CN111191542B - 虚拟场景中的异常动作识别方法、装置、介质及电子设备 - Google Patents

虚拟场景中的异常动作识别方法、装置、介质及电子设备 Download PDF

Info

Publication number
CN111191542B
CN111191542B CN201911325052.5A CN201911325052A CN111191542B CN 111191542 B CN111191542 B CN 111191542B CN 201911325052 A CN201911325052 A CN 201911325052A CN 111191542 B CN111191542 B CN 111191542B
Authority
CN
China
Prior art keywords
target object
video frames
video
stream data
target
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
Application number
CN201911325052.5A
Other languages
English (en)
Other versions
CN111191542A (zh
Inventor
王翔宇
雷植程
段建波
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tencent Technology Shenzhen Co Ltd
Original Assignee
Tencent Technology Shenzhen Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tencent Technology Shenzhen Co Ltd filed Critical Tencent Technology Shenzhen Co Ltd
Priority to CN201911325052.5A priority Critical patent/CN111191542B/zh
Publication of CN111191542A publication Critical patent/CN111191542A/zh
Application granted granted Critical
Publication of CN111191542B publication Critical patent/CN111191542B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/20—Movements or behaviour, e.g. gesture recognition
    • 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
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Psychiatry (AREA)
  • Social Psychology (AREA)
  • Human Computer Interaction (AREA)
  • Business, Economics & Management (AREA)
  • Computer Security & Cryptography (AREA)
  • General Business, Economics & Management (AREA)
  • Image Analysis (AREA)

Abstract

本申请的实施例提供了一种虚拟场景中的异常动作识别方法、装置、介质及电子设备。该异常动作识别方法包括：获取虚拟场景的视频流数据；从所述视频流数据中提取出目标对象处于指定状态的目标视频帧；根据从所述视频流数据中提取出的所述目标视频帧，识别所述目标对象的动作变化情况；基于所述目标对象的动作变化情况，确定所述目标对象在所述虚拟场景中是否存在异常动作。本申请实施例的技术方案可以降低虚拟场景中异常动作的检测难度，并且提高异常动作的检测效率。

Description

