CN110765975B - 作弊行为的判定方法、装置、存储介质和计算机设备 - Google Patents
作弊行为的判定方法、装置、存储介质和计算机设备 Download PDFInfo
- Publication number
- CN110765975B CN110765975B CN201911054552.XA CN201911054552A CN110765975B CN 110765975 B CN110765975 B CN 110765975B CN 201911054552 A CN201911054552 A CN 201911054552A CN 110765975 B CN110765975 B CN 110765975B
- Authority
- CN
- China
- Prior art keywords
- video
- frame
- virtual object
- image
- video frame
- 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
Images
Classifications
-
- 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
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63F—CARD, BOARD, OR ROULETTE GAMES; INDOOR GAMES USING SMALL MOVING PLAYING BODIES; VIDEO GAMES; GAMES NOT OTHERWISE PROVIDED FOR
- A63F13/00—Video games, i.e. games using an electronically generated display having two or more dimensions
- A63F13/70—Game security or game management aspects
- A63F13/75—Enforcing rules, e.g. detecting foul play or generating lists of cheating players
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Computer Security & Cryptography (AREA)
- General Business, Economics & Management (AREA)
- Processing Or Creating Images (AREA)
Abstract
本申请涉及一种作弊行为的判定方法、装置、存储介质和计算机设备,所述方法包括:获取对局过程中所形成的视频帧;从所述视频帧提取目标颜色的像素值,获得所述像素值构成的帧图像;根据所述帧图像,确定所述视频帧中包含因透视障碍物而显示的虚拟对象;当检测到开启用于定位所述虚拟对象的瞄准器时,在所显示的虚拟对象中,确定所述瞄准器对应的视场区域内存在至少一个虚拟对象;在检测到执行了投射操作时,则判定对局过程中存在作弊行为。本申请提供的方案可以提高判定作弊行为的效率。
Description
技术领域
本申请涉及计算机技术领域,特别是涉及一种作弊行为的判定方法、装置、存储介质和计算机设备。
背景技术
随着计算机技术的发展,越来越多的各类型网络应用进入到用户的生活中,用户通过该网络应用与其他用户进行对局,例如两个或两个以上的用户通过射击类游戏进行对局,利用该射击类游戏中的虚拟道具或武器赢得对局的胜利。有的用户,通过使用透视模式透视障碍物来了解对方隐藏的位置并进行回击,从而可以在与对方的对局过程中赢得优势,这种透视作弊行为影响了对局的公平性。
对于用户是否存在作弊行为,通常需要其他用户对认为存在作弊行为的用户进行举报,此时服务器根据当时对局过程中恢复出该用户的对局视频,由人工来查看对局视频以判断是否存在作弊行为。然而,对局视频的时长通常较长,对对局视频中的每个视频帧进行检查以判断是否存在作弊行为,将耗费大量的时间,从而影响作弊行为的判定效率。
发明内容
基于此,有必要针对作弊行为的判定效率低的技术问题,提供一种作弊行为的判定方法、装置、存储介质和计算机设备。
一种作弊行为的判定方法,包括:
获取对局过程中所形成的视频帧;
从所述视频帧提取目标颜色的像素值,获得所述像素值构成的帧图像;
根据所述帧图像,确定所述视频帧中包含因透视障碍物而显示的虚拟对象;
当检测到开启用于定位所述虚拟对象的瞄准器时,在所显示的虚拟对象中,确定所述瞄准器对应的视场区域内存在至少一个虚拟对象;
在检测到执行了投射操作时,则判定对局过程中存在作弊行为。
在一个实施例中,所述检测执行了投射操作的步骤包括:
获取与所述视频帧间隔固定帧数的历史视频帧;
从所述历史视频帧的指定区域中提取第一像素块,并从所述第一像素块中提取第一图像特征;
按照所述指定区域提取所述视频帧中的第二像素块,并从所述第二像素块中提取第二图像特征;
当所述第一图像特征与所述第二图像特征之间的相似度小于预设相似阈值时,确定执行了投射操作。
一种作弊行为的判定装置,所述装置包括:
获取模块,用于获取对局过程中所形成的视频帧;
提取模块,用于从所述视频帧提取目标颜色的像素值,获得所述像素值构成的帧图像;
第一确定模块,用于根据所述帧图像,确定所述视频帧中包含因透视障碍物而显示的虚拟对象;
第二确定模块,用于当检测到开启用于定位所述虚拟对象的瞄准器时,在所显示的虚拟对象中,确定所述瞄准器对应的视场区域内存在至少一个虚拟对象;
判定模块,用于在检测到执行了投射操作时,则判定对局过程中存在作弊行为。
在一个实施例中,所述装置还包括:
第一检测模块,用于:获取与所述视频帧间隔固定帧数的历史视频帧;从所述历史视频帧的指定区域中提取第一像素块,并从所述第一像素块中提取第一图像特征;按照所述指定区域提取所述视频帧中的第二像素块,并从所述第二像素块中提取第二图像特征;当所述第一图像特征与所述第二图像特征之间的相似度小于预设相似阈值时,确定执行了投射操作。
一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行所述作弊行为的判定方法的步骤。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行所述作弊行为的判定方法的步骤。
上述作弊行为的判定方法、装置、存储介质和计算机设备,用户在对局过程中使用了透视功能时,在视频帧中将以目标颜色进行显示,通过从视频帧中提取目标颜色的像素值,得到由该像素值所构成的帧图像,从而可以判断出用户是否使用了透视功能。在检测到开启了用于定位虚拟对象的瞄准器时,判断该瞄准器的视场区域内在存在因透视障碍物而显示的虚拟对象,从而可以确定该用户使用瞄准器观看对方所控制的虚拟对象。当检测到执行了投射操作时,判定对局过程中存在作弊行为,从而无需人工方式来对对局视频中的每个视频帧进行检查,降低了作弊行为的判定时间,有效地提高了作弊行为的判定效率。
附图说明
图1为一个实施例中作弊行为的判定方法的应用环境图;
图2为一个实施例中作弊行为的判定方法的流程示意图;
图3为一个实施例中开启瞄准器观察隐藏中的虚拟对象的界面示意图;
图4为一个实施例中对隐藏中的虚拟对象进行提取、然后进行腐蚀和膨胀处理的界面示意图;
图5为一个实施例中对虚拟对象所处位置进行显示的界面示意图;
图6为一个实施例中子弹剩余数量发生变化的两个视频帧的界面示意图;
图7为一个实施例中识别虚拟对象、检测用户是否存在作弊行为步骤的流程示意图;
图8为一个实施例中识别指定区域的图像块得到投射元素的剩余数量,根据不同视频帧之间投射元素的剩余数量的差值判断作弊行为流程的流程示意图;
图9为一个实施例中获取有效的视频帧步骤的流程示意图;
图10为一个实施例中根据视频帧进行作弊行为的判断步骤的流程示意图;
图11为一个实施例中开启倍镜的界面示意图;
图12为一个实施例中作弊行为的判定装置的结构框图;
图13为另一个实施例中作弊行为的判定装置的结构框图;
图14为一个实施例中计算机设备的结构框图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说,人工智能是计算机科学的一个综合技术,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法,使机器具有感知、推理与决策的功能。
人工智能技术是一门综合学科,涉及领域广泛,既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
计算机视觉技术(Computer Vision,CV)计算机视觉是一门研究如何使机器“看”的科学,更进一步的说,就是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉,并进一步做图形处理,使电脑处理成为更适合人眼观察或传送给仪器检测的图像。作为一个科学学科,计算机视觉研究相关的理论和技术,试图建立能够从图像或者多维数据中获取信息的人工智能系统。计算机视觉技术通常包括图像处理、图像识别、图像语义理解、图像检索、OCR(Optical Character Recognition,光学字符识别)、视频处理、视频语义理解、视频内容/行为识别、三维物体重建、3D技术、虚拟现实、增强现实、同步定位与地图构建等技术,还包括常见的人脸识别、指纹识别等生物特征识别技术。
本申请实施例提供的方案涉及人工智能的作弊行为的判定方法等技术,具体通过如下实施例进行说明:
