标视频与上述识别出的虚拟对象及对应的对象标识同时入库,以便于后续基于虚拟对象的维度,向用户精准地推荐用户所需的目标视频,从而更加贴合用户的观看需求,以满足用户对不同虚拟对象的不同喜好,进而达到提高用户关注度的目的。
通过本申请提供的实施例,在从目标视频中获取待识别的目标图像帧之后,检测在该目标图像帧中展示的目标虚拟对象,并在检测到上述目标虚拟对象的情况下,将从上述目标图像帧中获取到的目标虚拟对象所在的对象图像区域,输入到对象识别分类器中,然后根据对象识别分类器的输出结果,以准确地识别出上述目标虚拟对象的目标对象标识。也就是说,通过对目标视频中的目标图像帧进行检测,再通过训练得到的对象识别分类器对检测出的目标虚拟对象进行识别,以达到准确识别出目标图像帧中包括的目标虚拟对象的目标对象标识的目的,进而克服相关技术中无法识别视频中的虚拟对象的问题。进一步,将通过本实施例识别出的对象标识,与上述目标视频一起入库保存,还将有利于后续快速直接地获取到与对象标识相匹配的目标视频,以达到提高目标视频的获取效率,丰富获取渠道的效果。
作为一种可选的方案,检测在目标图像帧中展示的目标虚拟对象包括:
S1,获取状态参数图像模板,其中,状态参数图像模板为状态参数提示栏对应的图像模板,状态参数提示栏用于提示虚拟对象在虚拟场景中所产生的状态变化;
S2,将状态参数图像模板与目标图像帧进行比对,以生成与目标图像帧对应的匹配图,其中,匹配图用于记录候选图像区域与状态参数图像模板二者之间的匹配度,候选图像区域为在目标图像帧中与状态参数图像模板对应的图像区域;
S3,根据匹配图检测目标虚拟对象。
可选地,在本实施例中,上述用于生成状态参数图像模板的状态参数提示栏可以但不限于用于提示虚拟对象的以下至少一种状态变化:等级变化、血量变化、法力变换。例如,如图5所示,状态参数提示栏502中可以包括但不限于:等级变化指示参数504(如图5所示为“9”)、血量变化进度条506(如图5所示当前血量为60%左右)及法力变化进度条508(如图5所示当前法力为45%左右)。
需要说明的是,上述根据状态参数提示栏生成的状态参数图像模板(下文也可简称为“血条模板”)轮廓规整,在与目标图像帧进行比对的过程中,有利于保证图像比对的准确性。
可选地,在本实施例中,步骤S2,将状态参数图像模板与目标图像帧进行比对,以生成与目标图像帧对应的匹配图包括:
S21,从目标图像帧上确定出与状态参数图像模板相匹配的候选对象区域集合,其中,候选对象区域集合中每个候选对象区域与状态参数图像模板的大小相同
S22,获取候选对象区域集合中每个候选对象区域与状态参数图像模板之间的匹配度,得到匹配度集;
S23,根据匹配度集生成匹配图。
需要说明的是,在本实施例中,上述候选对象区域集合可以但不限于通过以下方式确定:将状态参数图像模板置于目标图像帧上,在既定路径上按照目标间隔进行移动,并将移动过程中上述状态参数图像模板在每个移动位置上对应的区域被确定为上述候选对象区域,以得到上述候选对象区域集合。其中,上述既定路径可以但不限于为先横向移动,然后纵向换行移动,以遍历全部目标图像帧。上述目标间隔可以但不限于根据实际场景设置为不同的取值,例如,如图6所示,从目标图像帧的左上角开始,先按行方向移动,在遍历一行的图像区域后,换行继续移动,直至遍历目标图像帧。上述仅是一种示例,本实施例中对此不作任何限定。
可选地,在本实施例中,根据匹配度集生成匹配图包括:依次确定匹配度集中的每个匹配度对应的候选对象区域;将匹配度作为对应的候选对象区域的区域标识;将区域标识标记在目标图像帧中,以生成匹配图。也就是说,在本实施例中,在确定出匹配度之后,可以但不限于将该匹配度作为对应的候选对象区域的区域标识,以标记该候选对象区域。进一步,根据获取到的匹配度集中的全部匹配度,来标记目标图像帧,以生成与目标图像帧对应的匹配图。从而实现利用匹配度中的匹配度来确定目标图像帧中的目标虚拟对象,以达到准确检测出目标图像帧中的目标虚拟对象的目的。
通过本申请提供的实施例,在获取状态参数图像模板之后,比对该状态参数图像模板与目标图像帧,以获取与状态参数图像模板相匹配的候选对象区域集合,进一步利用该候选对象区域集合中的候选对象区域与状态参数图像模板之间的匹配度,来生成与目标图像帧相匹配的匹配图,从而实现根据匹配图中匹配度的分布情况,来精准地检测出目标图像帧中的目标虚拟对象,进而达到提高检测目标虚拟对象的准确性的效果;此外,利用规整的状态参数图像模板来检测目标虚拟对象,还将简化比对操作难度,提高检测效率。
作为一种可选的方案,获取候选对象区域集合中每个候选对象区域与状态参数图像模板之间的匹配度,得到匹配度集包括:
S1,对状态参数图像模板进行掩码处理,得到状态参数图像掩码模板;
S2,对候选对象区域集合中每个候选对象区域进行亮度调整,得到候选对象区域的灰度图像;
S3,依次将候选对象区域集合中每个候选对象区域的灰度图像作为当前灰度图像,执行以下操作,以得到匹配度集:
S31,比对状态参数图像掩码模板与当前灰度图像在各个像素点上的亮度,得到亮度差异;
S32,根据亮度差异确定当前灰度图像对应的候选对象区域与状态参数图像模板之间的匹配度。
可选地,在本实施例中,步骤S1,对状态参数图像模板进行掩码处理,得到状态参数图像掩码模板包括:
S11,确定状态参数图像模板中用于指示虚拟对象在虚拟场景中所产生的状态变化的第一区域;
S12,将第一区域的亮度调整为第一值,并将状态参数图像模板中除第一区域之外的第二区域的亮度调整为第二值,以生成状态参数图像掩码模板。
需要说明的是,在本实施例中,对状态参数图像模板进行掩码处理,得到的状态参数图像掩码模板,可以但不限于为是对状态参数图像模板中不断变化的区域进行遮盖,以利用状态参数图像模板中保持不变的区域来进行与目标图像帧的比对。
例如,将状态参数图像模板调整为单通道32位浮点图像,将用于指示状态变化的第一区域的颜色调整为“黑色”,而将第一区域之外的第二区域的颜色调整为“白色”。假设状态参数图像模板如图7(a)所示,则按照上述掩码处理,对等级变化指示参数、血量变化进度条及法力变化进度条的颜色调整为“黑色”,而对剩余区域调整为“白色”,从而得到状态参数图像掩码模板,如图7(b)所示。上述仅是一种示例,本实施例中对此不作任何限定。
进一步,将候选对象区域集合中每个候选对象区域也调整为灰度图像,依次将候选对象区域集合中每个候选对象区域的灰度图像作为当前灰度图像,与上述状态参数图像掩码模板,以得到二者之间的匹配度,进而得到目标图像帧对应的匹配度集。其中,上述匹配度用于反映上述灰度图像和状态参数图像模版上各个对应像素点之间的相关性。此外,在本实施中,可以但不限于通过两个图像上对应位置上的像素点的像素值的乘积的加权求和结果,来标识上述各个像素点的亮度差异。