虚拟场景中的异常动作识别方法、装置、介质及电子设备
技术领域
本申请涉及计算机及通信技术领域，具体而言，涉及一种虚拟场景中的异常动作识别方法、装置、介质及电子设备。
背景技术
策略类游戏的外挂(外挂一般指通过修改游戏数据而为玩家谋取利益的作弊程序或软件)一直很猖獗，相关技术中提出的人物加速的检测方案主要是通过客户端发送到服务端的数据来进行检测，这种数据往往会被外挂篡改；另外一方面，由于存储容量的限制，也无法实时记录玩家在游戏中的移动速度，从而导致这类外挂无法被发现。
发明内容
本申请的实施例提供了一种虚拟场景中的异常动作识别方法、装置、介质及电子设备，进而至少在一定程度上可以降低虚拟场景中异常动作的检测难度，并且提高异常动作的检测效率。
本申请的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本申请的实践而习得。
根据本申请实施例的一个方面，提供了一种虚拟场景中的异常动作识别方法，包括：获取虚拟场景的视频流数据；从所述视频流数据中提取出目标对象处于指定状态的目标视频帧；根据从所述视频流数据中提取出的所述目标视频帧，识别所述目标对象的动作变化情况；基于所述目标对象的动作变化情况，确定所述目标对象在所述虚拟场景中是否存在异常动作。
根据本申请实施例的一个方面，提供了一种虚拟场景中的异常动作识别装置，包括：获取单元，配置为获取虚拟场景的视频流数据；提取单元，配置为从所述视频流数据中提取出目标对象处于指定状态的目标视频帧；识别单元，配置为根据从所述视频流数据中提取出的所述目标视频帧，识别所述目标对象的动作变化情况；处理单元，配置为基于所述目标对象的动作变化情况，确定所述目标对象在所述虚拟场景中是否存在异常动作。
在本申请的一些实施例中，基于前述方案，所述提取单元配置为：在所述视频流数据中识别出所述目标对象处于所述指定状态的目标时间段；从所述视频流数据中提取出处于所述目标时间段内的视频帧，并将提取出的视频帧作为所述目标对象处于所述指定状态的视频帧。
在本申请的一些实施例中，基于前述方案，所述提取单元配置为：在所述视频流数据中识别出所述目标对象处于非指定状态的时间段；将所述视频流数据中除所述非指定状态的时间段之外的其它时间段作为所述目标时间段。
在本申请的一些实施例中，基于前述方案，所述非指定状态包括乘坐载具的状态，其中，若所述目标对象处于乘坐载具的状态，则对应视频帧的第一位置处显示有乘坐载具的标识信息；所述提取单元配置为：根据所述视频流数据中的各个视频帧在所述第一位置处的图像是否包含有所述标识信息，确定所述各个视频帧中的目标对象是否处于所述乘坐载具的状态；基于所述各个视频帧中的目标对象是否处于所述乘坐载具的状态，在所述视频流数据中确定所述目标对象处于所述非指定状态的时间段。
在本申请的一些实施例中，基于前述方案，所述提取单元配置为：将所述各个视频帧输入至二分类模型中，所述二分类模型用于识别视频帧的所述第一位置处的图像是否包含有所述标识信息；根据所述二分类模型的输出结果，确定所述各个视频帧中的目标对象是否处于所述乘坐载具的状态。
在本申请的一些实施例中，基于前述方案，若所述视频流数据中包含的视频帧的第二位置处显示有虚拟对象的状态栏，则所述提取单元配置为：识别所述视频流数据中的各个视频帧在所述第二位置处的图像所包含的状态标识，根据所述状态标识确定所述各个视频帧中的目标对象是否处于所述非指定状态；基于所述各个视频帧中的目标对象是否处于所述非指定状态，在所述视频流数据中确定所述目标对象处于所述非指定状态的时间段。
在本申请的一些实施例中，基于前述方案，所述提取单元配置为：将所述各个视频帧输入至预训练的机器学习模型中，所述预训练的机器学习模型用于识别视频帧的所述第二位置处的图像所包含的状态标识；根据所述预训练的机器学习模型的输出结果，确定所述各个视频帧中的目标对象是否处于所述非指定状态。
在本申请的一些实施例中，基于前述方案，所述识别单元配置为：从所述目标视频帧中抽取视频帧，并按照抽取出的视频帧的时间先后顺序进行划分得到至少两组视频帧，各组视频帧中包含有两个视频帧，识别所述目标对象在所述各组视频帧中的动作变化情况；所述处理单元配置为：根据所述目标对象在所述各组视频帧中的动作变化情况，确定所述目标对象在所述虚拟场景中是否存在异常动作。
