CN111054080B - 智能检测透视外挂方法、装置、设备及其存储介质 - Google Patents

Abstract

本申请公开了一种透视外挂行为识别方法、装置、设备及其存储介质。该方法包括：获取游戏视频对应的图像帧序列，图像帧序列包括至少N个连续的游戏图像帧，N取值为大于1的自然数；确定每个游戏图像帧中的第一目标区域和第二目标区域；对第一目标区域和第二目标区域进行识别，得到游戏图像帧的关键信息；基于至少N个连续的游戏图像帧的关键信息，确定游戏视频是否存在透视外挂行为。根据本申请实施例的技术方案，通过识别连续多帧图像的关键信息的变化来获得检测结果，有效地缩短了视频检测的时间，提高了透视外挂检测的效率。

Description

智能检测透视外挂方法、装置、设备及其存储介质

技术领域

本申请一般互联网技术领域，尤其涉及智能检测透视外挂方法、装置、设备及其存储介质。

背景技术

在手机游戏市场逐渐扩大的背景下，对于游戏外挂问题一直是技术研究的方向。现有外挂识别，通常依赖人工审核，客服人员需要每天审核大量的游戏视频，这些视频中可能包括正常视频和外挂视频。每个视频的时长约5-10分钟，客服人员通常只有对每个视频都看完的基础上才能得出是否存在外挂行为，然而外挂行为的种类繁杂也给审核结果的准确性设置了障碍。利用人工智能技术，识别外挂行为成为新的研究方向。

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。

发明内容

鉴于现有技术中的上述缺陷或不足，期望提供一种智能检测透视外挂方法、装置、设备及其存储介质，来有效地提高透视外挂行为的检测效率。

第一方面，本申请实施例提供了一种智能检测透视外挂的方法，其包括以下步骤：

获取游戏视频对应的图像帧序列，该图像帧序列包括至少N个连续的游戏图像帧，N取值为大于1的自然数；

确定每个游戏图像帧中的第一目标区域和第二目标区域；

对第一目标区域和第二目标区域进行识别，得到游戏图像帧的关键信息；

基于至少N个连续的游戏图像帧的关键信息，确定游戏视频是否存在透视外挂行为。

第二方面，本申请实施例提供了一种智能检测透视外挂的装置，其包括：

获取单元，用于获取游戏视频对应的图像帧序列，该图像帧序列包括至少N个连续的游戏图像帧，N取值为大于1的自然数；

目标区域确定单元，用于确定每个游戏图像帧中的第一目标区域和第二目标区域；

关键信息识别单元，用于对第一目标区域和第二目标区域进行识别，得到游戏图像帧的关键信息；

透视外挂确定单元，用于基于至少N个连续的游戏图像帧的关键信息，确定游戏视频是否存在透视外挂行为。

第三方面，本申请实施例提供了一种计算机设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，该处理器执行该程序时实现如本申请实施例描述的方法。

第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序用于：

该计算机程序被处理器执行时实现如本申请实施例描述的方法。

本申请实施例提供的智能检测透视外挂方法、装置、设备及其存储介质，该方法通过获取游戏视频对应的图像帧序列；确定每个游戏图像帧中的第一目标区域和第二目标区域；并对第一目标区域和第二目标区域进行识别，得到游戏图像帧的关键信息；基于至少N个连续的游戏图像帧的关键信息，确定游戏视频是否存在透视外挂行为。通过从至少N个连续的游戏图像帧中获取关键信息来确定游戏视频是否存在透视外挂行为，有效地缩短了视频检测的时间，提高了外挂检测的效率，同时还提高了检测结果的准确度。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显。