例如,假设获取到当前灰度图像如图8(a)所示,状态参数图像掩码模板如图8(b)所示。则在比对过程中,可以依次获取状态参数图像掩码在各个像素点(如像素点1、像素点2……)上的亮度,及当前灰度图像在各个像素点(如像素点1、像素点2……)上的亮度,对上述灰度图像和状态参数图像模版两个图像上对应位置上的像素点的像素值进行相乘,并把各个乘积相加,再进行归一化,去除亮度线性变化对相似度计算的影响。从而实现保证灰度图像和状态参数图像模版同时变亮或变暗k倍时,匹配度的结果不会受到影响,其中,上述匹配度最大为1,最小为0。
上述仅为示例,本实施例中对此不作任何限定。
再者,在获取到的匹配度集中的全部匹配度之后,利用其来标记目标图像帧,以生成与目标图像帧对应的匹配图。例如,如图9所示,在获取到全部匹配度之后,在每个候选对象区域上,用匹配度来作为区域标识标记,以生成匹配度。
通过本申请提供的实施例,通过对状态参数图像模板进行掩码处理,得到状态参数图像掩码模板;对候选对象区域集合中每个候选对象区域进行亮度调整,得到候选对象区域的灰度图像;从而实现利用黑白的图像进行比对,以得到匹配度,达到简化比对操作难度,提高比对效率的目的。
作为一种可选的方案,根据匹配图检测目标虚拟对象包括:
S1,将匹配图划分为多个目标区域,其中,每个目标区域中包括至少一个区域标识;
S2,依次获取每个目标区域中区域标识的最大值,并对最大值进行排序,以得到区域标识序列;
S3,确定出区域标识序列中前N个最大值对应的目标区域,作为待处理目标区域,其中,N小于区域标识序列中包括的最大值的总数;
S4,依次对待处理目标区域执行以下操作:
S41,获取待处理目标区域中区域标识的最大值与其他各个区域标识的差值,以得到差值平均值;
S42,对最大值及差值平均值进行加权求和,得到匹配指示参数;
S43,在匹配指示参数大于第一阈值的情况下,确定待处理目标区域中检测到目标虚拟对象。
具体结合图9-10所示示例进行说明:假设获取到的匹配图如图9所示,每个候选对象区域的匹配度,被标记为该候选对象区域的区域标识。进一步,将该匹配图划分为多个目标区域,其中,每个目标区域中包括至少一个区域标识,如图10所示,假设目标区域中可以包括4个候选对象区域。依次获取每个目标区域中区域标识的最大值,例如图10中所示,目标区域1002中区域标识的最大值为0.02,目标区域1004中的区域标识的最大值为0.98,以此类推。并对上述匹配图中全部目标区域中的最大值按照从大到小的顺序进行排序,以得到区域标识序列。
然后,获取区域标识序列中的前N(假设N=20)个最大值对应的目标区域,作为待处理目标区域。结合图10所示示例,上述目标区域1004被确定为待处理目标区域。进一步,获取该目标区域1004中区域标识的最大值与其他各个区域标识的差值,以得到差值平均值。例如,上述目标区域1004中区域标识的最大值所在的候选对象区域1006,其区域标识的最大值为0.98,假设其他各个区域标识分别为:0.24、0.56、0.41。则可以获取到差值平均值为:[(0.98-0.24)+(0.98-0.56)+(0.98-0.41)]/3=0.58。进一步,对上述区域标识的最大值0.98和差值平均值0.58进行加权求和,以得到匹配指示参数,从而实现根据该匹配指示参数与第一阈值的比对结果,来确定该目标区域1004中是否可以检测出目标虚拟对象。
需要说明的是,在本实施例中,上述状态参数图像模板包含明显的水平长线条,导致在匹配时很有可能出现多个匹配指示参数。因此,在本实施中,可以但不限于使用非极大抑制算法,对于基本处在同一水平位置,且相互之间邻近的匹配指示参数,取其中具有最大值,而删除其他的匹配指示参数。
通过本申请提供的实施例,对匹配图中的目标区域采用局部极大值的方式,来确定匹配指示参数,以滤除不真实的计算结果,在大大降低计算量的情况下,也不会遗漏真实的候选对象区域,从而保证视频检测的准确真实的效果。
作为一种可选的方案,在从目标视频中获取待识别的目标图像帧之后,还包括:
S1,检测目标图像帧的分辨率;
S2,在检测出目标图像帧的分辨率与状态参数图像模板的分辨率并不匹配的情况下,根据与状态参数图像模板对应的参考图像帧的显示宽度调整目标图像帧的显示宽度,得到目标显示宽度;
S3,根据目标图像帧的长宽比及目标显示宽度,将目标图像帧的显示长度调整为目标显示长度;
S4,将调整为目标显示宽度和目标显示长度的目标图像帧,作为待检测的目标图像帧。
需要说明的是,由于一些视频的显示比例,与状态参数图像模板所在画面的显示比例不一致,从而导致在使用状态参数图像模板进行匹配检测时,会出现由于失真导致匹配错误率上升的问题。为了克服该问题,在本实施例中,可以但不限于对目标图像帧的尺寸进行统一调整。
例如,在检测到目标图像帧的分辨率并非标准比例(即状态参数图像模板的分辨率所指示的显示比例)的情况下,可以但不限于将该目标图像帧的显示宽度调整为与状态参数图像模板所在画面对应的显示宽度(例如720像素),进一步,再根据目标图像帧的原始长宽比来调整目标图像帧的显示长度,以使得调整后的目标图像帧用于匹配检测过程。
通过本申请提供的实施例,通过对目标图像帧的显示宽度和显示长度进行统一调整,以使调整后的目标显示宽度和目标显示长度构成的显示比例与状态参数图像模板的相适配,从而实现在匹配检测过程中,避免由于尺寸不适配导致的匹配失败的问题,进而达到提高匹配成功率。
作为一种可选的方案,检测在目标图像帧中展示的目标虚拟对象,还包括:
S1,获取目标虚拟对象对应的状态参数提示栏中目标位置对应的各个颜色通道中记录的颜色亮度值;
S2,在目标颜色通道中记录的目标颜色亮度值与其他颜色通道中的颜色亮度值的差值均大于第二阈值的情况下,将目标颜色亮度值所指示的群组,确定为目标虚拟对象所属的目标群组;
S3,在各个颜色通道中记录的颜色亮度值两两之间的差值小于第三阈值,且各个颜色通道中记录的颜色亮度值均位于目标区间的情况下,确定目标位置为无效位置,其中,无效位置并未携带用于指示目标虚拟对象所属群组的信息。
可选地,在本实施中,可以但不限于获取上述目标虚拟对象对应状态参数提示栏中目标位置对应的各个颜色通道中记录的颜色亮度值,以根据该颜色亮度值确定目标虚拟对象在虚拟场景中所属的目标群组。其中,上述目标位置可以包括但不限于为状态参数提示栏中血量变化的最后一格。例如,假设绿色为我方、蓝色为友方、红色为敌方。
需要说明的是,在本实施例中,根据上述目标位置上的颜色亮度值确认目标虚拟对象在虚拟场景中所属的目标群组可以但不限于:
1)当目标颜色通道的颜色亮度值较大,且明显大于另外两个通道时,则直接基于该目标颜色通道所指示的颜色,确定目标虚拟对象在虚拟场景中所属的目标群组;
2)当各个颜色通道中记录的颜色亮度值较接近,且均位于目标区间(70,100)的情况下,则确定上述状态参数提示栏为空(即血条唯恐),对应的该目标位置为无效位置。