在本申请的一些实施例中，基于前述方案，所述指定状态包括徒步状态；所述识别单元配置为：识别所述目标对象在所述各组视频帧所包含的两个视频帧之间的移动距离；
所述处理单元配置为：根据所述目标对象在所述各组视频帧所包含的两个视频帧之间的移动距离，计算所述目标对象在n1个组的视频帧之间的平均移动距离，n1≥1；若所述平均移动距离超过预定阈值，则确定在所述虚拟场景检测到所述目标对象存在疑似异常动作，当检测到所述目标对象存在疑似异常动作的次数达到设定次数时，确定所述目标对象在所述虚拟场景存在异常动作。
在本申请的一些实施例中，基于前述方案，所述识别单元配置为：提取所述各组视频帧所包含的两个视频帧中的特征点；基于所述两个视频帧中的特征点对所述两个视频帧进行特征匹配，以确定所述两个视频帧中相匹配的目标特征点对；根据所述目标特征点对在所述两个视频帧中的位置，计算所述目标特征点对在所述两个视频帧之间的位置变化量；基于所述目标特征点对在所述两个视频帧之间的位置变化量，确定所述目标对象在所述各组视频帧所包含的两个视频帧之间的移动距离。
在本申请的一些实施例中，基于前述方案，所述识别单元配置为：基于所述两个视频帧的特征点对所述两个视频帧进行特征匹配，以在所述两个视频帧中确定相匹配的至少一对特征点；将所述两个视频帧以各对特征点为基准进行叠加，并将所述两个视频帧叠加后的重叠区域作为所述各对特征点对应的重叠区域；计算所述两个视频帧在所述各对特征点对应的重叠区域中的像素差值，以作为所述各对特征点对应的像素差值；将对应的像素差值最小的一对特征点作为所述目标特征点对。
在本申请的一些实施例中，基于前述方案，在所述视频流数据中的视频帧包含有缩略地图的情况下，所述识别单元配置为：提取所述两个视频帧中的所述缩略地图所在区域内的特征点。
根据本申请实施例的一个方面，提供了一种计算机可读介质，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上述实施例中所述的虚拟场景中的异常动作识别方法。
根据本申请实施例的一个方面，提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如上述实施例中所述的虚拟场景中的异常动作识别方法。
在本申请的一些实施例所提供的技术方案中，通过获取虚拟场景的视频流数据，从该视频流数据中提取出目标对象处于指定状态的目标视频帧，然后根据提取出的目标视频帧识别目标对象的动作变化情况，以基于目标对象的动作变化情况确定目标对象在虚拟场景中是否存在异常动作，使得能够基于虚拟场景的视频流数据中所包含的视频帧来对目标对象的异常动作进行检测，不仅降低了虚拟场景中异常动作的检测难度，而且能够提高异常动作的检测效率。
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，并不能限制本申请。
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，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：
图1A和图1B示出了可以应用本申请实施例的技术方案的示例性系统架构的示意图；
图2示出了根据本申请的一个实施例的虚拟场景中的异常动作识别方法的流程图；
图3示出了根据本申请的一个实施例的从视频流数据中提取出目标对象处于指定状态的视频帧的流程图；
图4示出了根据本申请的一个实施例的识别目标对象在各组视频帧所包含的两个视频帧之间的移动距离的流程图；
图5示出了根据本申请的一个实施例的游戏场景中的异常动作识别方法的流程图；
图6示出了根据本申请的一个实施例的游戏场景画面中显示的任务状态栏的示意图；
图7示出了根据本申请的一个实施例的小地图中特征点的匹配过程示意图；
图8示出了根据本申请的一个实施例的在检测到异常点时的界面示意图；
图9示出了根据本申请的一个实施例的虚拟场景中的异常动作识别装置的框图；
图10示出了适于用来实现本申请实施例的电子设备的计算机系统的结构示意图；
图11示出了根据本申请的一个实施例的图片预定位置处乘坐载具与未乘坐载具的示意图；
图12示出了根据本申请的一个实施例的各种状态栏的示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本申请将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。