图1为一个实施例中作弊行为的判定方法的应用环境图。参照图1,该作弊行为的判定方法应用于作弊行为的判定系统。该作弊行为的判定系统包括终端110和服务器120。终端110和服务器120通过网络连接。作弊行为的判定方法可以由终端110执行,也可以由服务器120执行。当作弊行为的判定方法由终端110执行时,终端110可以从服务器120获取对局过程中所形成的视频帧;从视频帧提取目标颜色的像素值,获得像素值构成的帧图像;根据帧图像,确定视频帧中包含因透视障碍物而显示的虚拟对象;当检测到开启用于定位虚拟对象的瞄准器时,在所显示的虚拟对象中,确定瞄准器对应的视场区域内存在至少一个虚拟对象;在检测到执行了投射操作时,则判定对局过程中存在作弊行为。
当作弊行为的判定方法由服务器120执行时,服务器120获取用户通过终端110进行对局过程所形成的视频帧;从视频帧提取目标颜色的像素值,获得像素值构成的帧图像;根据帧图像,确定视频帧中包含因透视障碍物而显示的虚拟对象;当检测到开启用于定位虚拟对象的瞄准器时,在所显示的虚拟对象中,确定瞄准器对应的视场区域内存在至少一个虚拟对象;在检测到执行了投射操作时,则判定对局过程中存在作弊行为。
其中,终端110具体可以是台式终端或移动终端,移动终端具体可以手机、平板电脑、笔记本电脑等中的至少一种。服务器120可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
如图2所示,在一个实施例中,提供了一种作弊行为的判定方法。本实施例主要以该方法应用于上述图1中的终端110来举例说明。参照图2,该作弊行为的判定方法具体包括如下步骤:
S202,获取对局过程中所形成的视频帧。
其中,对局可以是:两个或两个以上用户在对局任务中,利用该对局任务中的虚拟武器进行比赛或对决。该对局任务可以包括但不限于射击类游戏。上述虚拟武器包括但不限于各种类型的枪械和炮弹等。例如,枪械具体可以是手枪、步枪、狙击枪和冲锋枪。该虚拟武器可以击穿一定厚度的障碍物,并可以击伤或击毙隐藏在该障碍物中(或隐藏在该障碍物背后)的虚拟对象。射击类游戏可以是第一人称射击游戏(First-person shootinggame,FPS)、第三人称射击游戏(Third-person shooting game,TPS)、多人在线战术竞技游戏(Multiplayer Online Battle Arena Games,MOBA)等。
在一个实施例中,S202之前,在对局过程中,终端通过输入的操控指令对己方的虚拟对象进行操控,在开启透视功能的情况下,使用虚拟武器对虚拟环境中的、隐藏在障碍物中或背后的对方的虚拟对象进行射击,使所隐藏的虚拟对象被击中造成伤害。相应地,虚拟对象在被击中后,将会扣除对应的生命值,当生命值达到最低下限值时,该虚拟对象将会失去生命。
其中,虚拟对象可以指在虚拟环境中的可活动对象。该可活动对象可以是虚拟人物、虚拟动物和动漫人物等。可选地,虚拟对象是基于动画骨骼技术创建的三维立体模型。每个虚拟对象在虚拟环境中具有自身的形状和体积,占据虚拟环境中的一部分空间。己方可以是被其他用户(如对局过程中的对方,也即敌方)举报存在作弊行为的一方,在后续实施例中的“用户”指的也是这里所述的己方。
虚拟环境可以是在终端上运行时显示(或提供)的虚拟环境。该虚拟环境可以是对真实世界的仿真环境,也可以是半仿真半虚构的环境,还可以是纯虚构的环境。例如,该虚拟环境中可以包括天空、陆地和海洋等,用户可以控制虚拟对象在该虚拟环境中进行移动,或进行相应的动作。其中,该虚拟环境可以是二维、或三维的虚拟环境。
在一个实施例中,当接收到作弊举报请求时,终端从该作弊举报请求中提取存在疑似作弊行为的用户所对应的用户标识,根据该用户标识从服务器中获取在对局过程中所形成的视频帧。其中,该视频帧是在对局任务中,以该用户所操控的虚拟对象的视角为拍摄角度,对对局任务中的画面进行拍摄所得的帧图像。用户标识可以是用户在对局任务对应的系统进行注册所得的账号,用户通过该账号可以登录系统,以在对局任务中选择对应的虚拟对象与其他用户或机器玩家进行对局。
在一个实施例中,根据该用户标识从服务器中获取在对局过程中所形成的视频帧的步骤,具体可以包括:根据该用户标识从服务器中获取在对局过程中所形成的视频,然后对所获取的视频进行解码,得到对应的视频帧。
在另一个实施例中,当接收到作弊举报请求时,终端从该作弊举报请求中提取存在疑似作弊行为的用户所对应的用户标识,根据该用户标识从服务器中获取在对局过程中所形成的视频。当检测到视频中存在不包含目标颜色的像素值的视频片断时,终端将视频片段从视频中删除,得到目标视频;然后从目标视频中提取视频帧。其中,该视频片断可以是由一个或多个连续的视频帧所构成。
在进行对局的过程中,用户A所控制的虚拟对象隐藏在障碍物中或障碍物背后时,通常情况下,用户B在对局画面中是看不到用户A所控制的虚拟对象。在对局过程中,当用户B开启透视模式(如用户B所控制的虚拟对象佩戴透视镜)时,隐藏在障碍物中或障碍物背后的虚拟对象,将会以不同于背景色的目标颜色显示于对局画面中。因此,用户B可以在对局画面中观看到隐藏在障碍物中或障碍物背后的虚拟对象。其中,障碍物可以是虚拟的建筑物、箱子、墙体或树等。
在一个实施例中,终端检测视频中是否存在不包含有目标颜色的像素值的视频片段,当存在不包含有目标颜色的像素值的视频片段时,则表示该视频片段中没有隐藏在障碍物中或障碍物背后的虚拟对象,或者,表示该视频片段中存在隐藏在障碍物中或障碍物背后的虚拟对象、但因未开启透视模式而无法显示于对局画面中。当存在包含有目标颜色的像素值的视频片段时,则表示该视频片段中存在隐藏在障碍物中或障碍物背后的虚拟对象、且因开启透视模式而显示于对局画面中。
例如,如图3所示,对局画面中有三个对方的虚拟对象,其中,有两个虚拟对象隐藏在倍镜对应的视场区域的建筑物中,如虚线椭圆框A-B,另外一个虚拟对象隐藏在对局画面右侧的建筑物内,如虚线椭圆框C。由于用户开启了透视模式,因此对局画面中,隐藏在建筑物中的虚拟对象以黄色进行显示,用户可以观察到隐藏在建筑物中的虚拟对象,达到透视对方虚拟对象的效果。
S204,从视频帧提取目标颜色的像素值,获得像素值构成的帧图像。
其中,视频帧可以是RGB(Red Green Blue,红绿蓝)图像,其中,RGB图像是通过对RGB三个颜色通道的变化,以及三个颜色通道相互之间的叠加来得到各式各样的颜色图像。
此外,视频帧还可以是HSV(Hue Saturation Value,色调饱和度明度)、YUV等颜色空间。
HSV颜色空间中的色调H用角度度量,取值范围为0°至360°,从红色开始按逆时针方向计算,红色为0°、绿色为120°以及蓝色为240°;HSV颜色空间中的饱和度S表示颜色接近光谱色的程度,通常取值范围为0%至100%,值越大,颜色越饱和,对应的图像颜色则深而艳;HSV颜色空间中的明度V表示颜色明亮的程度,通常与发光体的光亮度有关,以及与物体的透射比或反射比有关,取值范围为0%(黑)至100%(白)。
YUV颜色空间中的Y表示明亮度(Luminance或Luma),也即灰度值;而YUV颜色空间中的U和V表示色度(Chrominance或Chroma),用于描述图像色彩及饱和度。
在一个实施例中,终端确定目标颜色所对应的目标颜色通道,通过目标颜色通道来从视频帧中提取目标颜色的像素值。具体地,对于RGB颜色通道的视频帧,黄色是由R通道的像素值和G通道的像素值所构成的颜色,因此,黄色所对应的通道为R通道和G通道,终端通过R通道和G通道,从视频帧中提取黄色像素值。同理,对于HSV或YUV颜色通道的视频帧,终端也可以通过对应颜色通道来从视频帧中提取黄色像素值。
在一个实施例中,S204具体可以包括:终端按照目标颜色通道,从视频帧提取对应目标颜色的像素值;在所提取的像素值中,将属于预设区间的像素值置为第一预设像素值,以及将不属于预设区间的像素值置为第二预设像素值;按照第一预设像素值和第二预设像素值生成帧图像。其中,该帧图像即为二值化图像。
在一个实施例中,对于RGB颜色通道的视频帧,终端提取RG颜色通道的像素值,然后判断所提取的像素值是否落入预设区间,若落入该预设区间,则将对应像素值置为第一预设像素值;若未落入该预设区间,则将对应像素值置为第二预设像素值。
例如,当R通道和G通道的像素值同时满足Prl<Pr<Prh和Pgl<Pg<Pgh时,将对应像素值置为255;否则,则将对应像素值置为0,从而得到二值化的帧图像。其中Pr为R通道的像素值,Prl为R通道临界下限值,Prh为R通道临界上限值,Pg为G通道的像素值,Pgl为G通道临界下限值,Pgh为G通道临界上限值。
在一个实施例中,终端对二值化的帧图像进行腐蚀处理和/或膨胀处理;对处理后所得的帧图像中的对象轮廓进行识别;根据对象轮廓确定视频帧中包含因透视障碍物而显示的虚拟对象。
其中,腐蚀处理可以是指根据帧图像中暗(或亮)区域的灰度值,以及暗(或亮)区域的形状相对于结构元素的关系,将暗(或亮)区域在运算中消减或被除掉。膨胀处理可以指将帧图像中暗(或亮)区域的边缘进行扩大,和/或将暗(或亮)区域内部的小孔消除。
对于腐蚀处理,可以采用第一预设尺寸(如3×3)的腐蚀子对二值化的帧图像进行腐蚀处理,从而将该帧图像中的边界点、小于腐蚀子的物体和两个物体间的细小连通等干扰元素进行去除。可以采用第二预设尺寸(如5×5)的膨胀子对二值化的帧图像进行膨胀处理。
在一个实施例中,腐蚀处理的步骤可以包括:终端采用腐蚀子与二值化的帧图像进行卷积,在卷积的过程中,当腐蚀子划过二值化的图像时,提取腐蚀子覆盖区域的最小像素值,将该最小像素值代替锚点位置的像素值,从而使二值化的帧图像中高亮区域变小,也使小于腐蚀子的干扰元素去除。