3)在以上两种情况都不是的情况下,则认为检测错误,丢弃该获取到的状态参数提示栏中的检测结果。
通过本申请提供的实施例,利用状态参数提示栏中目标位置上的各个颜色通道中的颜色亮度值,来确定目标虚拟对象所属的目标群组,以进一步识别目标虚拟对象的群组类别,达到丰富识别结果的目的。
作为一种可选的方案,根据对象识别分类器的输出结果,识别出目标虚拟对象的目标对象标识包括:获取对象识别分类器的输出结果,其中,输出结果包括对目标虚拟对象识别后得到的候选对象标识及与候选对象标识相匹配的置信度;根据置信度从候选对象标识中识别出目标对象标识。
可选地,在本实施例中,上述对象识别分类器的训练过程可以包括但不限于:
S1,获取多个样本图像及初始化的对象识别分类器;
S2,依次对每个样本图像执行以下操作:
S21,从样本图像中获取待识别的样本虚拟对象所在的对象区域;将对象区域及为样本虚拟对象标记的对象标识标签,输入当前的对象识别分类器进行训练,得到训练结果,其中,训练结果包括对样本虚拟对象识别后得到的参考对象标识及与参考对象标识相匹配的参考置信度;根据参考置信度确定出与样本虚拟对象相匹配的样本对象标识;
其中,在样本对象标识与对象标识标签的比对结果指示并未收敛的情况下,调整当前的对象识别分类器中的参数,并获取下一个样本图像;在样本对象标识与对象标识标签的比对结果指示收敛的情况下,确定当前的对象识别分类器完成训练。
需要说明的是,通常游戏视频中会标注主角虚拟对象,且该主角虚拟对象位于图像画面中间。因而在本实施例中,会预先对获取到的多个样本图像进行预处理,以裁剪出待识别的样本虚拟对象所在的对象区域。从而减少对样本图像进行识别学习的计算量。
进一步,在本实施例中,可以但不限于利用上述样本图像得到的对象区域,及为样本虚拟对象标记的对象标识标签,来训练基于inception-resnet-v2的对象识别分类器,直至对象识别分类器输出的参考对象标识及与参考对象标识相匹配的参考置信度达到收敛条件。其中,上述对象识别分类器的识别过程可以但不限于如图11所示,获取样本图像的对象区域,提取图像的图像特征,通过卷积层、特征映射、区域推荐网络(Region ProposalNetwork,简称RPN)和池化层处理,最后实现对对象区域中的虚拟对象的对象标识进行识别分类的效果。
此外,在本实施例中,还可以但不限于使用图像处理器(GraphicProcessingUnit,简称GPU)来辅助训练,从而实现大大缩短训练时间的目的。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本发明所必须的。
根据本发明实施例的另一个方面,还提供了一种用于实施上述虚拟对象识别方法的虚拟对象识别装置。如图12所示,该装置包括:
1)第一获取单元1202,用于从目标视频中获取待识别的目标图像帧,其中,目标视频用于展示虚拟对象在虚拟场景中执行目标任务的过程;
2)第一检测单元1204,用于检测在目标图像帧中展示的目标虚拟对象;
3)输入单元1206,用于在检测到目标虚拟对象的情况下,将从目标图像帧中获取到的目标虚拟对象所在的对象图像区域,输入到对象识别分类器中,其中,对象识别分类器为利用多个样本图像进行训练所得到的用于识别虚拟对象的对象标识的分类器;
4)识别单元1208,用于根据对象识别分类器的输出结果,识别出目标虚拟对象的目标对象标识。
可选地,在本实施例中,上述虚拟对象识别装置可以但不限于应用于视频推荐、视频编辑处理等基于虚拟对象查找获取视频的应用场景中。此外,在本实施例中,上述目标视频可以包括但不限于:呈现有虚拟对象在虚拟场景中执行目标任务的过程的录制视频,比如,游戏视频、导购视频等。例如,以游戏视频为例,上述虚拟对象可以但不限于为游戏客户端所控制的虚拟角色、虚拟装备或虚拟车辆等。通过录制运行上述游戏客户端的显示屏幕,以生成上述游戏视频(目标视频),从而实现将上述录制好的游戏视频直接发送给各个共享平台进行分享。其中,该共享平台可以包括但不限于:视频共享平台、游戏数据共享平台、社区共享空间平台等等。上述仅是一种举例,本实施例中对此不作任何限定。
需要说明的是,在本实施例中,通过对目标视频中的目标图像帧进行检测,再通过训练得到的对象识别分类器对检测出的目标虚拟对象进行识别,以达到准确识别出目标图像帧中包括的目标虚拟对象的目标对象标识的目的,进而克服相关技术中无法识别视频中的虚拟对象的问题。进一步,将通过本实施例识别出的对象标识,与上述目标视频一起入库保存,还将有利于后续快速直接地获取到与对象标识相匹配的目标视频,以达到提高目标视频的获取效率,丰富获取渠道的效果。
需要说明的是,在本实施例中,上述虚拟对象识别装置可以应用实现上述虚拟对象识别方法,具体示例可以参考上述实施例,本实施例中在此不再赘述。
作为一种可选的方案,第一检测单元1204包括:
1)第一获取模块,用于获取状态参数图像模板,其中,状态参数图像模板为状态参数提示栏对应的图像模板,状态参数提示栏用于提示虚拟对象在虚拟场景中所产生的状态变化;
2)比对模块,用于将状态参数图像模板与目标图像帧进行比对,以生成与目标图像帧对应的匹配图,其中,匹配图用于记录候选图像区域与状态参数图像模板二者之间的匹配度,候选图像区域为在目标图像帧中与状态参数图像模板对应的图像区域;
1)检测模块,用于根据匹配图检测目标虚拟对象。
作为一种可选的方案,比对模块包括:
1)第一确定子模块,用于从目标图像帧上确定出与状态参数图像模板相匹配的候选对象区域集合,其中,候选对象区域集合中每个候选对象区域与状态参数图像模板的大小相同
2)获取子模块,用于获取候选对象区域集合中每个候选对象区域与状态参数图像模板之间的匹配度,得到匹配度集;
3)生成子模块,用于根据匹配度集生成匹配图。
作为一种可选的方案,获取子模块通过以下步骤实现获取候选对象区域集合中每个候选对象区域与状态参数图像模板之间的匹配度,得到匹配度集:
S1,对状态参数图像模板进行掩码处理,得到状态参数图像掩码模板;
S2,对候选对象区域集合中每个候选对象区域进行亮度调整,得到候选对象区域的灰度图像;
S3,依次将候选对象区域集合中每个候选对象区域的灰度图像作为当前灰度图像,执行以下操作,以得到匹配度集:
S31,比对状态参数图像掩码模板与当前灰度图像在各个像素点上的亮度,得到亮度差异;
S32,根据亮度差异确定当前灰度图像对应的候选对象区域与状态参数图像模板之间的匹配度。
可选地,在本实施例中,获取子模块通过以下步骤实现对状态参数图像模板进行掩码处理,得到状态参数图像掩码模板:确定状态参数图像模板中用于指示虚拟对象在虚拟场景中所产生的状态变化的第一区域;将第一区域的亮度调整为第一值,并将状态参数图像模板中除第一区域之外的第二区域的亮度调整为第二值,以生成状态参数图像掩码模板。