此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本申请的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本申请的技术方案而没有特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本申请的各方面。
附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。
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(Nature Language processing，NLP)技术以及机器学习/ 深度学习等几大方向。
图1A和图1B示出了可以应用本申请实施例的技术方案的示例性系统架构的示意图。
如图1A所示，系统架构可以包括多个(“多个”在本申请的实施例中理解为至少两个)终端设备101(终端设备101可以是如图1A中所示智能手机，或者也可以是平板电脑、便携式计算机、台式计算机等等)、网络 102和服务器103。网络102用以在终端设备和服务器103之间提供通信链路的介质，网络102可以包括各种连接类型，例如有线通信链路、无线通信链路等等。应该理解，图1中的终端设备101和服务器103的数目仅仅是示意性的，根据实现需要，可以具有任意数目的终端设备101和服务器 103，比如服务器103可以是多个服务器组成的服务器集群等。
在本申请的一个实施例中，终端设备101上可以运行有应用程序以生成虚拟场景，比如可以运行游戏应用来生成游戏场景。多个终端设备101 可以运行相同的游戏应用，并且在不同终端设备上操作的玩家可以处于同一个游戏对局中，各个终端设备之间的游戏数据通过网络102和服务器 103进行交互，此时服务器103可以是游戏服务器。
可选地，服务器103可以获取到终端设备101上运行的虚拟场景的视频流数据，然后从该视频流数据中提取出目标对象处于指定状态的目标视频帧，并根据该目标视频帧识别目标对象的动作变化情况，进而基于目标对象的动作变化情况，确定目标对象在虚拟场景中是否存在异常动作。其中，异常动作是相对于正常动作而言的，比如目标对象正常移动的最大速度为V1，假设某个对象的移动速度超过了V1，那么说明该对象的移动过程异常。
比如，服务器103可以获取到游戏场景的视频流数据，然后从中提取出某个游戏角色在徒步状态的视频帧，并根据该游戏角色在徒步状态的视频帧识别出该游戏角色的移动情况，进而确定该游戏角色在游戏场景中是否存在移动加速的问题。
在图1B所示的系统架构中，相比于图1A所示的系统架构，增设了另一服务器104，对于游戏场景而言，服务器103可以是游戏服务器，而服务器104可以是用于分析游戏角色在游戏场景中是否存在异常动作的服务器。具体而言，服务器104可以从服务器103中获取到游戏场景的视频流数据，然后从中提取出某个游戏角色在徒步状态的视频帧，并根据该游戏角色在徒步状态的视频帧识别出该游戏角色的移动情况，进而确定该游戏角色在游戏场景中是否存在移动加速的问题。
以下对本申请实施例的技术方案的实现细节进行详细阐述：
图2示出了根据本申请的一个实施例的虚拟场景中的异常动作识别方法的流程图，该虚拟场景中的异常动作识别方法可以由处理器来执行，该处理器可以是服务器内的处理器，也可以是终端设备内的处理器。参照图 2所示，该虚拟场景中的异常动作识别方法至少包括步骤S210至步骤 S240，详细介绍如下：
在步骤S210中，获取虚拟场景的视频流数据。
在本申请的一个实施例中，虚拟场景可以是应用程序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三维环境，还可以是纯虚构的三维环境，虚拟环境可以是二维虚拟环境、2.5维虚拟环境和三维虚拟环境中的任意一种。
虚拟场景中的虚拟对象可以是虚拟环境中的虚拟人物、虚拟动物、动漫人物等，比如：在三维虚拟环境中显示的人物、动物、植物、油桶、墙壁、石块等。可选地，虚拟对象可以是基于动画骨骼技术创建的三维立体模型，每个虚拟对象在三维虚拟环境中具有自身的形状和体积，占据三维虚拟环境中的一部分空间。