在一个实施例中,膨胀处理的步骤可以包括:终端采用膨胀子与二值化的帧图像进行卷积,在卷积的过程中,当膨胀子划过二值化的图像时,提取膨胀子覆盖区域的最大像素值,将该最大像素值代替锚点位置的像素值,从而使二值化的帧图像中高亮区域变大。
作为一个实例,如图4所示,当从图4(a)所示的视频帧中提取黄色像素值(其中,图中的虚拟对象为黄色,以及小圆点也为黄色),并对该黄色像素值进行二值化处理,得到二值化的帧图像,如图4(b)所示。在4(b)所示的帧图像中有许多小的噪点,可以通过3×3的腐蚀子进行腐蚀处理,从而可以去除帧图像中的干扰点,得到如图4(c)所示的腐蚀后帧图像。利用5×5的膨胀子,对图4(c)所示的腐蚀后帧图像进行膨胀处理,得到图4(d)所示的膨胀后帧图像,可以对该膨胀后帧图像中的对象轮廓进行识别,从而根据该对象轮廓的识别结果确定是否为虚拟对象。
S206,根据帧图像,确定视频帧中包含因透视障碍物而显示的虚拟对象。
在视频帧中,透视障碍物所显示的虚拟对象,是以目标颜色(如黄色)进行显示的。因此,通过提取视频帧中目标颜色的像素值,并对该像素值经过二值化处理得到帧图像,该帧图像中所包含的虚拟对象即为透视障碍物所显示的虚拟对象。此外,该帧图像中可能还会包含目标颜色的其它物体或小块背景,通过其轮廓可以判断出并非为虚拟对象。
在一个实施例中,由于帧图像是对视频帧进行相应转换所得,帧图像与视频帧之间存在对应关系。当识别出帧图像中的虚拟对象之后,终端可以根据帧图像中所包含的虚拟对象,确定视频帧中包含有因透视障碍物而显示的虚拟对象。
S208,当检测到开启用于定位虚拟对象的瞄准器时,在所显示的虚拟对象中,确定瞄准器对应的视场区域内存在至少一个虚拟对象。
其中,瞄准器是用于定位远处的对方的虚拟对象,从而可以确定其位置以控制己方的虚拟对象进行相应的操作。瞄准器具体可以是十字星或倍镜。例如,通过瞄准器可以观察远处的对方的虚拟对象,然后控制己方的虚拟对象使用虚拟枪械对对方的虚拟对象进行射击,又或向对方的虚拟对象投放虚拟炸弹,以击伤或击毙对方的虚拟对象。
在一个实施例中,终端根据目标检测方法,检测视频帧对应的虚拟环境中是否开启了用于定位虚拟对象的瞄准器,若是,表示己方在开启了透视功能的前提下,可能利用该透视功能对隐藏在障碍物中或背后的虚拟对象进行射击,则执行S208;若否,则从服务器获取下一刻视频帧,或从解码目标视频所得的多个视频帧中获取下一刻视频帧。其中,目标检测方法可以是YOLO目标检测方法、FasterRCNN(Faster Region of Convolutional NeuralNetworks,基于区域的快速卷积神经网络)、SSD(Single shot Multibox Detector,单次检测器)等深度学习目标检测方法,同时也可以是SVM(Support Vector Machine,支持向量机)、Adaboost等传统的机器学习检测方法。上述的YOLO目标检测方法可以是YOLO3目标检测方法。
在一个实施例中,检测开启用于定位虚拟对象的瞄准器的步骤,还可以包括:终端对视频帧进行图像特征提取,得到至少三个尺寸不同的特征图;通过检测模型对所得的至少三个特征图进行检测,得到对应的预测概率;若预测概率达到概率阈值,确定开启用于定位虚拟对象的瞄准器。
其中,该检测模型可以是YOLO深度学习模型。在使用检测模型进行检测之前,可以先获取大量的瞄准器样本图像来训练检测模型,在训练完成之后,可以通过该检测模型检测出每一个视频帧中用户是否开启了瞄准器。
在一个实施例中,终端对视频帧进行图像特征提取,得到至少三个尺寸不同的特征图,然后将所得的特征图输入YOLO检测模型得到多个张量值,每个张量值包括中心坐标值tx、ty、宽度值tw、高度值th、置信度和类别数,将获得的张量值的中心坐标值tx、ty、宽度值tw和高度值th代入以下计算式进行计算,得到预测矩形框的中心坐标值bx、by、宽度值bw、高度值bh和置信度。其中,预测边框数据的类别数与张量值的类别数相等。其中,该计算式为:
其中,cx和cy为预测网格,pw和ph为预先确定的锚点(anchor)值;
终端将得到的多个预测矩形框,通过抑制算法处理得到最可靠的矩形框,并将最可靠的矩形框转换到视频帧上,从而可得出虚拟对象以及虚拟对象的位置,虚拟对象的位置如图5所示。
在一个实施例中,当识别出帧图像中的虚拟对象之后,计算该虚拟对象在该帧图像的位置。此外,当检测到开启用于定位虚拟对象的瞄准器时,终端还会计算瞄准器在视频帧中所处的位置,从而可以确定瞄准器对应的视场区域存在因透视障碍物而显示的虚拟对象。
在一个实施例中,在因透视障碍物而显示的虚拟对象中,终端根据虚拟对象在帧图像中的位置,判断虚拟对象是否处于瞄准器对应的视场区域内,若确定瞄准器对应的视场区域存在至少一个虚拟对象时,则执行S210。
S210,在检测到执行了投射操作时,则判定对局过程中存在作弊行为。
其中,投射操作可以是用户控制虚拟对象,利用所持的虚拟枪械向对方的虚拟对象进行射击,或利用所持的虚拟炸弹投向对方的虚拟对象,以击伤或击毙对方的虚拟对象。
在一个实施例中,检测到视频帧对应的时间执行了投射操作的步骤,具体可以包括:终端在视频帧的指定区域中提取图像块;对图像块中的文字进行识别,得到投射元素的剩余数量;将剩余数量与历史视频帧中投射元素的历史剩余数量进行对比;当剩余数量与历史剩余数量不相等时,则确定在两个视频帧对应的时间(包括当前的视频帧所对应的时间)内执行了投射操作。
其中,投射元素可以包括虚拟枪械的子弹或虚拟炮弹。虚拟炮弹可以是虚拟坦克的炮弹,或虚拟迫击炮的炮弹。
在一个实施例中,当剩余数量与历史剩余数量相等时,则表示用户未执行了投射操作,则获取下一刻的视频帧进行作弊行为的判定。当剩余数量与历史剩余数量不相等时,则表示用户执行了投射操作则判定对局过程中存在作弊行为。
如图6所示,虚拟武器的数量通常固定显示于视频帧的下方位置,此时,终端可以从视频帧的那个固定位置提取图像块,然而采用OCR识别的方式对图像块中的文字进行识别,得到虚拟枪械对应子弹的剩余数量。如图6(a)所示,识别出虚拟枪械对应子弹的历史剩余数量为14;如图6(b)所示,识别出虚拟枪械对应子弹当前的剩余数量为13,表示用户在这期间进行了射击操作,从而可以判断出该用户在本次射击类游戏中存在作弊行为。
在另一个实施例中,检测到视频帧对应的时间执行了投射操作的步骤包括:终端获取与视频帧间隔固定帧数的历史视频帧;从历史视频帧的指定区域中提取第一像素块,并从第一像素块中提取第一图像特征;按照指定区域提取视频帧中的第二像素块,并从第二像素块中提取第二图像特征;当第一图像特征与第二图像特征之间的相似度小于预设相似阈值时,确定在两个视频帧对应的时间(包括当前的视频帧所对应的时间)内执行了投射操作。
其中,间隔固定帧数可以是n,n为大于或等于1的正整数。终端可以获取与当前的视频帧间隔n帧的视频帧,n的取值可以根据实际情况而定。
在一个实施例中,终端在提取第一图像特征与第二图像特征之后,将第一图像特征与第二图像特征进行逐像素比对,从而得出两个特征之间的相似度。或者,终端计算第一图像特征中的元素与第二图像特征中的元素之间的欧式距离,根据该欧式距离得出第一图像特征与第二图像特征之间的相似度。其中,欧式距离越小,表示两者越相似。当第一图像特征与第二图像特征之间的相似度小于预设相似阈值时,表示第一图像特征与第二图像特征之间不相似,即可确定视频帧对应的时间执行了投射操作。
如图6(a)和图6(b)所示,虚拟武器的数量通常固定显示于视频帧的下方位置,此时,终端可以分别从图6(a)和图6(b)所示的视频帧中的那个固定位置提取图像块,然后分别从这两个图像块中提取图像特征。终端将所提取的两个图像特征进行对比,得到两个图像特征之间的相似度,显然,图6(a)和图6(b)对应的两个特征图之间不相似,即小于预设相似阈值,确定在图6(a)和图6(b)所示的两个视频帧之间执行了射击操作。
在一个实施例中,当检测到执行了投射操作时,终端检测对方的虚拟对象的生命状态,若根据该生命状态确定该虚拟对象已被击毙时,则判定对局过程中存在作弊行为。
上述实施例中,用户在对局过程中使用了透视功能时,在视频帧中将以目标颜色进行显示,通过从视频帧中提取目标颜色的像素值,得到由该像素值所构成的帧图像,从而可以判断出用户是否使用了透视功能。在检测到开启了用于定位虚拟对象的瞄准器时,判断该瞄准器的视场区域内在存在因透视障碍物而显示的虚拟对象,从而可以确定该用户使用瞄准器观看对方所控制的虚拟对象。当检测到执行了投射操作时,判定对局过程中存在作弊行为,从而无需人工方式来对对局视频中的每个视频帧进行检查,降低了作弊行为的判定时间,有效地提高了作弊行为的判定效率。
在一个实施例中,如图7所示,S206具体可以包括:
S702,对帧图像进行以下图像处理中的至少之一:腐蚀处理和膨胀处理。
其中,可以采用第一预设尺寸(如3×3)的腐蚀子对二值化的帧图像进行腐蚀处理,从而将该帧图像中的边界点、小于腐蚀子的物体和两个物体间的细小连通等干扰元素进行去除。可以采用第二预设尺寸(如5×5)的膨胀子对二值化的帧图像进行膨胀处理。
在一个实施例中,终端可以对帧图像只进行腐蚀处理;或者,只进行膨胀处理;或者,先对帧图像进行腐蚀处理,然后进行膨胀处理;或者,先对帧图像进行膨胀处理,然后进行腐蚀处理。其中,先对帧图像进行腐蚀处理,然后进行膨胀处理,可以有效地将小于腐蚀子的干扰元素去除。先对帧图像进行膨胀处理,然后进行腐蚀处理,可以有效地将帧图像中高亮区域内的小圆孔去除。从而可以提高虚拟对象识别的准确性。
在一个实施例中,腐蚀处理的步骤可以包括:终端采用腐蚀子与二值化的帧图像进行卷积,在卷积的过程中,当腐蚀子划过二值化的图像时,提取腐蚀子覆盖区域的最小像素值,将该最小像素值代替锚点位置的像素值,从而使二值化的帧图像中高亮区域变小,也使小于腐蚀子的干扰元素去除。