作为一种可选的方案,生成子模块通过以下步骤实现根据匹配度集生成匹配图:依次确定匹配度集中的每个匹配度对应的候选对象区域;将匹配度作为对应的候选对象区域的区域标识;将区域标识标记在目标图像帧中,以生成匹配图。
作为一种可选的方案,检测模块包括:
1)划分子模块,用于将匹配图划分为多个目标区域,其中,每个目标区域中包括至少一个区域标识;
2)排序子模块,用于依次获取每个目标区域中区域标识的最大值,并对最大值进行排序,以得到区域标识序列;
3)第二确定子模块,用于确定出区域标识序列中前N个最大值对应的目标区域,作为待处理目标区域,其中,N小于区域标识序列中包括的最大值的总数;
4)处理子模块,用于依次对待处理目标区域执行以下操作:
S1,获取待处理目标区域中区域标识的最大值与其他各个区域标识的差值,以得到差值平均值;
S2,对最大值及差值平均值进行加权求和,得到匹配指示参数;
S3,在匹配指示参数大于第一阈值的情况下,确定待处理目标区域中检测到目标虚拟对象。
作为一种可选的方案,还包括:
1)第二检测单元,用于在从目标视频中获取待识别的目标图像帧之后,检测目标图像帧的分辨率;
2)第一调整单元,用于在检测出目标图像帧的分辨率与状态参数图像模板的分辨率并不匹配的情况下,根据与状态参数图像模板对应的参考图像帧的显示宽度调整目标图像帧的显示宽度,得到目标显示宽度;
3)第二调整单元,用于根据目标图像帧的长宽比及目标显示宽度,将目标图像帧的显示长度调整为目标显示长度;
4)确定单元,用于将调整为目标显示宽度和目标显示长度的目标图像帧,作为待检测的目标图像帧。
作为一种可选的方案,第一检测单元1204还包括:
1)第二获取模块,用于获取目标虚拟对象对应的状态参数提示栏中目标位置对应的各个颜色通道中记录的颜色亮度值;
2)第一确定模块,用于在目标颜色通道中记录的目标颜色亮度值与其他颜色通道中的颜色亮度值的差值均大于第二阈值的情况下,将目标颜色亮度值所指示的群组,确定为目标虚拟对象所属的目标群组;
3)第二确定模块,用于在各个颜色通道中记录的颜色亮度值两两之间的差值小于第三阈值,且各个颜色通道中记录的颜色亮度值均位于目标区间的情况下,确定目标位置为无效位置,其中,无效位置并未携带用于指示目标虚拟对象所属群组的信息。
作为一种可选的方案,识别单元1208包括:
1)第三获取模块,用于获取对象识别分类器的输出结果,其中,输出结果包括对目标虚拟对象识别后得到的候选对象标识及与候选对象标识相匹配的置信度;
2)识别模块,用于根据置信度从候选对象标识中识别出目标对象标识。
作为一种可选的方案,还包括:
1)第二获取单元,用于在从目标视频中获取待识别的目标图像帧之前,获取多个样本图像及初始化的对象识别分类器;
2)处理单元,用于依次对每个样本图像执行以下操作:
从样本图像中获取待识别的样本虚拟对象所在的对象区域;将对象区域及为样本虚拟对象标记的对象标识标签,输入当前的对象识别分类器进行训练,得到训练结果,其中,训练结果包括对样本虚拟对象识别后得到的参考对象标识及与参考对象标识相匹配的参考置信度;根据参考置信度确定出与样本虚拟对象相匹配的样本对象标识;
其中,在样本对象标识与对象标识标签的比对结果指示并未收敛的情况下,调整当前的对象识别分类器中的参数,并获取下一个样本图像;在样本对象标识与对象标识标签的比对结果指示收敛的情况下,确定当前的对象识别分类器完成训练。
根据本发明实施例的又一个方面,还提供了一种用于实施上述虚拟对象识别方法的电子装置,如图13所示,该电子装置包括存储器1302和处理器1304,该存储器1302中存储有计算机程序,该处理器1304被设置为通过计算机程序执行上述任一项方法实施例中的步骤。
可选地,在本实施例中,上述电子装置可以位于计算机网络的多个网络设备中的至少一个网络设备。
可选地,在本实施例中,上述处理器可以被设置为通过计算机程序执行以下步骤:
S1,从目标视频中获取待识别的目标图像帧,其中,目标视频用于展示虚拟对象在虚拟场景中执行目标任务的过程;
S2,检测在目标图像帧中展示的目标虚拟对象;
S3,在检测到目标虚拟对象的情况下,将从目标图像帧中获取到的目标虚拟对象所在的对象图像区域,输入到对象识别分类器中,其中,对象识别分类器为利用多个样本图像进行训练所得到的用于识别虚拟对象的对象标识的分类器;
S4,根据对象识别分类器的输出结果,识别出目标虚拟对象的目标对象标识。
可选地,本领域普通技术人员可以理解,图13所示的结构仅为示意,电子装置也可以是智能手机(如Android手机、iOS手机等)、平板电脑、掌上电脑以及移动互联网设备(Mobile Internet Devices,MID)、PAD等终端设备。图13其并不对上述电子装置的结构造成限定。例如,电子装置还可包括比图13中所示更多或者更少的组件(如网络接口等),或者具有与图13所示不同的配置。
其中,存储器1302可用于存储软件程序以及模块,如本发明实施例中的虚拟对象识别方法和装置对应的程序指令/模块,处理器1304通过运行存储在存储器1302内的软件程序以及模块,从而执行各种功能应用以及数据处理,即实现上述的虚拟对象识别方法。存储器1302可包括高速随机存储器,还可以包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器1302可进一步包括相对于处理器1304远程设置的存储器,这些远程存储器可以通过网络连接至终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。其中,存储器1302具体可以但不限于用于存储目标视频、目标图像帧及目标虚拟对象的目标对象标识等信息。作为一种示例,如图13所示,上述存储器1302中可以但不限于包括上述虚拟对象识别装置中的第一获取单元1202、第一检测单元1204、输入单元1206及识别单元1208。此外,还可以包括但不限于上述虚拟对象识别装置中的其他模块单元,本示例中不再赘述。
可选地,上述的传输装置1306用于经由一个网络接收或者发送数据。上述的网络具体实例可包括有线网络及无线网络。在一个实例中,传输装置1306包括一个网络适配器(Network Interface Controller,NIC),其可通过网线与其他网络设备与路由器相连从而可与互联网或局域网进行通讯。在一个实例中,传输装置1306为射频(Radio Frequency,RF)模块,其用于通过无线方式与互联网进行通讯。
此外,上述电子装置还包括:显示器1308,用于显示上述目标虚拟对象的目标对象标识;和连接总线1310,用于连接上述电子装置中的各个模块部件。
根据本发明的实施例的又一方面,还提供了一种存储介质,该存储介质中存储有计算机程序,其中,该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
可选地,在本实施例中,上述存储介质可以被设置为存储用于执行以下步骤的计算机程序:
S1,从目标视频中获取待识别的目标图像帧,其中,目标视频用于展示虚拟对象在虚拟场景中执行目标任务的过程;
S2,检测在目标图像帧中展示的目标虚拟对象;
S3,在检测到目标虚拟对象的情况下,将从目标图像帧中获取到的目标虚拟对象所在的对象图像区域,输入到对象识别分类器中,其中,对象识别分类器为利用多个样本图像进行训练所得到的用于识别虚拟对象的对象标识的分类器;
S4,根据对象识别分类器的输出结果,识别出目标虚拟对象的目标对象标识。
可选地,在本实施例中,本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:闪存盘、只读存储器(Read-Only Memory,ROM)、随机存取器(RandomAccess Memory,RAM)、磁盘或光盘等。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
上述实施例中的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,可以存储在上述计算机可读取的存储介质中。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存储介质中,包括若干指令用以使得一台或多台计算机设备(可为个人计算机、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。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的客户端,可通过其它的方式实现。其中,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,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
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。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (22)
1.一种虚拟对象识别方法,其特征在于,包括:
从目标视频中获取待识别的目标图像帧,其中,所述目标视频用于展示虚拟对象在虚拟场景中执行目标任务的过程;
获取状态参数图像模板,其中,所述状态参数图像模板为状态参数提示栏对应的图像模板,所述状态参数提示栏用于提示虚拟对象在所述虚拟场景中所产生的状态变化;
将所述状态参数图像模板与所述目标图像帧进行比对,以生成与所述目标图像帧对应的匹配图,其中,所述匹配图用于记录候选图像区域与所述状态参数图像模板二者之间的匹配度,所述候选图像区域为在所述目标图像帧中与所述状态参数图像模板对应的图像区域;
根据所述匹配图检测目标虚拟对象;
在检测到所述目标虚拟对象的情况下,将从所述目标图像帧中获取到的所述目标虚拟对象所在的对象图像区域,输入到对象识别分类器中,其中,所述对象识别分类器为利用多个样本图像进行训练所得到的用于识别虚拟对象的对象标识的分类器;
根据所述对象识别分类器的输出结果,识别出所述目标虚拟对象的目标对象标识。
2.根据权利要求1所述的方法,其特征在于,所述将所述状态参数图像模板与所述目标图像帧进行比对,以生成与所述目标图像帧对应的匹配图包括:
从所述目标图像帧上确定出与所述状态参数图像模板相匹配的候选对象区域集合,其中,所述候选对象区域集合中每个候选对象区域与所述状态参数图像模板的大小相同;
获取所述候选对象区域集合中每个候选对象区域与所述状态参数图像模板之间的匹配度,得到匹配度集;
根据所述匹配度集生成所述匹配图。
3.根据权利要求2所述的方法,其特征在于,所述获取所述候选对象区域集合中每个候选对象区域与所述状态参数图像模板之间的匹配度,得到匹配度集包括:
对所述状态参数图像模板进行掩码处理,得到状态参数图像掩码模板;
对所述候选对象区域集合中每个所述候选对象区域进行亮度调整,得到所述候选对象区域的灰度图像;
依次将所述候选对象区域集合中每个所述候选对象区域的灰度图像作为当前灰度图像,执行以下操作,以得到所述匹配度集:
比对所述状态参数图像掩码模板与所述当前灰度图像在各个像素点上的亮度,得到亮度差异;
根据所述亮度差异确定所述当前灰度图像对应的所述候选对象区域与所述状态参数图像模板之间的所述匹配度。
4.根据权利要求3所述的方法,其特征在于,所述对所述状态参数图像模板进行掩码处理,得到状态参数图像掩码模板包括:
确定所述状态参数图像模板中用于指示所述虚拟对象在所述虚拟场景中所产生的状态变化的第一区域;
将所述第一区域的亮度调整为第一值,并将所述状态参数图像模板中除所述第一区域之外的第二区域的亮度调整为第二值,以生成所述状态参数图像掩码模板。
5.根据权利要求2所述的方法,其特征在于,所述根据所述匹配度集生成所述匹配图包括:
依次确定所述匹配度集中的每个所述匹配度对应的所述候选对象区域;
将所述匹配度作为对应的所述候选对象区域的区域标识;
将所述区域标识标记在所述目标图像帧中,以生成所述匹配图。
6.根据权利要求5所述的方法,其特征在于,所述根据所述匹配图检测所述目标虚拟对象包括:
将所述匹配图划分为多个目标区域,其中,每个所述目标区域中包括至少一个所述区域标识;
依次获取每个所述目标区域中所述区域标识的最大值,并对所述最大值进行排序,以得到区域标识序列;
确定出所述区域标识序列中前N个最大值对应的所述目标区域,作为待处理目标区域,其中,所述N小于所述区域标识序列中包括的最大值的总数;
依次对所述待处理目标区域执行以下操作:
获取所述待处理目标区域中所述区域标识的最大值与其他各个区域标识的差值,以得到差值平均值;
对所述最大值及所述差值平均值进行加权求和,得到匹配指示参数;
在所述匹配指示参数大于第一阈值的情况下,确定所述待处理目标区域中检测到所述目标虚拟对象。
7.根据权利要求1所述的方法,其特征在于,在所述从目标视频中获取待识别的目标图像帧之后,还包括:
检测所述目标图像帧的分辨率;
在检测出所述目标图像帧的所述分辨率与所述状态参数图像模板的分辨率并不匹配的情况下,根据与所述状态参数图像模板对应的参考图像帧的显示宽度调整所述目标图像帧的显示宽度,得到目标显示宽度;
根据所述目标图像帧的长宽比及所述目标显示宽度,将所述目标图像帧的显示长度调整为目标显示长度;
将调整为所述目标显示宽度和所述目标显示长度的所述目标图像帧,作为待检测的所述目标图像帧。
8.根据权利要求1所述的方法,其特征在于,在所述从目标视频中获取待识别的目标图像帧之后,还包括:
获取所述目标虚拟对象对应的状态参数提示栏中目标位置对应的各个颜色通道中记录的颜色亮度值;
在目标颜色通道中记录的目标颜色亮度值与其他颜色通道中的颜色亮度值的差值均大于第二阈值的情况下,将所述目标颜色亮度值所指示的群组,确定为所述目标虚拟对象所属的目标群组;