可选地，虚拟场景可以是虚拟现实应用程序、三维地图程序、军事仿真程序、第一人称射击游戏(First-Person Shooting game，FPS)、多人在线战术竞技游戏(MultiplayerOnline Battle Arena Games，MOBA)等应用对应的虚拟环境。其中，游戏应用对应的虚拟环境往往是由一个或多个游戏世界的地图构成，游戏中的虚拟环境模拟现实世界的场景，用户可以操控游戏中的虚拟对象在虚拟环境中进行行走、跑步、跳跃、射击、格斗、驾驶、切换使用虚拟武器、使用虚拟武器攻击其他虚拟对象等动作，交互性较强，并且多个用户可以在线组队进行竞技游戏。
在本申请的一个实施例中，虚拟场景的视频流数据可以是对虚拟场景的画面进行录制生成的视频流数据，视频流数据包含了多个视频帧。
在步骤S220中，从视频流数据中提取出目标对象处于指定状态的目标视频帧。
在本申请的一个实施例中，目标对象是虚拟场景中指定的虚拟对象，比如可以是游戏场景中被举报作弊的玩家角色。指定状态可以是目标对象在虚拟场景中的状态，比如徒步状态、乘坐载具状态、飞行状态等。
在本申请的一个实施例中，如图3所示，从视频流数据中提取出目标对象处于指定状态的视频帧的过程可以包括如下步骤S310和步骤S320：
在步骤S310中，在视频流数据中识别出目标对象处于指定状态的目标时间段。
在本申请的一个实施例中，可以通过指定状态的识别模型识别出目标对象是否处于指定状态，比如通过二分类模型识别视频流数据中的各个视频帧中的目标对象是否处于指定状态，进而确定目标对象处于指定状态的目标时间段。
在本申请的一个实施例中，如果目标对象在视频流数据中的大多数时间都处于指定状态，那么也可以在视频流数据中识别出目标对象处于非指定状态的时间段，然后将视频流数据中除非指定状态的时间段之外的其它时间段作为目标时间段。
在本申请的一个实施例中，假设非指定状态包括乘坐载具的状态，且在目标对象处于乘坐载具的状态时，虚拟场景对应的视频帧的第一位置处显示有乘坐载具的标识信息，在这种情况下，可以根据视频流数据中的各个视频帧在第一位置处的图像是否包含有标识信息，确定各个视频帧中的目标对象是否处于乘坐载具的状态，然后基于各个视频帧中的目标对象是否处于乘坐载具的状态，在视频流数据中确定目标对象处于非指定状态的时间段。
在本申请的一个实施例中，可以将各个视频帧输入至二分类模型中，二分类模型用于识别视频帧的第一位置处的图像是否包含有标识信息，然后根据二分类模型的输出结果，确定各个视频帧中的目标对象是否处于乘坐载具的状态。可选地，二分类模型可以是CNN(Convolutional Neural Networks，卷积神经网络)模型。
在本申请的一个实施例中，若视频流数据中包含的视频帧的第二位置处显示有虚拟对象的状态栏，则可以识别视频流数据中的各个视频帧在第二位置处的图像所包含的状态标识，然后根据状态标识确定各个视频帧中的目标对象是否处于非指定状态，进而基于各个视频帧中的目标对象是否处于非指定状态，在视频流数据中确定目标对象处于非指定状态的时间段。可选地，可以将各个视频帧输入至预训练的机器学习模型中，预训练的机器学习模型用于识别视频帧的第二位置处的图像所包含的状态标识，进而根据预训练的机器学习模型的输出结果，确定各个视频帧中的目标对象是否处于非指定状态。
继续参照图3所示，在步骤S320中，从视频流数据中提取出处于目标时间段内的视频帧，并将提取出的视频帧作为目标对象处于指定状态的视频帧。
图3所示实施例的技术方案使得可以从视频流数据中提取出目标对象处于指定状态的视频帧，进而可以通过对目标对象处于指定状态的视频帧进行分析来确定目标对象在虚拟场景中是否存在异常动作。
继续参照图2所示，在步骤S230中，根据从视频流数据中提取出的目标视频帧，识别目标对象的动作变化情况。
在本申请的一个实施例中，可以从目标视频帧中抽取视频帧，并按照抽取出的视频帧的时间先后顺序进行划分得到至少两组视频帧，各组视频帧中包含有两个视频帧，进而可以识别目标对象在各组视频帧中的动作变化情况。可选地，可以按照预定的步骤从目标视频帧中抽取视频帧，如每隔5帧抽取一个视频帧。比如，按照时间先后顺序从目标视频帧中抽取了视频帧1、视频帧2、视频帧3、视频帧4，那么可以将视频帧1和视频帧 2划分为一个组，将视频帧2和视频帧3划分为一组，将视频帧3和视频帧4划分为一组，以分析目标对象在各组视频帧中的动作变化情况。