在一个实施例中,膨胀处理的步骤可以包括:终端采用膨胀子与二值化的帧图像进行卷积,在卷积的过程中,当膨胀子划过二值化的图像时,提取膨胀子覆盖区域的最大像素值,将该最大像素值代替锚点位置的像素值,从而使二值化的帧图像中高亮区域变大。
S704,对处理后所得的帧图像中的对象轮廓进行识别。
在一个实施例中,终端将处理后所得的帧图像中的对象轮廓与虚拟对象的预设对象轮廓进行对比,得到相似度;当相似度大于预设阈值时,则确定该帧图像中的对象轮廓为虚拟对象的轮廓。或者,终端从处理后所得的帧图像中的对象轮廓中,提取特征点,根据特征点来判断该帧图像中是否为包含虚拟对象。
在一个实施例中,S704具体可以包括:对处理后所得的帧图像进行滤波处理;对滤波后所得的帧图像中的对象轮廓进行识别;该方法还包括:在识别对象轮廓后,确定对象轮廓的数量;当数量达到数量阈值时,确定视频帧为有效帧,然后执行S706。
其中,对腐蚀处理和膨胀处理后的帧图像进行滤波,可以消除帧图像中混入的噪声。
在一个实施例中,终端将滤波后所得的帧图像中的对象轮廓与虚拟对象的预设对象轮廓进行对比,得到相似度;当相似度大于预设阈值时,则确定该帧图像中的对象轮廓为虚拟对象的轮廓。或者,终端从滤波后所得的帧图像中的对象轮廓中,提取特征点,根据特征点来判断该帧图像中是否为包含虚拟对象。
在一个实施例中,帧图像中的对象轮廓包括虚拟对象的完整轮廓和局部轮廓中的至少一种;S704具体可以包括:当对象轮廓包括完整轮廓时,根据完整轮廓,确定视频帧中包含有完全隐藏在障碍物内、且因透视障碍物而显示的虚拟对象;当对象轮廓包括局部轮廓时,根据局部轮廓,确定视频帧中包含有部分身体隐藏在障碍物内、且因透视障碍物而显示的虚拟对象。
由于完全隐藏在障碍物中或背后的虚拟对象,在视频帧中以目标颜色进行显示。从而,终端可以通过提取目标颜色的像素值,然后对该像素值进行二值化处理得到二值化的帧图像,根据该帧图像中对象轮廓是否完整来判断出虚拟对象是否完全隐藏在障碍物中或背后。若该帧图像中对象轮廓是完整轮廓,表示虚拟对象完全隐藏在障碍物中或背后。若该帧图像中对象轮廓是局部轮廓,表示虚拟对象未完全隐藏在障碍物中或背后。
其中,对该像素值进行二值化处理得到二值化的帧图像的步骤,具体可以包括:当目标颜色为黄色时,提取R通道和G通道的像素值,当R通道和G通道的像素值同时满足Prl<Pr<Prh和Pgl<Pg<Pgh时,将对应像素值置为255;否则,则将对应像素值置为0,从而得到二值化的帧图像。
S706,根据对象轮廓确定视频帧中包含因透视障碍物而显示的虚拟对象。
在一个实施例中,由于帧图像是对视频帧进行相应转换所得,帧图像与视频帧之间存在对应关系。终端根据对象轮廓确定帧图像中包含有虚拟对象,然后根据帧图像中所包含的虚拟对象,确定视频帧中包含有因透视障碍物而显示的虚拟对象。
S708,当检测到开启用于定位虚拟对象的瞄准器时,在所显示的虚拟对象中,确定瞄准器对应的视场区域内存在至少一个虚拟对象。
在一个实施例中,终端根据目标检测方法,检测视频帧对应的虚拟环境中是否开启了用于定位虚拟对象的瞄准器,若是,表示己方在开启了透视功能的前提下,可能利用该透视功能对隐藏在障碍物中或背后的虚拟对象进行射击,则在所显示的虚拟对象中,确定瞄准器对应的视场区域内存在至少一个虚拟对象;若否,则从服务器获取下一刻视频帧,或从解码目标视频所得的多个视频帧中获取下一刻视频帧。其中,目标检测方法可以是YOLO目标检测方法、FasterRCNN、SSD等深度学习目标检测方法,同时也可以是SVM、Adaboost等传统的机器学习检测方法。上述的YOLO目标检测方法可以是YOLO3目标检测方法。
在一个实施例中,检测开启用于定位虚拟对象的瞄准器的步骤,还可以包括:终端对视频帧进行图像特征提取,得到至少三个尺寸不同的特征图;通过检测模型对所得的至少三个特征图进行检测,得到对应的预测概率;若预测概率达到概率阈值,确定开启用于定位虚拟对象的瞄准器。
其中,该检测模型可以是YOLO深度学习模型。在使用检测模型进行检测之前,可以先获取大量的瞄准器样本图像来训练检测模型,在训练完成之后,可以通过该检测模型检测出每一个视频帧中用户是否开启了瞄准器。
在一个实施例中,终端对视频帧进行图像特征提取,得到至少三个尺寸不同的特征图,然后将所得的特征图输入YOLO检测模型得到多个张量值,每个张量值包括中心坐标值tx、ty、宽度值tw、高度值th、置信度和类别数,将获得的张量值的中心坐标值tx、ty、宽度值tw和高度值th代入以下计算式进行计算,得到预测矩形框的中心坐标值bx、by、宽度值bw、高度值bh和置信度。其中,预测边框数据的类别数与张量值的类别数相等。其中,该计算式为:
其中,cx和cy为预测网格,pw和ph为预先确定的anchor值;
终端将得到的多个预测矩形框,通过抑制算法处理得到最可靠的矩形框,并将最可靠的矩形框转换到视频帧上,从而可得出虚拟对象以及虚拟对象的位置,虚拟对象的位置如图5所示。
在一个实施例中,当识别出帧图像中的虚拟对象之后,计算该虚拟对象在该帧图像的位置。此外,当检测到开启用于定位虚拟对象的瞄准器时,终端还会计算瞄准器在视频帧中所处的位置,从而可以确定瞄准器对应的视场区域存在因透视障碍物而显示的虚拟对象。
在一个实施例中,在因透视障碍物而显示的虚拟对象中,终端根据虚拟对象在帧图像中的位置,判断虚拟对象是否处于瞄准器对应的视场区域内,若确定瞄准器对应的视场区域存在至少一个虚拟对象时,则执行S710。
S710,在检测到执行了投射操作时,判断瞄准器对应的视场区域内的虚拟对象是否完全隐藏在障碍物。
在一个实施例中,获取视场区域在视频帧中的位置,在帧图像中判断该位置内的对象轮廓是否为完整轮廓,若是,则确定视频帧中包含有完全隐藏在障碍物内、且因透视障碍物而显示的虚拟对象;若否,则确定视频帧中只包含有部分身体隐藏在障碍物内、且因透视障碍物而显示的虚拟对象。
S712,若视场区域内的虚拟对象完全隐藏在障碍物,则判定对局过程中存在作弊行为。
由于视频帧中出现了因透视障碍物而显示的虚拟对象,表明用户开启了透视功能。由于视频帧中出现了用于定位虚拟对象的瞄准器,表明用户在透视对方的虚拟对象时,用瞄准器定位对方的虚拟对象。而且,对方的虚拟对象因此在障碍物中或背后,当用户执行了投射操作时,表明用户在开启透视功能、使用瞄准器定位对方的虚拟对象的前提下,用户控制己方的虚拟对象向隐藏中的虚拟对象发起了投射操作,因此,可以判定用户在对局过程中存在作弊行为。
S714,若视场区域内的虚拟对象未完全隐藏在障碍物,则获取下一刻的视频帧进行检测。
其中,视场区域内的虚拟对象未完全隐藏在障碍物,表示用户即便进行了投射操作,也可能是因为通过射击未完全隐藏的身体部位导致对方的虚拟对象被击伤或击毙,即不能确定用户是因透视的原因击伤或击毙对方的虚拟对象。此时,终端可以根据输入的判定指令确定用户在对局过程中存在作弊行为。
上述实施例中,对帧图像进行腐蚀处理和膨胀处理,可以消除帧图像中的噪声,因此,帧图像中的对象轮廓进行识别时,在可以有效地提高识别出虚拟对象的准确率。对帧图像进行滤波处理,可以进一步消除帧图像中的噪声,可以进一步提高识别出虚拟对象的准确率。根据视场区域内的虚拟对象是否完全隐藏在障碍物,来判定是否存在作弊行为,可以避免误判,提高判定作弊行为的准确性。
在一个实施例中,如图8所示,计算投射元素的剩余数量的步骤,具体可以包括:
S802,在视频帧的指定区域中提取图像块。
其中,在不同的视频帧中,虚拟武器的投射元素(如子弹或炮弹)的剩余数量通常固定显示在视频帧的下方位置。因此,终端若需要获取投射元素的剩余数量时,可以在视频帧的指定区域中提取图像块。
S804,将图像块转换为灰度图像块。
在一个实施例中,该图像块可以是RGB图像、或HSV图像、或YUV图像。终端将多通道的图像块转换为单通道的灰度图像块。
S806,对灰度图像块进行二值化处理,得到二值化图像块。
在一个实施例中,终端提取灰度图像块的像素值,然后在所提取的像素值中,将大于像素阈值的像素值置为第一预设像素值,以及将小于像素阈值的像素值置为第二预设像素值;按照第一预设像素值和第二预设像素值生成二值化图像块。其中,二值化图像块可以是白底黑字的图像,或者是黑底白字的图像。
例如,将大于100的像素值置为255,将小于100的像素值置为0。或者,将大于100的像素值置为0,将小于100的像素值置为255。
S808,通过文字识别模型对二值化图像块中的文字进行识别,得到投射元素的剩余数量。
其中,文字识别模型可以是OCR文字识别模型,具体可以是tesseract-OCR字符识别模型。
在一个实施例中,终端采用OCR识别的方式对图像块中的文字进行识别,得到虚拟枪械对应子弹的剩余数量。
在一个实施例中,文字识别模型的训练步骤可以包括:终端获取经过灰度转换和二值化处理的图像样本,该图像样本是从视频帧数据集的指定区域提取的图像块,该图像块中包含有文字,该文字用于表示投射元素的剩余数量。终端利用该图像样本,通过开源的jTessBoxEditor方法文字识别模型,当文字识别模型输出的结果稳定之后,即可得到用于识别文字的文字识别模型。
S810,将该剩余数量与历史视频帧中投射元素的历史剩余数量进行对比。
其中,历史视频帧可以指:在开启了瞄准器的所有视频帧图像中,首帧至当前的视频帧之间的某个帧图像。例如,若当前的该视频帧为第i帧,i为大于1的正整数,则历史视频帧即为开启了瞄准器的所有视频帧图像中的第1帧,也可以是第i-1帧。
S812,在检测到执行了投射操作时,计算历史剩余数量与剩余数量之间的差值,得到投射次数。
S814,当投射次数大于预设次数时,判定对局过程中存在作弊行为。
在一个实施例中,在确定视频帧中包含因透视障碍物而显示的虚拟对象时,终端还会在视频首帧至该视频帧之间的所有视频帧图像中,计算开启瞄准器的所有视频帧的帧数k1。