在各个颜色通道中记录的颜色亮度值两两之间的差值小于第三阈值,且各个颜色通道中记录的颜色亮度值均位于目标区间的情况下,确定所述目标位置为无效位置,其中,所述无效位置并未携带用于指示所述目标虚拟对象所属群组的信息。
9.根据权利要求1至8中任一项所述的方法,其特征在于,所述根据所述对象识别分类器的输出结果,识别出所述目标虚拟对象的目标对象标识包括:
获取所述对象识别分类器的所述输出结果,其中,所述输出结果包括对所述目标虚拟对象识别后得到的候选对象标识及与所述候选对象标识相匹配的置信度;
根据所述置信度从所述候选对象标识中识别出所述目标对象标识。
10.根据权利要求1至8中任一项所述的方法,其特征在于,在所述从目标视频中获取待识别的目标图像帧之前,还包括:
获取多个所述样本图像及初始化的对象识别分类器;
依次对每个所述样本图像执行以下操作:
从所述样本图像中获取待识别的样本虚拟对象所在的对象区域;将所述对象区域及为所述样本虚拟对象标记的对象标识标签,输入当前的对象识别分类器进行训练,得到训练结果,其中,所述训练结果包括对所述样本虚拟对象识别后得到的参考对象标识及与所述参考对象标识相匹配的参考置信度;根据所述参考置信度确定出与所述样本虚拟对象相匹配的样本对象标识;
其中,在所述样本对象标识与所述对象标识标签的比对结果指示并未收敛的情况下,调整当前的对象识别分类器中的参数,并获取下一个所述样本图像;在所述样本对象标识与所述对象标识标签的比对结果指示收敛的情况下,确定所述当前的对象识别分类器完成训练。
11.一种虚拟对象识别装置,其特征在于,包括:
第一获取单元,用于从目标视频中获取待识别的目标图像帧,其中,所述目标视频用于展示虚拟对象在虚拟场景中执行目标任务的过程;
第一检测单元,包括第一获取模块、比对模块和检测模块,所述第一获取模块,用于获取状态参数图像模板,其中,所述状态参数图像模板为状态参数提示栏对应的图像模板,所述状态参数提示栏用于提示虚拟对象在所述虚拟场景中所产生的状态变化;比对模块,用于将所述状态参数图像模板与所述目标图像帧进行比对,以生成与所述目标图像帧对应的匹配图,其中,所述匹配图用于记录候选图像区域与所述状态参数图像模板二者之间的匹配度,所述候选图像区域为在所述目标图像帧中与所述状态参数图像模板对应的图像区域;所述检测模块,用于根据所述匹配图检测目标虚拟对象;
输入单元,用于在检测到所述目标虚拟对象的情况下,将从所述目标图像帧中获取到的所述目标虚拟对象所在的对象图像区域,输入到对象识别分类器中,其中,所述对象识别分类器为利用多个样本图像进行训练所得到的用于识别虚拟对象的对象标识的分类器;
识别单元,用于根据所述对象识别分类器的输出结果,识别出所述目标虚拟对象的目标对象标识。
12.根据权利要求11所述的装置,其特征在于,所述比对模块包括:
第一确定子模块,用于从所述目标图像帧上确定出与所述状态参数图像模板相匹配的候选对象区域集合,其中,所述候选对象区域集合中每个候选对象区域与所述状态参数图像模板的大小相同;
获取子模块,用于获取所述候选对象区域集合中每个候选对象区域与所述状态参数图像模板之间的匹配度,得到匹配度集;
生成子模块,用于根据所述匹配度集生成所述匹配图。
13.根据权利要求12所述的装置,其特征在于,所述获取子模块通过以下步骤实现获取所述候选对象区域集合中每个候选对象区域与所述状态参数图像模板之间的匹配度,得到匹配度集:
对所述状态参数图像模板进行掩码处理,得到状态参数图像掩码模板;
对所述候选对象区域集合中每个所述候选对象区域进行亮度调整,得到所述候选对象区域的灰度图像;
依次将所述候选对象区域集合中每个所述候选对象区域的灰度图像作为当前灰度图像,执行以下操作,以得到所述匹配度集:
比对所述状态参数图像掩码模板与所述当前灰度图像在各个像素点上的亮度,得到亮度差异;
根据所述亮度差异确定所述当前灰度图像对应的所述候选对象区域与所述状态参数图像模板之间的所述匹配度。
14.根据权利要求13所述的装置,其特征在于,所述获取子模块通过以下步骤实现对所述状态参数图像模板进行掩码处理,得到状态参数图像掩码模板:
确定所述状态参数图像模板中用于指示所述虚拟对象在所述虚拟场景中所产生的状态变化的第一区域;
将所述第一区域的亮度调整为第一值,并将所述状态参数图像模板中除所述第一区域之外的第二区域的亮度调整为第二值,以生成所述状态参数图像掩码模板。
15.根据权利要求12所述的装置,其特征在于,所述生成子模块通过以下步骤实现根据所述匹配度集生成所述匹配图:
依次确定所述匹配度集中的每个所述匹配度对应的所述候选对象区域;
将所述匹配度作为对应的所述候选对象区域的区域标识;
将所述区域标识标记在所述目标图像帧中,以生成所述匹配图。
16.根据权利要求15所述的装置,其特征在于,所述检测模块包括:
划分子模块,用于将所述匹配图划分为多个目标区域,其中,每个所述目标区域中包括至少一个所述区域标识;
排序子模块,用于依次获取每个所述目标区域中所述区域标识的最大值,并对所述最大值进行排序,以得到区域标识序列;
第二确定子模块,用于确定出所述区域标识序列中前N个最大值对应的所述目标区域,作为待处理目标区域,其中,所述N小于所述区域标识序列中包括的最大值的总数;
处理子模块,用于依次对所述待处理目标区域执行以下操作:
获取所述待处理目标区域中所述区域标识的最大值与其他各个区域标识的差值,以得到差值平均值;
对所述最大值及所述差值平均值进行加权求和,得到匹配指示参数;在所述匹配指示参数大于第一阈值的情况下,确定所述待处理目标区域中检测到所述目标虚拟对象。
17.根据权利要求11所述的装置,其特征在于,所述装置还包括:
第二检测单元,用于在所述从目标视频中获取待识别的目标图像帧之后,检测所述目标图像帧的分辨率;
第一调整单元,用于在检测出所述目标图像帧的所述分辨率与所述状态参数图像模板的分辨率并不匹配的情况下,根据与所述状态参数图像模板对应的参考图像帧的显示宽度调整所述目标图像帧的显示宽度,得到目标显示宽度;
第二调整单元,用于根据所述目标图像帧的长宽比及所述目标显示宽度,将所述目标图像帧的显示长度调整为目标显示长度;
确定单元,用于将调整为所述目标显示宽度和所述目标显示长度的所述目标图像帧,作为待检测的所述目标图像帧。
18.根据权利要求11所述的装置,其特征在于,所述第一检测单元包括:第二获取模块,用于获取所述目标虚拟对象对应的状态参数提示栏中目标位置对应的各个颜色通道中记录的颜色亮度值;
第一确定模块,用于在目标颜色通道中记录的目标颜色亮度值与其他颜色通道中的颜色亮度值的差值均大于第二阈值的情况下,将所述目标颜色亮度值所指示的群组,确定为所述目标虚拟对象所属的目标群组;