图1示出了本申请实施例提供的智能检测透视外挂方法所涉及的实施环境的结构示意图；

图2示出了本申请实施例提供的智能检测透视外挂行为识别方法的流程示意图；

图3示出了本申请实施例提供的步骤103的流程示意图；

图4示出了本申请实施例提供的智能检测透视外挂方法的流程示意图；

图5示出了本申请实施例提供的对游戏图像帧进行预处理的原理示意图；

图6示出了本申请实施例提供的确定位置关系信息的原理示意图；

图7示出了本申请实施例提供的智能检测透视外挂方法的模型架构图；

图8示出了本申请实施例提供的ResNet模型结构的示意图；

图9示出了本申请实施例提供的智能检测透视外挂装置500的结构示意图；

图10示出了本申请实施例提供的智能检测透视外挂装置600的结构示意图；

图11示出了适于用来实现本申请实施例的终端设备或服务器的计算机系统的结构示意图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关公开，而非对该公开的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与公开相关的部分。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

技术术语：

透视外挂行为，是指利用作弊行为实现攻击对象在游戏过程中视野长时间持续聚焦在受击目标对象的行为。

下面先对本申请实施例提供的智能检测透视外挂方法所涉及的实施环境进行介绍。请参考图1，图1示出了本申请实施例提供的智能检测透视外挂方法所涉及的实施环境的结构示意图。如图1所示，该实施环境中包括多个终端11以及服务器12。其中，终端11的类型包括但不限于智能手机、台式电脑、笔记本电脑、平板电脑、可穿戴设备等，终端11上可以安装有各种应用程序，如游戏应用软件等，例如运行在智能手机上的游戏应用软件称为手游客户端。本申请实施例对应用场景中各个设备的数量不作具体限定。

在本申请实施例中，服务器12可以用于获取游戏视频对应的图像帧序列，游戏视频可以是服务器12从终端抓取或者录制的视频片段，也可以其他中转服务器发送给服务器12。服务器12可以自动地识别游戏视频是否存在透视外挂行为。服务器可以是一台独立的服务器、或由若干台服务器组成的服务器集群、或云计算中心。服务器能够为终端提供查询处理服务。服务器可以是应用程序的后台服务器，例如：服务器可以是中间服务器，终端可以通过应用程序与服务器进行交互，从而实现透视外挂行为的识别流程。终端可通过有线或无线方式与服务器进行交互。

本申请实施例提供的透视外挂行为识别方法，可以由透视外挂识别装置作为执行主体来执行。透视外挂识别装置可以集成在终端或服务器等计算机设备中，透视外挂识别装置可以是硬件也可以是软件模块。也可以由单一的终端或服务器执行，或者二者配合起来执行。终端也可以作为透视外挂行为识别方法的执行主体，例如对接收到其他终端传输或者服务器传输的游戏视频进行检测。

下面结合上述应用场景描述本申请实施例提供的智能检测透视外挂方法。请参考图2，图2示出了本申请实施例提供的智能检测透视外挂方法的流程示意图。该方法可以由智能检测透视外挂装置执行。

步骤101，获取游戏视频对应的图像帧序列，图像帧序列包括至少N个连续的图像帧，N取值为大于1的自然数；

步骤102，确定每个游戏图像帧中的第一目标区域和第二目标区域；

步骤103，对第一目标区域和第二目标区域进行识别，得到游戏图像帧的关键信息；

步骤104，基于至少N个连续的游戏图像帧的关键信息，确定游戏视频是否存在透视外挂行为。

在上述步骤中，游戏视频是指在游戏过程中获取的原始视频数据。游戏视频的获取方式可以是服务器控制录播功能从终端获取得到的，也可以是由中转服务器转发得到的。

将游戏视频处理成游戏图像帧可以将游戏视频输入到OpenCV工具，该工具可以将游戏视频逐帧进行拆分成游戏图像帧。OpenCV工具(英文全称：Open Source ComputerVision Library，开源计算机视觉库)是一个跨平台的计算机视觉库。OpenCV工具可以用于开发实时的图像处理、计算机视觉以及模式识别程序。该程序库也可以使用IPP(英文全称Intel Integrated Performance Primitives，平台软件函数库)进行加速处理。

在上述步骤中，第一目标区域是指开镜区域。第二目标区域是指子弹区域。开镜区域可以是联网射击类游戏中的瞄准镜的显示区域，也可以是运动类游戏中进球检测区域。子弹区域可以是联网射击类游戏中的子弹数量的显示区域，也可以是运动类游戏的运动物品数量的显示区域。