在一个实施例中,在开启瞄准器的前提下,终端还会判定瞄准器对应的视场区域内的虚拟对象是否完全被障碍物遮挡,若是,则在视频首帧至该视频帧之间的所有视频帧图像中,计算满足虚拟对象完全被障碍物遮挡这个条件的目标视频帧的帧数k2,并将该目标视频帧的帧数k2添加至队列中。
在一个实施例中,该方法还包括:当投射次数小于或等于预设次数时,根据以下计算式计算对局过程中的作弊得分;p=w1×(k1/n1)+w2×(k2/n1),其中,w1和w2为系数,n1为目标视频中的帧数,k1为目标视频内视频首帧至视频帧之中、且开启了瞄准器的视频帧的帧数,k2为视频首帧至第k1视频帧之中目标视频帧的帧数,目标视频帧为开启了瞄准器、且视场区域内的虚拟对象完全被障碍物遮挡的帧图像;当作弊得分达到预设得分时,判定对局过程中存在作弊行为。此外,终端还会保存有效视频片段。该有效视频片段是由视频首帧至第k1视频帧之中的目标视频帧所组成。
其中,w1+w2=1,且w2大于w1。需要说明的是,上述的视频帧从目标视频中提取。而目标视频是从对局过程中所形成的视频中删除不包含目标颜色的像素值的视频片断所得。
上述实施例中,对视频帧中指定区域的图像块进行文字识别,得到虚拟武器对应的投射元素的剩余数量,根据历史视频帧中投射元素的历史剩余数量之间的差值得到投射次数,根据投射次数来判定用户在对局过程中是否存在作弊行为,从而可以避免因用户误操作而导致判定为作弊。此外,在进行文字识别之前,对图像块进行灰度转换和二值化处理,从而可以提高文字识别的准确性。
作为一个示例,当有其他用户举报某个用户在进行射击游戏过程中,采用了作弊行为,此时,获取用户在进行射击游戏过程中所形成的对局视频,然后对对局视频进行处理得到有效的视频帧,根据该有效的视频帧来判断用户是否存在作弊行为。其中,如图9所示,对对局视频进行处理得到有效的视频帧,具体步骤可以包括:
(1)从服务器获取对局视频。
其中,该对局视频可以是服务器根据对局过程中所产生的游戏数据恢复出的视频。在所恢复的视频中,对隐藏在障碍物中或背后的虚拟对象的颜色进行处理,如用户开启了瞄准器,那么以该用户为视角,对隐藏在障碍物中或背后的虚拟对象以一种特定颜色(如黄色)进行渲染并显示。该对局视频的帧数为n,n为大于1的正整数。
(2)从对局视频中提取第i帧图像。
其中,i的初始值为1,每次执行步骤(2)时自动加1。
(3)对第i帧图像中R通道和G通道的像素值进行遍历。
(4)当R通道和G通道的像素值同时满足:Prl<Pr<Prh和,Pgl<Pg<Pgh时,将像素值置为255,否则置为0,得到二值图像。其中,Pr为R通道像素值,Prl为R通道临界下限值,Prh为R通道临界上限值,Pg为G通道像素值,Pgl为G通道临界下限值,Pgh为G通道临界上限值。
在一个实施例中,通过预设颜色直方图获取视频帧中R通道和G通道的像素值分布范围,根据该取值范围可得包含对方所控制的虚拟对象的二值图像。
(5)对二值图像分别做形态学腐蚀和膨胀操作,腐蚀子的尺寸可以是3×3,膨胀子的尺寸可以是5×5。
其中,对二值图像做形态学处理,首先用3×3的腐蚀子去除干扰点,用5×5的膨胀子进行膨胀处理。
(6)通过Canny滤波器对二值图像进行滤波,并从二值图像中提取轮廓,然后计算轮廓个数m。
其中,利用Canny算子,检测二值图像中对方所控制的虚拟对象的轮廓,最后通过轮廓查找得到该虚拟对象的位置以及轮廓个数。
(7)当轮廓个数m超过阈值时,判定当前的视频帧为有效的视频帧。
其中,由于二值图像中可能会有噪声干扰,故设置一个阈值,可以避免出现的轮廓可能是由噪声所引起,从而导致出现误判。
在一个实施例中,当轮廓个数m超过阈值、且该轮廓与虚拟对象的轮廓一致时,表示该视频帧中包含有对方控制的虚拟对象。
(8)当判定视频帧为有效的视频帧时,保存该视频帧,然后循环处理步骤(1)-(6),直到对局视频中的各视频帧处理完为止,将所有有效的视频真进行保存。
当对局视频进行处理得到所有有效的视频帧时,根据该视频帧判断用户是否存在作弊行为,如图10所示,具体的步骤可以包括:
(1)获取上述所保存的视频帧。
(2)从所获取的视频帧中提取第i++视频帧。
其中,i的初始值为1。
(3)对于所提取的视频帧,通过YOLO目标检测算法检测是否开启瞄准器,若开启瞄准器,判断队列q中与该视频帧对应的上一视频帧之间的子弹剩余数量是否相等。若不相等,则说明在本次开启瞄准器时进行了射击操作,此时开瞄准器的射击次数自动累加s++,并将队列q进行初始化。若相等,将队列q进行初始化,并跳转到步骤(8)。
其中,瞄准器具体可以是十字星或倍镜,十字星可以是如图4(a)所示的虚线椭圆A中的十字星,倍镜可以是如图11所示的矩形框A内的倍镜。其中,倍镜的视场区域内也可以有用于精细定位的十字星。
使用大量获取到的瞄准器样本图像训练检测模型,在训练完成之后,可以检测每个视频帧中用户是否开启瞄准器。
(4)若开镜,获取瞄准器的视场区域R,并检测视场区域R内是否有对方控制的虚拟对象,若无,则跳转到步骤(2);若有,执行步骤(5)。
(5)第一关键帧的帧数自动累加k1++,然后判断对方控制的虚拟对象所处的位置是否在瞄准器的视场区域内;若未在瞄准器的视场区域内,则跳转到步骤(2);若在瞄准器的视场区域内,如图11所示,对方控制的虚拟对象在瞄准器的视场区域,执行步骤(6)。
其中,第一关键帧为:在所有有效的视频帧中,视频首帧至当前的视频帧之中、且开启了瞄准器的视频帧即为第一关键帧。k1的初始值为0。
(6)判断对方控制的虚拟对象是否被障碍物完全遮挡,若未完全遮挡,跳转到步骤(2),否则执行步骤(7)。
(7)使用OCR技术检测该视频帧的子弹剩余数量,并使用队列q保存当前第二关键帧的帧数k2++和子弹剩余数量b,记为q(k2,b)。
其中,第二关键帧为:在第一关键帧中,开启了瞄准器的视频帧即为关键帧。k2的初始值为0,且k2≤k1。
当用户开启瞄准器时,可以通过在开瞄准器期间子弹剩余数量的变化,判断用户是否有射击操作。可以通过OCR字符识别技术,对视频帧中指定区域的图像块进行识别,得到子弹剩余数量。其中,OCR字符识别技术具体可以是tesseract-OCR字符识别技术。
1)获取来自于服务器恢复的对局视频,在对局视频的各视频帧中,按照指定区域提取图像块。
在对局视频的各视频帧中,显示子弹剩余数量的位置通常是固定的,因此,可以按照指定区域提取包含子弹剩余数量的图像块。
2)训练文字识别模型,用于识别出子弹剩余数量。
对该图像块进行灰度转换和二值化处理,得到白底黑字的二值图像,然后利用该二值图像对文字识别模型进行训练,当输出的结果稳定时,获得用于识别子弹剩余数量的文字识别模型。
(8)判断所有有效的视频帧是否处理完,若未处理完跳转到步骤(2),否则执行步骤(9)。
(9)判断开瞄准器的射击次数s是否大于阈值c1,若大于c1,则判定为透视作弊,保存透视作弊视频片段;若不大于c1,执行步骤(10)。
(10)计算射击游戏过程中的作弊得分:p=w1×(k1/n1)+w2×(k2/n1),其中w1+w2=1,w2>w1,若p≥c2(c2得分阈值),则判定用户在射击游戏过程中进行了作弊行为,保存有效的视频帧。其中,n1有效的视频帧的帧数。w1和w2为系数。
通过上述实施例,可以具有以下有益效果:
(1)利用RGB颜色通道检测对方隐藏在障碍物的虚拟对象,从而可以提取出有效的视频帧,极大地节省了人力判别时间;
(2)在提取出所有有效的视频帧后,自动判定是否透视作弊行为,无需由人工判定,可以减少人工参与,降低了人力成本,而且还提高了自动化流程。
图2、7-10为一个实施例中作弊行为的判定方法的流程示意图。应该理解的是,虽然图2、7-10的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2、7-10中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
如图12所示,在一个实施例中,提供了一种作弊行为的判定装置,该作弊行为的判定装置具体包括:获取模块1202、提取模块1204、第一确定模块1206、第二确定模块1208和判定模块1210;其中:
获取模块1202,用于获取对局过程中所形成的视频帧;
提取模块1204,用于从视频帧提取目标颜色的像素值,获得像素值构成的帧图像;
第一确定模块1206,用于根据帧图像,确定视频帧中包含因透视障碍物而显示的虚拟对象;
第二确定模块1208,用于当检测到开启用于定位虚拟对象的瞄准器时,在所显示的虚拟对象中,确定瞄准器对应的视场区域内存在至少一个虚拟对象;
判定模块1210,用于在检测到执行了投射操作时,则判定对局过程中存在作弊行为。
在一个实施例中,获取模块1202还用于:获取对局过程中所形成的视频;
当检测到视频中存在不包含目标颜色的像素值的视频片断时,将视频片段从视频中删除,得到目标视频;从目标视频中提取视频帧。
在一个实施例中,提取模块1204还用于:按照目标颜色通道,从视频帧提取对应目标颜色的像素值;在所提取的像素值中,将属于预设区间的像素值置为第一预设像素值,以及将不属于预设区间的像素值置为第二预设像素值;按照第一预设像素值和第二预设像素值生成帧图像。
在一个实施例中,如图13所示,该装置还包括:第一检测模块1212;其中:
第一检测模块1212用于:获取与视频帧间隔固定帧数的历史视频帧;从历史视频帧的指定区域中提取第一像素块,并从第一像素块中提取第一图像特征;按照指定区域提取视频帧中的第二像素块,并从第二像素块中提取第二图像特征;当第一图像特征与第二图像特征之间的相似度小于预设相似阈值时,确定执行了投射操作。
在一个实施例中,如图13所示,该装置还包括:第二检测模块1214;其中:
第二检测模块1214,用于对视频帧进行图像特征提取,得到至少三个尺寸不同的特征图;通过检测模型对所得的至少三个特征图进行检测,得到对应的预测概率;若预测概率达到概率阈值,确定开启用于定位虚拟对象的瞄准器。
在一个实施例中,第二检测模块1214,还用于在视频帧的指定区域中提取图像块;对图像块中的文字进行识别,得到投射元素的剩余数量;将剩余数量与历史视频帧中投射元素的历史剩余数量进行对比;当剩余数量与历史剩余数量不相等时,则确定执行了投射操作。
上述实施例中,用户在对局过程中使用了透视功能时,在视频帧中将以目标颜色进行显示,通过从视频帧中提取目标颜色的像素值,得到由该像素值所构成的帧图像,从而可以判断出用户是否使用了透视功能。在检测到开启了用于定位虚拟对象的瞄准器时,判断该瞄准器的视场区域内在存在因透视障碍物而显示的虚拟对象,从而可以确定该用户使用瞄准器观看对方所控制的虚拟对象。当检测到执行了投射操作时,判定对局过程中存在作弊行为,从而无需人工方式来对对局视频中的每个视频帧进行检查,降低了作弊行为的判定时间,有效地提高了作弊行为的判定效率。
在一个实施例中,第一确定模块1206还用于:对帧图像进行以下图像处理中的至少之一:腐蚀处理和膨胀处理;对处理后所得的帧图像中的对象轮廓进行识别;根据对象轮廓确定视频帧中包含因透视障碍物而显示的虚拟对象。
在一个实施例中,第一确定模块1206还用于:对处理后所得的帧图像进行滤波处理;对滤波后所得的帧图像中的对象轮廓进行识别;
第一确定模块1206还用于:在识别对象轮廓后,确定对象轮廓的数量;当数量达到数量阈值时,确定视频帧为有效帧,执行根据对象轮廓确定视频帧中包含因透视障碍物而显示的虚拟对象的步骤。
在一个实施例中,帧图像中的对象轮廓包括虚拟对象的完整轮廓和局部轮廓中的至少一种;第一确定模块1206还用于:
当对象轮廓包括完整轮廓时,根据完整轮廓,确定视频帧中包含有完全隐藏在障碍物内、且因透视障碍物而显示的虚拟对象;
当对象轮廓包括局部轮廓时,根据局部轮廓,确定视频帧中包含有部分身体隐藏在障碍物内、且因透视障碍物而显示的虚拟对象。
在一个实施例中,判定模块1210还用于:在检测到执行了投射操作时,判断瞄准器对应的视场区域内的虚拟对象是否完全隐藏在障碍物;若是,则判定对局过程中存在作弊行为。
上述实施例中,对帧图像进行腐蚀处理和膨胀处理,可以消除帧图像中的噪声,因此,帧图像中的对象轮廓进行识别时,在可以有效地提高识别出虚拟对象的准确率。对帧图像进行滤波处理,可以进一步消除帧图像中的噪声,可以进一步提高识别出虚拟对象的准确率。根据视场区域内的虚拟对象是否完全隐藏在障碍物,来判定是否存在作弊行为,可以避免误判,提高判定作弊行为的准确性。
在一个实施例中,第一检测模块1212还用于:将图像块转换为灰度图像块;对灰度图像块进行二值化处理,得到二值化图像块;通过文字识别模型对二值化图像块中的文字进行识别,得到投射元素的剩余数量。
在一个实施例中,判定模块1210还用于:在检测到执行了投射操作时,计算历史剩余数量与剩余数量之间的差值,得到投射次数;当投射次数大于预设次数时,判定对局过程中存在作弊行为。
在一个实施例中,视频帧从目标视频中提取;目标视频,是从对局过程中所形成的视频中删除不包含目标颜色的像素值的视频片断所得;判定模块1210还用于:
当投射次数小于或等于预设次数时,根据以下计算式计算对局过程中的作弊得分;
p=w1×(k1/n1)+w2×(k2/n1)
其中,w1和w2为系数,n1为目标视频中的帧数,k1为目标视频内视频首帧至视频帧之中、且开启了瞄准器的视频帧的帧数,k2为视频首帧至第k1视频帧之中目标视频帧的帧数,目标视频帧为开启了瞄准器、且视场区域内的虚拟对象完全被障碍物遮挡的帧图像;
当作弊得分达到预设得分时,判定对局过程中存在作弊行为。
上述实施例中,对视频帧中指定区域的图像块进行文字识别,得到虚拟武器对应的投射元素的剩余数量,根据历史视频帧中投射元素的历史剩余数量之间的差值得到投射次数,根据投射次数来判定用户在对局过程中是否存在作弊行为,从而可以避免因用户误操作而导致判定为作弊。此外,在进行文字识别之前,对图像块进行灰度转换和二值化处理,从而可以提高文字识别的准确性。
图14示出了一个实施例中计算机设备的内部结构图。该计算机设备具体可以是图1中的终端110。如图14所示,该计算机设备包括该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、输入装置和显示屏。其中,存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统,还可存储有计算机程序,该计算机程序被处理器执行时,可使得处理器实现作弊行为的判定方法。该内存储器中也可储存有计算机程序,该计算机程序被处理器执行时,可使得处理器执行作弊行为的判定方法。计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图14中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,本申请提供的作弊行为的判定装置可以实现为一种计算机程序的形式,计算机程序可在如图14所示的计算机设备上运行。计算机设备的存储器中可存储组成该作弊行为的判定装置的各个程序模块,比如,图12所示的获取模块1202、提取模块1204、第一确定模块1206、第二确定模块1208和判定模块1210。各个程序模块构成的计算机程序使得处理器执行本说明书中描述的本申请各个实施例的作弊行为的判定方法中的步骤。
例如,图14所示的计算机设备可以通过如图12所示的作弊行为的判定装置中的获取模块1202执行S202。计算机设备可通过提取模块1204执行S204。计算机设备可通过第一确定模块1206执行S206。计算机设备可通过第二确定模块1208执行S208。计算机设备可通过判定模块1210执行S210。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,计算机程序被处理器执行时,使得处理器执行上述作弊行为的判定方法的步骤。此处作弊行为的判定方法的步骤可以是上述各个实施例的作弊行为的判定方法中的步骤。
在一个实施例中,提供了一种计算机可读存储介质,存储有计算机程序,计算机程序被处理器执行时,使得处理器执行上述作弊行为的判定方法的步骤。此处作弊行为的判定方法的步骤可以是上述各个实施例的作弊行为的判定方法中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一非易失性计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (28)
1.一种作弊行为的判定方法,包括:
获取对局过程中所形成的视频帧;
从所述视频帧提取目标颜色的像素值,获得所述像素值构成的帧图像;
对所述帧图像进行腐蚀和膨胀中的至少一种图像处理;对处理后所得的帧图像中的对象轮廓进行识别;根据所述对象轮廓确定所述视频帧中包含因透视障碍物而显示的虚拟对象;
当检测到开启用于定位所述虚拟对象的瞄准器时,在所显示的虚拟对象中,确定所述瞄准器对应的视场区域内存在至少一个虚拟对象;
在检测到执行了投射操作时,则判定对局过程中存在作弊行为。
2.根据权利要求1所述的方法,其特征在于,所述获取对局过程中所形成的视频帧包括:
获取对局过程中所形成的视频;
当检测到所述视频中存在不包含所述目标颜色的像素值的视频片断时,将所述视频片段从所述视频中删除,得到目标视频;
从所述目标视频中提取视频帧。
3.根据权利要求1或2所述的方法,其特征在于,所述从所述视频帧提取目标颜色的像素值,获得所述像素值构成的帧图像包括:
按照目标颜色通道,从所述视频帧提取对应目标颜色的像素值;
在所提取的像素值中,将属于预设区间的像素值置为第一预设像素值,以及将不属于所述预设区间的像素值置为第二预设像素值;
按照所述第一预设像素值和所述第二预设像素值生成帧图像。
4.根据权利要求1或2项所述的方法,其特征在于,所述在所显示的虚拟对象中,确定所述瞄准器对应的视场区域内存在至少一个虚拟对象包括:
获得所显示的虚拟对象中在所述视频帧中所处的位置;
计算所述瞄准器在所述视频帧中所处的位置;
在所显示的虚拟对象中,根据所述虚拟对象和所述瞄准器分别在所述视频帧中所处的位置,确定所述瞄准器对应的视场区域中存在因透视障碍物而显示的至少一个虚拟对象。
5.根据权利要求1所述的方法,其特征在于,所述对处理后所得的帧图像中的对象轮廓进行识别包括:
对处理后所得的帧图像进行滤波处理;
对滤波后所得的帧图像中的对象轮廓进行识别;
所述方法还包括:在识别所述对象轮廓后,确定所述对象轮廓的数量;
当所述数量达到数量阈值时,确定所述视频帧为有效帧,执行所述根据所述对象轮廓确定所述视频帧中包含因透视障碍物而显示的虚拟对象的步骤。
6.根据权利要求1所述的方法,其特征在于,所述帧图像中的对象轮廓包括虚拟对象的完整轮廓和局部轮廓中的至少一种;所述根据所述对象轮廓确定所述视频帧中包含因透视障碍物而显示的虚拟对象包括:
当所述对象轮廓包括所述完整轮廓时,根据所述完整轮廓,确定所述视频帧中包含有完全隐藏在障碍物内、且因透视所述障碍物而显示的虚拟对象;
当所述对象轮廓包括所述局部轮廓时,根据所述局部轮廓,确定所述视频帧中包含有部分身体隐藏在障碍物内、且因透视所述障碍物而显示的虚拟对象。
7.根据权利要求6所述的方法,其特征在于,所述在检测到执行了投射操作时,则判定对局过程中存在作弊行为包括:
在检测到执行了投射操作时,判断所述瞄准器对应的视场区域内的虚拟对象是否完全隐藏在所述障碍物;
若是,则判定对局过程中存在作弊行为。