第二确定模块,用于在各个颜色通道中记录的颜色亮度值两两之间的差值小于第三阈值,且各个颜色通道中记录的颜色亮度值均位于目标区间的情况下,确定所述目标位置为无效位置,其中,所述无效位置并未携带用于指示所述目标虚拟对象所属群组的信息。
19.根据权利要求11所述的装置,其特征在于,所述识别单元包括:
第三获取模块,用于获取所述对象识别分类器的所述输出结果,其中,所述输出结果包括对所述目标虚拟对象识别后得到的候选对象标识及与所述候选对象标识相匹配的置信度;
识别模块,用于根据所述置信度从所述候选对象标识中识别出所述目标对象标识。
20.根据权利要求11所述的装置,其特征在于,所述装置还包括:
第二获取单元,用于在所述从目标视频中获取待识别的目标图像帧之前,获取多个所述样本图像及初始化的对象识别分类器;
处理单元,用于依次对每个所述样本图像执行以下操作:
从所述样本图像中获取待识别的样本虚拟对象所在的对象区域;将所述对象区域及为所述样本虚拟对象标记的对象标识标签,输入当前的对象识别分类器进行训练,得到训练结果,其中,所述训练结果包括对所述样本虚拟对象识别后得到的参考对象标识及与所述参考对象标识相匹配的参考置信度;根据所述参考置信度确定出与所述样本虚拟对象相匹配的样本对象标识;
其中,在所述样本对象标识与所述对象标识标签的比对结果指示并未收敛的情况下,调整当前的对象识别分类器中的参数,并获取下一个所述样本图像;在所述样本对象标识与所述对象标识标签的比对结果指示收敛的情况下,确定所述当前的对象识别分类器完成训练。
21.一种存储介质,所述存储介质包括存储的程序,其中,所述程序运行时执行上述权利要求1至10任一项中所述的方法。
22.一种电子装置,包括存储器和处理器,其特征在于,所述存储器中存储有计算机程序,所述处理器被设置为通过所述计算机程序执行所述权利要求1至10任一项中所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910563728.8A CN110378247B (zh) | 2019-06-26 | 2019-06-26 | 虚拟对象识别方法和装置、存储介质及电子装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910563728.8A CN110378247B (zh) | 2019-06-26 | 2019-06-26 | 虚拟对象识别方法和装置、存储介质及电子装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110378247A CN110378247A (zh) | 2019-10-25 |
CN110378247B true CN110378247B (zh) | 2023-09-26 |
Family
ID=68250971
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910563728.8A Active CN110378247B (zh) | 2019-06-26 | 2019-06-26 | 虚拟对象识别方法和装置、存储介质及电子装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110378247B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110765975B (zh) * | 2019-10-31 | 2020-11-03 | 腾讯科技(深圳)有限公司 | 作弊行为的判定方法、装置、存储介质和计算机设备 |
CN110782525B (zh) * | 2019-11-08 | 2023-04-25 | 腾讯科技(深圳)有限公司 | 对虚拟环境中的虚拟物体进行标识的方法、装置及介质 |
CN111259200A (zh) * | 2020-01-16 | 2020-06-09 | 北京达佳互联信息技术有限公司 | 视频类别划分方法、装置、电子设备及存储介质 |
CN111476306B (zh) * | 2020-04-10 | 2023-07-28 | 腾讯科技(深圳)有限公司 | 基于人工智能的物体检测方法、装置、设备及存储介质 |
CN111666919B (zh) * | 2020-06-24 | 2023-04-07 | 腾讯科技(深圳)有限公司 | 一种对象识别方法、装置、计算机设备和存储介质 |
CN112040330B (zh) | 2020-09-09 | 2021-12-07 | 北京字跳网络技术有限公司 | 视频文件的处理方法、装置、电子设备及计算机存储介质 |
CN112915539B (zh) * | 2021-04-01 | 2023-01-06 | 腾讯科技(深圳)有限公司 | 一种虚拟对象检测方法、装置以及可读存储介质 |
CN113315691B (zh) * | 2021-05-20 | 2023-02-24 | 维沃移动通信有限公司 | 视频处理方法、装置及电子设备 |
CN113642394B (zh) * | 2021-07-07 | 2024-06-11 | 北京搜狗科技发展有限公司 | 一种虚拟对象的动作处理方法、装置和介质 |
CN113408496B (zh) * | 2021-07-30 | 2023-06-16 | 浙江大华技术股份有限公司 | 图像确定方法和装置、存储介质及电子设备 |
CN113747189B (zh) * | 2021-09-07 | 2023-11-28 | 广州博冠信息科技有限公司 | 直播信息的显示控制方法、装置、电子设备及计算机介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101246546A (zh) * | 2008-03-13 | 2008-08-20 | 复旦大学 | 一种视频目标跟踪中的可变掩蔽模板匹配算法 |
WO2012150602A1 (en) * | 2011-05-03 | 2012-11-08 | Yogesh Chunilal Rathod | A system and method for dynamically monitoring, recording, processing, attaching dynamic, contextual & accessible active links & presenting of physical or digital activities, actions, locations, logs, life stream, behavior & status |
JP2016018422A (ja) * | 2014-07-09 | 2016-02-01 | キヤノン株式会社 | 画像処理方法、画像処理装置、プログラム、記録媒体、生産装置、及び組立部品の製造方法 |