确定每一游戏图像帧的第一目标区域和第二目标区域，可以通过连通域标记方法，或者深度学习算法来从游戏图像帧中确定出第一目标区域和第二目标区域。深度学习算法，例如可以是R-CNN(英文缩写：Region with CNN features，带有CNN特征的区域)算法，SPP Net(英文缩写：Spatial Pyramid Pooling Layer Net，空间金字塔)算法等，优选地，Faster R-CNN(英文全称Faster Region-based Convolutional Neural Networks，优化的基于区域的卷积神经网络)。

在确定第一目标区域和第二目标区域之后，对第一目标区域和第二目标区域进行识别，得到每个游戏图像帧的关键信息。关键信息可以包括：目标对象与目标点的位置关系信息和数字信息。目标对象是指联网射击类游戏中的被射击者的虚拟人物，或者动物，或者其他的物体。目标点是指联网射击类游戏中射击者使用的瞄准镜的准心。数字信息是指联网射击类游戏中子弹数量信息。其中目标对象和目标点的位置关系信息是第一目标区域的关键信息，数字信息是第二目标区域的关键信息。

识别第一目标区域和第二目标区域的关键信息可以通过R-CNN(英文缩写：Regionwith CNN features，带有CNN特征的区域)算法，SPP Net(英文缩写：Spatial PyramidPooling Layer Net，空间金字塔)算法，Faster R-CNN(英文全称Faster Region-basedConvolutional Neural Networks，优化的基于区域的卷积神经网络)，ResNet(英文全称Residual Network，深度残差网络)算法，霍夫变换算法，欧式距离计算方法等，或者这些算法的组合方式。

在确定每一游戏图像帧的两个关键信息之后，通过对N个连续的游戏图像帧的关键信息进行分析，连续的游戏图像帧呈现出的不同的变化趋势可以用于识别游戏视频是否存在透视外挂行为。两个关键信息的变化包括以下几种情况：

第一种：第一目标区域的关键信息和第二目标区域的关键信息都符合判断条件。即N个连续的游戏图像帧中第一目标区域的关键信息保持不变，第二目标区域的关键信息保持不变，则说明第一目标区域对应的游戏操作者使用了透视外挂行为。

第二种：第一目标区域的关键信息符合判断条件，第二目标区域的关键信息不符合判断条件。即N个连续的游戏图像帧中第一目标区域的关键信息保持不变，第二目标区域的关键信息呈递减趋势，则说明第一目标区域对应的游戏操作者在射击，其未使用透视外挂行为。

第三种：第一目标区域的关键信息和第二目标区域的关键信息都不符合判断条件，则重新获取下一组游戏图像帧进行检测，即通过滑动窗口获取的新的N个连续的游戏图像帧。

本申请实施例，通过对识别游戏图像帧中包含的多个关键信息，并基于多个关键信息在连续多帧中呈现的变化关系，来确定游戏视频是否存在透视外挂行为。通过该方式可以极大地减少人工审核视频的时间，提高了视频检测的效率。

可选地，在处理游戏视频得到多个连续的游戏图像帧之后，对每个游戏图像帧进行如下处理：

对游戏图像帧进行像素填充，以满足预定的全局长宽比，该全局长宽比是根据全局分辨率确定的。像素填充处理可以是在游戏图像帧周围填充白色像素使得游戏图像帧符合统一的长宽比，即全局长宽比，如图5所示的图片填充部分，填充255的像素值。

在像素填充处理后，根据全局长宽比和比例因子对像素填充后的游戏图像帧进行缩小处理得到目标图像帧，该目标图像帧的长宽比等于全局长宽比乘以比例因子。

根据全局长宽比和比例因子对像素填充后的游戏图像帧进行缩小处理得到目标图像帧，假设全局长宽比为16:9，比例因子为1/4，则目标图像帧的长宽比为16*1/4:9*1/4。