8.根据权利要求1所述的方法,其特征在于,所述检测开启用于定位所述虚拟对象的瞄准器的步骤包括:
对所述视频帧进行图像特征提取,得到至少三个尺寸不同的特征图;
通过检测模型对所得的至少三个特征图进行检测,得到对应的预测概率;
若所述预测概率达到概率阈值,确定开启用于定位所述虚拟对象的瞄准器。
9.根据权利要求1所述的方法,其特征在于,所述检测执行了投射操作的步骤包括:
获取与所述视频帧间隔固定帧数的历史视频帧;
从所述历史视频帧的指定区域中提取第一像素块,并从所述第一像素块中提取第一图像特征;
按照所述指定区域提取所述视频帧中的第二像素块,并从所述第二像素块中提取第二图像特征;
当所述第一图像特征与所述第二图像特征之间的相似度小于预设相似阈值时,确定执行了投射操作。
10.根据权利要求1所述的方法,其特征在于,所述检测执行了投射操作的步骤包括:
在所述视频帧的指定区域中提取图像块;
对所述图像块中的文字进行识别,得到投射元素的剩余数量;
将所述剩余数量与历史视频帧中投射元素的历史剩余数量进行对比;
当所述剩余数量与所述历史剩余数量不相等时,则确定执行了投射操作。
11.根据权利要求10所述的方法,其特征在于,所述对所述图像块中的文字进行识别,得到投射元素的剩余数量包括:
将所述图像块转换为灰度图像块;
对所述灰度图像块进行二值化处理,得到二值化图像块;
通过文字识别模型对所述二值化图像块中的文字进行识别,得到投射元素的剩余数量。
12.根据权利要求10所述的方法,其特征在于,所述在检测到执行了投射操作时,则判定对局过程中存在作弊行为包括:
在检测到执行了投射操作时,计算所述历史剩余数量与所述剩余数量之间的差值,得到投射次数;
当所述投射次数大于预设次数时,判定对局过程中存在作弊行为。
13.根据权利要求12所述的方法,其特征在于,所述视频帧从目标视频中提取;所述目标视频,是从对局过程中所形成的视频中删除不包含所述目标颜色的像素值的视频片断所得;所述方法还包括:
当所述投射次数小于或等于所述预设次数时,根据以下计算式计算对局过程中的作弊得分;
p=w1×(k1/n1)+w2×(k2/n1)
其中,w1和w2为系数,n1为所述目标视频中的帧数,k1为所述目标视频内视频首帧至所述视频帧之中、且开启了所述瞄准器的视频帧的帧数,k2为所述视频首帧至第k1视频帧之中目标视频帧的帧数,所述目标视频帧为开启了所述瞄准器、且所述视场区域内的虚拟对象完全被障碍物遮挡的帧图像;
当所述作弊得分达到预设得分时,判定对局过程中存在作弊行为。
14.一种作弊行为的判定装置,其特征在于,所述装置包括:
获取模块,用于获取对局过程中所形成的视频帧;
提取模块,用于从所述视频帧提取目标颜色的像素值,获得所述像素值构成的帧图像;
第一确定模块,用于对所述帧图像进行腐蚀和膨胀中的至少一种图像处理;对处理后所得的帧图像中的对象轮廓进行识别;根据所述对象轮廓确定所述视频帧中包含因透视障碍物而显示的虚拟对象;
第二确定模块,用于当检测到开启用于定位所述虚拟对象的瞄准器时,在所显示的虚拟对象中,确定所述瞄准器对应的视场区域内存在至少一个虚拟对象;
判定模块,用于在检测到执行了投射操作时,则判定对局过程中存在作弊行为。
15.根据权利要求14所述的装置,其特征在于,所述获取模块,还用于:获取对局过程中所形成的视频;当检测到所述视频中存在不包含所述目标颜色的像素值的视频片断时,将所述视频片段从所述视频中删除,得到目标视频;从所述目标视频中提取视频帧。
16.根据权利要求14或15所述的装置,其特征在于,所述提取模块,还用于:按照目标颜色通道,从所述视频帧提取对应目标颜色的像素值;在所提取的像素值中,将属于预设区间的像素值置为第一预设像素值,以及将不属于所述预设区间的像素值置为第二预设像素值;按照所述第一预设像素值和所述第二预设像素值生成帧图像。
17.根据权利要求14或15项所述的装置,其特征在于,所述第二确定模块,还用于:获得所显示的虚拟对象中在所述视频帧中所处的位置;计算所述瞄准器在所述视频帧中所处的位置;在所显示的虚拟对象中,根据所述虚拟对象和所述瞄准器分别在所述视频帧中所处的位置,确定所述瞄准器对应的视场区域中存在因透视障碍物而显示的至少一个虚拟对象。
18.根据权利要求14所述的装置,其特征在于,所述第一确定模块,还用于:对处理后所得的帧图像进行滤波处理;对滤波后所得的帧图像中的对象轮廓进行识别;在识别所述对象轮廓后,确定所述对象轮廓的数量;当所述数量达到数量阈值时,确定所述视频帧为有效帧,执行所述根据所述对象轮廓确定所述视频帧中包含因透视障碍物而显示的虚拟对象的步骤。
19.根据权利要求14所述的装置,其特征在于,所述帧图像中的对象轮廓包括虚拟对象的完整轮廓和局部轮廓中的至少一种;
所述第一确定模块,还用于:当所述对象轮廓包括所述完整轮廓时,根据所述完整轮廓,确定所述视频帧中包含有完全隐藏在障碍物内、且因透视所述障碍物而显示的虚拟对象;当所述对象轮廓包括所述局部轮廓时,根据所述局部轮廓,确定所述视频帧中包含有部分身体隐藏在障碍物内、且因透视所述障碍物而显示的虚拟对象。
20.根据权利要求19所述的装置,其特征在于,所述判定模块,还用于:在检测到执行了投射操作时,判断所述瞄准器对应的视场区域内的虚拟对象是否完全隐藏在所述障碍物;若是,则判定对局过程中存在作弊行为。
21.根据权利要求14所述的装置,其特征在于,所述装置还包括:第一检测模块;其中:
所述第一检测模块,用于获取与所述视频帧间隔固定帧数的历史视频帧;从所述历史视频帧的指定区域中提取第一像素块,并从所述第一像素块中提取第一图像特征;按照所述指定区域提取所述视频帧中的第二像素块,并从所述第二像素块中提取第二图像特征;当所述第一图像特征与所述第二图像特征之间的相似度小于预设相似阈值时,确定执行了投射操作。
22.根据权利要求14所述的装置,其特征在于,所述装置还包括:第二检测模块;其中:
所述第二检测模块,用于对所述视频帧进行图像特征提取,得到至少三个尺寸不同的特征图;通过检测模型对所得的至少三个特征图进行检测,得到对应的预测概率;若所述预测概率达到概率阈值,确定开启用于定位所述虚拟对象的瞄准器。
23.根据权利要求14所述的装置,其特征在于,所述装置还包括:第二检测模块;其中:
所述第二检测模块,用于在所述视频帧的指定区域中提取图像块;对所述图像块中的文字进行识别,得到投射元素的剩余数量;将所述剩余数量与历史视频帧中投射元素的历史剩余数量进行对比;当所述剩余数量与所述历史剩余数量不相等时,则确定执行了投射操作。
24.根据权利要求23所述的装置,其特征在于,所述第一检测模块,还用于:将所述图像块转换为灰度图像块;对所述灰度图像块进行二值化处理,得到二值化图像块;通过文字识别模型对所述二值化图像块中的文字进行识别,得到投射元素的剩余数量。
25.根据权利要求23所述的装置,其特征在于,所述判定模块,还用于:在检测到执行了投射操作时,计算所述历史剩余数量与所述剩余数量之间的差值,得到投射次数;当所述投射次数大于预设次数时,判定对局过程中存在作弊行为。
26.根据权利要求25所述的装置,其特征在于,所述视频帧从目标视频中提取;所述目标视频,是从对局过程中所形成的视频中删除不包含所述目标颜色的像素值的视频片断所得;
所述判定模块,还用于:
当所述投射次数小于或等于所述预设次数时,根据以下计算式计算对局过程中的作弊得分;
p=w1×(k1/n1)+w2×(k2/n1)
其中,w1和w2为系数,n1为所述目标视频中的帧数,k1为所述目标视频内视频首帧至所述视频帧之中、且开启了所述瞄准器的视频帧的帧数,k2为所述视频首帧至第k1视频帧之中目标视频帧的帧数,所述目标视频帧为开启了所述瞄准器、且所述视场区域内的虚拟对象完全被障碍物遮挡的帧图像;
当所述作弊得分达到预设得分时,判定对局过程中存在作弊行为。
27.一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行如权利要求1至13中任一项所述方法的步骤。
28.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如权利要求1至13中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911054552.XA CN110765975B (zh) | 2019-10-31 | 2019-10-31 | 作弊行为的判定方法、装置、存储介质和计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911054552.XA CN110765975B (zh) | 2019-10-31 | 2019-10-31 | 作弊行为的判定方法、装置、存储介质和计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110765975A CN110765975A (zh) | 2020-02-07 |
CN110765975B true CN110765975B (zh) | 2020-11-03 |
Family
ID=69335086
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911054552.XA Active CN110765975B (zh) | 2019-10-31 | 2019-10-31 | 作弊行为的判定方法、装置、存储介质和计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110765975B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111639231B (zh) * | 2020-05-26 | 2021-05-18 | 广州锦行网络科技有限公司 | 一种基于视频识别的攻防对抗平台自动评分方法及装置 |