CN107569848A (zh) * | 2017-08-30 | 2018-01-12 | 武汉斗鱼网络科技有限公司 | 一种游戏分类方法、装置及电子设备 |
CN108513139A (zh) * | 2018-04-02 | 2018-09-07 | 腾讯科技(深圳)有限公司 | 视频直播中的虚拟对象识别方法、装置、存储介质和设备 |
CN108629180A (zh) * | 2018-03-29 | 2018-10-09 | 腾讯科技(深圳)有限公司 | 异常操作的确定方法和装置、存储介质、电子装置 |
CN109847366A (zh) * | 2019-01-29 | 2019-06-07 | 腾讯科技(深圳)有限公司 | 用于游戏的数据处理方法和装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI651662B (zh) * | 2017-11-23 | 2019-02-21 | 財團法人資訊工業策進會 | 影像標註方法、電子裝置及非暫態電腦可讀取儲存媒體 |
-
2019
- 2019-06-26 CN CN201910563728.8A patent/CN110378247B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101246546A (zh) * | 2008-03-13 | 2008-08-20 | 复旦大学 | 一种视频目标跟踪中的可变掩蔽模板匹配算法 |
WO2012150602A1 (en) * | 2011-05-03 | 2012-11-08 | Yogesh Chunilal Rathod | A system and method for dynamically monitoring, recording, processing, attaching dynamic, contextual & accessible active links & presenting of physical or digital activities, actions, locations, logs, life stream, behavior & status |
JP2016018422A (ja) * | 2014-07-09 | 2016-02-01 | キヤノン株式会社 | 画像処理方法、画像処理装置、プログラム、記録媒体、生産装置、及び組立部品の製造方法 |
CN107569848A (zh) * | 2017-08-30 | 2018-01-12 | 武汉斗鱼网络科技有限公司 | 一种游戏分类方法、装置及电子设备 |
CN108629180A (zh) * | 2018-03-29 | 2018-10-09 | 腾讯科技(深圳)有限公司 | 异常操作的确定方法和装置、存储介质、电子装置 |
CN108513139A (zh) * | 2018-04-02 | 2018-09-07 | 腾讯科技(深圳)有限公司 | 视频直播中的虚拟对象识别方法、装置、存储介质和设备 |
CN109847366A (zh) * | 2019-01-29 | 2019-06-07 | 腾讯科技(深圳)有限公司 | 用于游戏的数据处理方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110378247A (zh) | 2019-10-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110378247B (zh) | 虚拟对象识别方法和装置、存储介质及电子装置 | |
CN108229509B (zh) | 用于识别物体类别的方法及装置、电子设备 | |
US11830230B2 (en) | Living body detection method based on facial recognition, and electronic device and storage medium | |
CN110232369B (zh) | 一种人脸识别方法和电子设备 | |
CN108229288B (zh) | 神经网络训练及衣服颜色检测方法、装置、存储介质、电子设备 | |
US9189861B2 (en) | Image processing device, image processing method, program, and recording medium | |
WO2019169884A1 (zh) | 基于深度信息的图像显著性检测方法和装置 | |
CN111414948B (zh) | 目标对象检测方法和相关装置 | |
CN111598049B (zh) | 作弊识别方法和装置、电子设备、以及介质 | |
CN112381104A (zh) | 一种图像识别方法、装置、计算机设备及存储介质 | |
CN113238972B (zh) | 一种图像检测方法、装置、设备及存储介质 | |
WO2017081839A1 (ja) | 移動体追跡方法、移動体追跡装置、およびプログラム | |
CN114926466B (zh) | 基于大数据的土地一体化监测和决策方法、平台 | |
CN111028222A (zh) | 视频检测方法和装置、计算机存储介质及相关设备 | |
CN110910445A (zh) | 一种物件尺寸检测方法、装置、检测设备及存储介质 | |
CN113642639A (zh) | 活体检测方法、装置、设备和存储介质 | |
CN111582155A (zh) | 活体检测方法、装置、计算机设备和存储介质 | |
CN108764248B (zh) | 图像特征点的提取方法和装置 | |
CN112712051A (zh) | 对象跟踪方法、装置、计算机设备及存储介质 | |
CN106910207B (zh) | 用于识别图像局部区域的方法、装置及终端设备 | |
CN109919164B (zh) | 用户界面对象的识别方法及装置 | |
CN110751163B (zh) | 目标定位方法及其装置、计算机可读存储介质和电子设备 | |
CN115228092B (zh) | 游戏战力评估方法、装置以及计算机可读存储介质 | |
US11721106B2 (en) | Method for associating objects in a video | |
CN113490009B (zh) | 内容信息植入方法、装置、服务器和存储介质 |
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 |