如果目标图像帧中某个像素点的第一坐标值(x₀,y₀)，根据第一坐标值在像素填充处理后的游戏图像帧中查找对应像素点的第二坐标值应该为(x₀/4,y₀/4)。但是，这样的第二坐标值可能是不存在的，该结果可能是浮值。因此，需要对第二坐标值(x₀/4,y₀/4)进行取整处理，得到四个与第二坐标值(x₀/4,y₀/4)相关的第三坐标值；

然后，基于四个第三坐标值按照双线性插值算法，计算得到新的第二坐标值，将与该新的第二坐标值对应的像素点作为目标图像帧中与坐标值(x₀,y₀)对应的像素点。

其中，全局长宽比是根据全局分辨率确定的。全局分辨率则是对大量的视频样本进行统计分析得到。其中视频样本数量最多的分辨率作为全局分辨率。

其中，比例因子可以优选为1/4。

下面结合图5描述游戏视频的预处理过程。如图5所示，图5示出了本申请实施例提供的对游戏图像帧进行预处理的原理示意图。将游戏视频输入到OpenCV工具后，输出多个游戏图像帧，即完成图像帧的分解动作。然后，对每个游戏图像帧进行像素填充处理，具体根据预定的全局长宽比对每个游戏图像帧进行像素填充处理，如图5所示，图像帧进行填充以使得每个游戏图像帧都满足统一的全局长宽比。

在进行像素填充之后，再对每一游戏图像帧进行按比例因子缩放处理。优选地，比例因子为1/4。具体地，ImgFeature1至ImgFeatureN都是缩放后的目标图像帧。按比例进行缩放得到多个处理后的游戏图像帧，也可以称为图像特征图。

考虑到现有技术的图片缩放会导致图像帧相对位置的改变，为克服该问题，本申请实施例通过对像素填充后的图像按比例因子进行缩小，来保证游戏图像帧的完整性和精确性，从而提高检测结果的精确度。

下面结合图3说明步骤103的操作过程。请参考图3，图3示出了本申请实施例提供的步骤103的流程示意图。步骤103可以包括：

步骤1031，从游戏图像帧中提取第一目标区域图像和第二目标区域图像；

步骤1032，提取第一目标区域图像中目标对象与目标点的位置关系信息；

步骤1033，提取第二目标区域图像中的数字信息。

在上述步骤中，优选地从每个游戏图像帧中提取第一目标区域图像和第二目标区域图像，例如可以通过Faster R-CNN算法从每个游戏图像帧中抽取出第一目标区域图像和第二目标区域图像。再通过对第一目标区域图像进行分析处理得到目标对象与目标点之间的位置关系信息。通过对第二目标区域图像进行分析处理得到数字信息。其中位置关系信息，例如是目标对象的中心点与目标点之间的关系。

可选地，步骤1032可以包括：

确定第一目标区域图像中的目标点信息和包含目标对象的目标子区域；

确定该目标子区域的中心点信息；

根据目标点信息和中心点信息，确定目标对象与目标点的位置关系信息。

在上述步骤中，第一目标区域图像中的目标点信息为瞄准镜的准心位置。例如，可以使用霍夫变换算法从第一目标区域图像中得到瞄准镜的准心位置的坐标，如图6(b)所示的中心点位置。霍夫变换是图像处理技术中的一种特征提取方法，在一个参数空间中通过计算累计结果的局部最大值得到一个符合该特定形状的集合作为霍夫变换的结果。

第一目标区域图像中包含目标对象的目标子区域，如图6(a)所示的在瞄准镜的区域范围内出现的包含目标对象的目标子区域。确定目标子区域的中心点信息，即可以确定目标对象的中心点位置。

通过确定第一目标区域图像中瞄准镜的中心点位置(准心)和第一目标区域图像中目标对象的中心点信息可以确定瞄准镜的准心与目标对象的中心点位置(被射击的虚拟形象的中心)之间的位置关系信息。