KR20220169468A (ko) * | 2021-06-18 | 2022-12-27 | 센스타임 인터내셔널 피티이. 리미티드. | 경고 방법 및 장치, 기기, 저장 매체 |
CN113413605B (zh) * | 2021-07-08 | 2022-08-26 | 腾讯数码(深圳)有限公司 | 对局作弊账号的检测方法、装置、设备及存储介质 |
CN114390200B (zh) * | 2022-01-12 | 2023-04-14 | 平安科技(深圳)有限公司 | 相机作弊识别方法、装置、设备及存储介质 |
CN116258466B (zh) * | 2023-05-15 | 2023-10-27 | 国网山东省电力公司菏泽供电公司 | 多模态电力场景作业规范检测方法、系统、设备及介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107308645A (zh) * | 2017-06-07 | 2017-11-03 | 浙江无端科技股份有限公司 | 一种游戏透视外挂检测的方法及游戏客户端 |
US10086291B1 (en) * | 2012-10-02 | 2018-10-02 | Masque Publishing, Inc. | Communications between an A/V communications network and a system |
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 |
CN109464808A (zh) * | 2018-11-06 | 2019-03-15 | 网易(杭州)网络有限公司 | 检测游戏外挂的方法、装置和终端 |
CN109858549A (zh) * | 2019-01-30 | 2019-06-07 | 腾讯科技(深圳)有限公司 | 应用对象识别及其识别模型的训练方法、装置和介质 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100005424A1 (en) * | 2008-03-05 | 2010-01-07 | Neelakantan Sundaresan | Virtual world system supporting a consumer experience |
CN106898051B (zh) * | 2017-04-14 | 2019-02-19 | 腾讯科技(深圳)有限公司 | 一种虚拟角色的视野剔除方法和服务器 |
US10967255B2 (en) * | 2017-05-26 | 2021-04-06 | Brandon Rosado | Virtual reality system for facilitating participation in events |
US10603593B2 (en) * | 2018-03-21 | 2020-03-31 | Valve Corporation | Automatically reducing use of cheat software in an online game environment |
CN111991800B (zh) * | 2019-02-22 | 2024-06-21 | 网易(杭州)网络有限公司 | 游戏角色控制方法、装置、设备和存储介质 |
CN110378247B (zh) * | 2019-06-26 | 2023-09-26 | 腾讯科技(深圳)有限公司 | 虚拟对象识别方法和装置、存储介质及电子装置 |
-
2019
- 2019-10-31 CN CN201911054552.XA patent/CN110765975B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10086291B1 (en) * | 2012-10-02 | 2018-10-02 | Masque Publishing, Inc. | Communications between an A/V communications network and a system |
CN107308645A (zh) * | 2017-06-07 | 2017-11-03 | 浙江无端科技股份有限公司 | 一种游戏透视外挂检测的方法及游戏客户端 |
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 |
CN109464808A (zh) * | 2018-11-06 | 2019-03-15 | 网易(杭州)网络有限公司 | 检测游戏外挂的方法、装置和终端 |
CN109858549A (zh) * | 2019-01-30 | 2019-06-07 | 腾讯科技(深圳)有限公司 | 应用对象识别及其识别模型的训练方法、装置和介质 |
Non-Patent Citations (3)
Title |
---|
《In-game Card as Educational Reward (ICER) Moodle Plug-in: A Pilot Study》;Rita Kuo et al.;《ICTE 2018: Technology in Education. Innovative Solutions and Practices》;20180413;第65-76页 * |
《一种基于ELM的在线游戏外挂检测方法》;黄旭 等;《微型电脑应用》;20180615;第34卷(第4期);第1-4页 * |
《互联网游戏的作弊与反作弊研究》;石强;《电脑与信息技术》;20190514;第27卷(第2期);第23-26页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110765975A (zh) | 2020-02-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110765975B (zh) | 作弊行为的判定方法、装置、存储介质和计算机设备 | |
US11830230B2 (en) | Living body detection method based on facial recognition, and electronic device and storage medium | |
CN109999496B (zh) | 虚拟对象的控制方法、装置和电子装置 | |
CN108629180B (zh) | 异常操作的确定方法和装置、存储介质、电子装置 | |
CN108090561B (zh) | 存储介质、电子装置、游戏操作的执行方法和装置 | |
CN111814902A (zh) | 目标检测模型训练方法、目标识别方法、装置和介质 | |
CN110765923A (zh) | 一种人脸活体检测方法、装置、设备及存储介质 | |
CN109934197A (zh) | 人脸识别模型的训练方法、装置和计算机可读存储介质 | |
CN111738735B (zh) | 一种图像数据处理方法、装置和相关设备 | |
CN111744187B (zh) | 一种游戏数据处理方法、装置、计算机及可读存储介质 | |
CN111249742B (zh) | 一种作弊用户检测方法、装置、存储介质和电子设备 | |
CN113205057B (zh) | 人脸活体检测方法、装置、设备及存储介质 | |
CN112827168B (zh) | 一种目标跟踪的方法、装置及存储介质 | |
CN111035933B (zh) | 一种异常游戏检测方法、装置、电子设备及可读存储介质 | |
CN113837065A (zh) | 一种图像处理方法和装置 | |
CN112742029B (zh) | 一种模拟操作的方法、游戏测试的方法以及相关装置 | |
CN116229528A (zh) | 一种活体掌静脉检测方法、装置、设备及存储介质 | |
CN111491179B (zh) | 一种游戏视频剪辑方法和装置 | |
US11610081B2 (en) | Method for augmenting a training image base representing a print on a background by means of a generative adversarial network | |
CN109919890B (zh) | 一种应用于医药识别的数据增强方法 | |
CN112150464A (zh) | 一种图像检测方法、装置、电子设备及存储介质 | |
CN116757999A (zh) | 一种基于红外摄像机的射击计数与炸点识别方法 | |
CN115984439A (zh) | 一种伪装目标的三维对抗纹理生成方法和装置 | |
CN111437605B (zh) | 确定虚拟对象行为及托管虚拟对象行为的方法 | |
CN109446901B (zh) | 一种可嵌入式移植的实时人形目标自动识别算法 |
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 | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40022258 Country of ref document: HK |