优选地，位置关系信息可以包括目标点周围属于目标对象的像素点数量，则根据目标点信息和中心点信息，确定目标对象与目标点的位置关系信息，可以包括：

根据目标点信息和中心点信息，确定第一目标区域图像中的目标点和目标子区域的中心点之间的距离信息；

当距离信息满足像素点统计条件时，基于目标点信息和第一目标区域图像中的像素信息，确定目标点周围属于目标对象的像素点数量。

上述步骤中，通过计算第一目标区域图像中的目标点信息和目标子区域的中心点信息之间的欧式距离作为距离信息，并在距离信息满足像素点统计条件时，确定目标点周围属于目标对象的像素点数量。

以联网射击游戏为例，请参考图6，图6示出了本申请实施例提供的确定位置关系信息的原理示意图。

如图6所示，图6(a)图表示将第一目标区域图像(即开镜区域图像)，图中显示的检测框对应目标对象的目标子区域。目标子区域的中心点坐标值为(x1，y1)。

利用霍夫变换在第一目标区域图像中找到的目标点的坐标，坐标值为(x2，y2)。

根据两个坐标值计算两个坐标值之间的欧式距离，即目标子区域的中心点信息与开镜区域目标点信息的相对距离。计算公式如下：

获取欧式距离的最小目标子区域的中心点信息，该中心点信息用于表示距离目标点距离最近的目标对象。

图6(c)是根据欧式距离查找到的目标对象后，根据目标对象的像素点数量进行判断，以确定目标点周围属于目标对象的像素点数量。即计算瞄准镜准心附近的像素点数量是否到阈值。像素点数量可是根据像素点的颜色来区分，例如目标对象是用黄色像素点标识的，则统计黄色像素点的数量。在黄色像素点数量达到阈值时，认为目标对象在瞄准镜的准心位置范围内，在未达到阈值时，则认为目标对象不在瞄准镜的准心位置范围内。

下面以Faster R-CNN算法为例，对每个游戏图像帧进行抽取得到第一目标区域图像和第二目标区域图像，并继续用Faster R-CNN算法对第一目标区域图像进行识别得到目标子区域和目标子区域的中心点信息，即包含目标对象的检测框对应的区域的中心点位置。然后，利用霍夫变换算法对第一目标区域图像进行处理得到第一目标区域的目标点信息，然后可以根据中心点信息和目标点信息确定它们之间的位置信息关系。优选地，通过目标点周围属于目标对象的像素点数量来作为目标点信息和中心点信息之间的位置关系信息。

在处理第一目标区域图像时，还可以利用ResNet算法从第二目标区域图像中获取关键信息。其中，ResNet算法对应的结构，如图8所示。图8示出了本申请实施例提供的ResNet模型结构的示意图。深度残差网络是在VGG19(英文全称Visual Geometry Group，视觉几何学小组，19是网络深度)基础上，通过短路机制加入了残差单元，使用stride＝2的卷积做下采样，并用全局平均池化层(英文全称Global Average Pooling)替代了全连接层。其可以将最后一层的特征图进行整张图的一个均值池化，得到一个特征点，最后，将这些特征点组成最后的特征向量。

本申请通过上述方法确定目标对象和目标点的位置关系信息作为关键信息，其提高了关键信息识别的准确性，有助于提升透视外挂行为识别的精准度。

下面请参考图4，图4示出了本申请实施例提供的智能检测透视外挂方法的流程示意图。该方法可以由透视外挂行为识别装置执行，包括：

步骤401，获取游戏视频对应的图像帧序列。

步骤402，通过滑动窗口截取图像帧序列中N个连续的图像帧，N取值为大于1的自然数；

步骤403，对每个游戏图像帧提取第一目标区域图像和第二目标区域图像；

步骤404，对第一目标区域图像进行识别，得到目标对象与目标点的位置关系信息，对第二目标区域图像进行识别，得到数量信息；

步骤405，判断至少N个连续的游戏图像帧中的目标对象与目标点的位置关系信息是否一致(即每一个游戏图像帧中被射击对象都在在瞄准镜的准心上的状态)；

步骤406，若是，判断至少N个连续的游戏图像帧的数量信息是否保持不变(即每一个游戏图像帧中子弹数量都是相同的，保持不变的状态)。

经过上述流程，判定结论若为是，则确定游戏视频中存在透视外挂行为。若为否，则重新获取至少N个连续的图像帧。

上述步骤405和步骤406的顺序可以调整，先执行步骤406后执行步骤405。也可以同步执行步骤405和步骤406以节省处理时间。

本申请实施例，通过连续多帧的关键参数的变化来识别透视外挂行为，有效地提高识别结果的准确性。

为了更清楚地理解本申请提供的实施方式。下面以联网射击游戏为例，结合图7详细描述透视外挂行为识别方法整个操作流程。请参考图7，图7示出了本申请实施例提供的智能检测透视外挂方法的模型架构图。

将游戏视频输入到输入层，经过输入层的处理，输出图像帧序列。该图像帧序列包括多个游戏图像帧。对输入层的处理如图5所示。

每个游戏图像帧ImgFeature输入到Faster_Rcnn_Scope model，该模型是基于Faster R-CNN算法预先训练构建的图像检测模型，经过Faster_Rcnn_Scope model的图像检测处理后，输出Cls_prob表示类别信息，Bbox_pred表示开镜区域对应的检测框和子弹区域对应的检测框，特征提取层Feature Extraction根据类别信息和区域值判断出对应的区域范围，从而提取出子弹区域图像Bullets_number和开镜区域图像scope_feature。然后，分别对子弹区域图像Bullets_number和开镜区域图像scope_feature进行图像识别处理。

将开镜区域图像分两个分支进行处理，一个分支输入到Faster_Rcnn_Personmodel进行处理，输出Cls_prob和Bbox_pred。其中，Cls_prob表示类别信息，Bbox_pred表示目标对象对应的检测框。一个分支对开镜区域图像scope_feature进行霍夫变换Hough_Transform，找到开镜区域图像的中心位置。本申请实施例中通过Faster_Rcnn_Personmodel可以对开镜区域图像scope_feature中出现的隐藏人物和虚拟人物进行识别得到目标对象的中心位置的坐标值，结合霍夫变换处理得到开镜区域图像的中心位置可以确定开镜区域图像的中心位置与目标对象的位置关系信息。

将子弹区域图像Bullets_number输入到Resnet_Bullets model进行处理，输出子弹数量。

在得到位置关系信息和子弹数量之后，基于融合层的判断来识别游戏视频是否为透视外挂行为。融合层的判断如图6所示，图6示出了获取连续N个游戏图像帧，对每个游戏图像帧获取得到子弹数量，目标对象是否在准心上的位置关系信息，基于位置关系信息和子弹数量的变化关系输出被检测的游戏视频是否存在透视外挂行为。上述模型可以优选地，选择Faster_R_CNN_Resnet101模型来进行图像检测。其可以获得准确率为0.936，F1值为0.957的高准确性。

本申请实施例，通过连续多帧的关键信息的变化，来识别透视外挂行为，有效地提高识别结果的准确性。

应当注意，尽管在上述附图中以特定顺序描述了本公开方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。相反，流程图中描绘的步骤可以改变执行顺序。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。

上述方法步骤可以由与其对应的装置来执行，参考图9，图9示出了本申请实施例提供的智能检测透视外挂装置500的结构示意图。

该装置500包括：

图像帧获取单元501，用于获取游戏视频对应的图像帧序列，该图像帧序列包括至少N个连续的图像帧，N取值为大于1的自然数；

目标区域确定单元502，用于确定每个游戏图像帧中的第一目标区域和第二目标区域；

关键信息识别单元503，用于对第一目标区域和第二目标区域进行识别，得到游戏图像帧的关键信息。

透视外挂确定单元504，用于基于至少N个连续的游戏图像帧的关键信息，确定游戏视频是否存在透视外挂行为。

参考图10，图10示出了本申请实施例提供的智能检测透视外挂装置600的结构示意图。

图像帧获取单元601，用于获取游戏视频对应的图像帧序列，该图像帧序列包括至少N个连续的图像帧，N取值为大于1的自然数。

目标区域提取单元602，用于从游戏图像帧中提取第一目标区域图像和第二目标区域图像；

位置关系提取单元603，用于提取第一目标区域图像中目标对象与目标点的位置关系信息；

数字信息提取单元604，提取第二目标区域图像中的数字信息。

透视外挂确定单元605，用于基于至少N个连续的游戏图像帧的位置关系信息和数字信息，确定游戏视频是否存在透视外挂行为。

位置关系提取单元603，还可以包括：

第一确定子单元，用于确定第一目标区域图像中的目标点信息和包含目标对象的目标子区域；

第二确定子单元，用于确定目标子区域的中心点信息；

第三确定子单元，用于根据目标点信息和中心点信息，确定目标对象与目标点的位置关系信息。

透视外挂确定单元604还用于：基于至少N个连续的游戏图像帧的关键信息，确定每个游戏图像帧中目标点周围属于目标对象的像素点数量大于预设数量，且第二目标区域图像中的数字信息不变，则判定游戏视频存在透视外挂行为

图像帧获取单元601，还包括：

分帧处理子单元，用于处理游戏视频得到多个连续的游戏图像帧；

填充缩放处理子单元，用于对每个游戏图像帧执行如下处理：

对游戏图像帧进行像素填充，以使得游戏图像帧满足预定的全局长宽比，该全局长宽比是根据全局分辨率确定的。

在像素填充处理之后，根据全局长宽比和比例因子确定目标图像帧的长宽比；

确定目标图像帧中待确定的像素点的第一坐标值，根据第一坐标值确定与目标图像帧相对应的像素填充处理后的游戏图像帧中的第二坐标值，第二坐标值是基于第一坐标值计算得到的；

对第二坐标值进行取整处理，得到四个与第二坐标值相关的第三坐标值；

基于四个第三坐标值按照双线性插值算法，计算得到新的第一坐标值，该新的第一坐标值为四个第三坐标值在目标图像帧中的映射位置。

图像帧获取单元601，还包括：

帧序列提取子单元，用于通过设置的滑动窗口从经过处理后的多个游戏图像帧中提取至少N个连续的游戏图像帧作为图像帧序列。

应当理解，装置500，600中记载的诸单元或模块与参考图2描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作和特征同样适用于装置500，600及其中包含的单元，在此不再赘述。装置500，600中的相应单元可以与电子设备中的单元相互配合以实现本申请实施例的方案。

在上文详细描述中提及的若干模块或者单元，这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。

下面参考图11，图11示出了适于用来实现本申请实施例的终端设备或服务器的计算机系统800的结构示意图。

如图11所示，计算机系统800包括中央处理单元(CPU)801，其可以根据存储在只读存储器(ROM)802中的程序或者从存储部分808加载到随机访问存储器(RAM)803中的程序而执行各种适当的动作和处理。在RAM803中，还存储有系统800操作所需的各种程序和数据。CPU 801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。

以下部件连接至I/O接口805：包括键盘、鼠标等的输入部分806；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分807；包括硬盘等的存储部分808；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分809。通信部分809经由诸如因特网的网络执行通信处理。驱动器810也根据需要连接至I/O接口805。可拆卸介质811，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器810上，以便于从其上读出的计算机程序根据需要被安装入存储部分808。

特别地，根据本公开的实施例，上文参考流程图图2-4描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在机器可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分809从网络上被下载和安装，和/或从可拆卸介质811被安装。在该计算机程序被中央处理单元(CPU)801执行时，执行本申请的系统中限定的上述功能。

需要说明的是，本公开所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，前述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本申请实施例中所涉及到的单元或模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元或模块也可以设置在处理器中，例如，可以描述为：一种处理器包括获取单元、关键信息识别单元以及关系识别确定单元。其中，这些单元或模块的名称在某种情况下并不构成对该单元或模块本身的限定，例如，获取单元还可以被描述为“用于获取游戏视频对应的图像帧序列的单元”。

作为另一方面，本申请还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中的。上述计算机可读存储介质存储有一个或者多个程序，当上述前述程序被一个或者一个以上的处理器用来执行描述于本申请的透视外挂行为识别方法。

以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离前述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (10)

1.一种智能检测透视外挂的方法，其特征在于，其包括以下步骤：

获取游戏视频对应的图像帧序列，所述图像帧序列包括至少N个连续的游戏图像帧，N取值为大于1的自然数；

确定每个所述游戏图像帧中的第一目标区域图像和第二目标区域图像；

分别对所述第一目标区域图像和所述第二目标区域图像进行识别，得到所述游戏图像帧的两个关键信息；

基于所述至少N个连续的游戏图像帧的关键信息的变化趋势，确定所述游戏视频是否存在透视外挂行为。

2.根据权利要求1所述的方法，其特征在于，所述关键信息包括目标对象与目标点的位置关系信息和数字信息；所述分别对所述第一目标区域图像和所述第二目标区域图像进行识别，得到所述游戏图像帧的关键信息，包括：

从所述游戏图像帧中提取所述第一目标区域图像和所述第二目标区域图像；

提取所述第一目标区域图像中目标对象与目标点的位置关系信息；

提取所述第二目标区域图像中的数字信息。

3.根据权利要求2所述的方法，其特征在于，所述提取所述第一目标区域图像中目标对象与目标点的位置关系信息，包括：

确定所述第一目标区域图像中的目标点信息和包含目标对象的目标子区域；

确定所述目标子区域的中心点信息；

根据所述目标点信息和所述中心点信息，确定所述目标对象与所述目标点的位置关系信息。

4.根据权利要求3所述的方法，其特征在于，所述位置关系信息包括目标点周围属于所述目标对象的像素点数量；所述根据所述目标点信息和所述中心点信息，确定所述目标对象与所述目标点的位置关系信息，包括：

根据所述目标点信息和所述中心点信息，确定所述第一目标区域图像中的目标点和所述目标子区域的中心点之间的距离信息；

当所述距离信息满足像素点统计条件时，基于所述目标点信息和所述第一目标区域图像中的像素信息，确定所述目标点周围属于所述目标对象的像素点数量。

5.根据权利要求4所述的方法，其特征在于，所述基于所述至少N个连续的游戏图像帧的关键信息的变化趋势，确定所述游戏视频是否存在透视外挂行为，包括：

基于所述至少N个连续的游戏图像帧的关键信息，确定每个所述游戏图像帧中所述目标点周围属于所述目标对象的像素点数量大于预设数量，且所述第二目标区域图像中的数字信息不变，则判定所述游戏视频存在透视外挂行为。

6.根据权利要求1所述的方法，其特征在于，所述获取游戏视频对应的图像帧序列，还包括：

处理所述游戏视频得到多个连续的游戏图像帧；

对每个所述游戏图像帧执行如下处理：

对所述游戏图像帧进行像素填充，以使得所述游戏图像帧满足预定的全局长宽比，该全局长宽比是根据全局分辨率确定的；

在像素填充处理之后，根据所述全局长宽比和比例因子对所述像素填充后的游戏图像帧进行缩小处理得到目标图像帧。

7.根据权利要求6所述的方法，其特征在于，所述获取游戏视频对应的图像帧序列，还包括：

通过设置的滑动窗口从经过处理后的多个游戏图像帧中提取至少N个连续的游戏图像帧作为所述图像帧序列。

8.一种智能检测透视外挂的装置，其特征在于，其包括：

获取单元，用于获取游戏视频对应的图像帧序列，所述图像帧序列包括至少N个连续的游戏图像帧，N取值为大于1的自然数；

目标区域确定单元，用于确定每个所述游戏图像帧中的第一目标区域图像和第二目标区域图像；

关键信息识别单元，用于分别对所述第一目标区域图像和所述第二目标区域图像进行识别，得到所述游戏图像帧的两个关键信息；

透视外挂确定单元，用于基于所述至少N个连续的游戏图像帧的关键信息的变化趋势，确定所述游戏视频是否存在透视外挂行为。

9.一种计算机设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7中任一项所述的方法。

10.一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述的方法。

Images