在本申请的一个实施例中，在按照视频帧的时间先后顺序对从目标视频帧中抽取的视频帧进行划分时，各组视频帧也可以包含多于两个视频帧，在这种情况下，可以从各组视频帧中选择两帧进行分析，或者两帧两帧进行分析。
在本申请的一个实施例中，如果指定状态为徒步状态，那么识别目标对象在各组视频帧中的动作变化情况的过程可以是识别目标对象在各组视频帧所包含的两个视频帧之间的移动距离；如果指定状态为飞行状态，那么识别目标对象在各组视频帧中的动作变化情况的过程可以是识别目标对象在各组视频帧所包含的两个视频帧之间的飞行距离或飞行高度等。
继续参照图2所示，在步骤S240中，基于目标对象的动作变化情况，确定目标对象在虚拟场景中是否存在异常动作。
在本申请的一个实施例中，在按照视频帧的时间先后顺序对从目标视频帧中抽取的视频帧划分为至少两组之后，可以根据目标对象在各组视频帧中的动作变化情况，确定目标对象在虚拟场景中是否存在异常动作。
比如，若指定状态为徒步状态，那么可以根据目标对象在各组视频帧所包含的两个视频帧之间的移动距离，计算目标对象在n1(n1≥1)个组的视频帧之间的平均移动距离，若该平均移动距离超过预定阈值，则确定在虚拟场景检测到目标对象存在疑似异常动作，当检测到目标对象存在疑似异常动作的次数达到设定次数时，确定目标对象在虚拟场景存在异常动作。可选地，预定次数可以是大于或等于1次。
需要说明的是，如果预定次数大于1次，那么可以通过多次检测来保证检测结果的准确性，避免视频抖动或网络延迟问题而导致检测结果出现偶然性，进而影响检测结果的准确性。
在本申请的一个实施例中，如图4所示，识别目标对象在各组视频帧所包含的两个视频帧之间的移动距离的过程，可以包括如下步骤：
步骤S410，提取各组视频帧所包含的两个视频帧中的特征点。
在本申请的一个实施例中，由于需要识别目标对象在各组视频帧所包含的两个视频帧之间的移动距离，因此如果视频流数据中的视频帧包含有缩略地图，那么可以提取两个视频帧中的缩略地图所在区域内的特征点进行分析；如果虚拟场景中的地图不会随着虚拟角色的移动而变化(如虚拟场景的地图可以在当前界面完整显示)，那么可以直接提取两组视频帧所包含的两个视频帧中的特征点。
步骤S420，基于两个视频帧中的特征点对两个视频帧进行特征匹配，以确定两个视频帧中相匹配的目标特征点对。
在本申请的一个实施例中，由于视频帧相匹配的特征点对可能是真实匹配的特征点对，也可能是由于干扰存在导致的误匹配。因此，可以基于两个视频帧的特征点对两个视频帧进行特征匹配，以在两个视频帧中确定相匹配的至少一对特征点，然后将两个视频帧以各对特征点为基准进行叠加，并将两个视频帧叠加后的重叠区域作为各对特征点对应的重叠区域，然后计算两个视频帧在各对特征点对应的重叠区域中的像素差值，以作为各对特征点对应的像素差值，进而将对应的像素差值最小的一对特征点作为目标特征点对。该实施例的技术方案使得能够选择出最佳的特征点对，以保证计算出的移动距离的准确性。
步骤S430，根据目标特征点对在两个视频帧中的位置，计算目标特征点对在两个视频帧之间的位置变化量。
在本申请的一个实施例中，由于目标特征点对(为便于说明，以目标特征点对包含特征点1和特征点2为例进行说明)是两个视频帧(为便于说明，以两个视频帧包含视频帧a和视频帧b，且特征点1位于视频帧a 中，特征点2位于视频帧b中为例进行说明)中相匹配的特征点对，因此可以将特征点1在视频帧a中的位置坐标和特征点2在视频帧b中的位置坐标之间的距离作为目标特征点对在两个视频帧之间的位置变化量。
步骤S440，基于目标特征点对在两个视频帧之间的位置变化量，确定目标对象在各组视频帧所包含的两个视频帧之间的移动距离。
在本申请的一个实施例中，可以将目标特征点对在两个视频帧之间的位置变化量作为目标对象在各组视频帧所包含的两个视频帧之间的移动距离；或者可以对目标特征点对在两个视频帧之间的位置变化量进行转换 (如乘以相应的系数等)得到目标对象在各组视频帧所包含的两个视频帧之间的移动距离。
以下以虚拟场景为游戏场景、目标对象为游戏场景中可能存在作弊行为的虚拟人物(如被举报的虚拟人物)为例，对本申请实施例的技术方案的实现细节进行详细阐述：
如图5所示，根据本申请的一个实施例的游戏场景中的异常动作识别方法，包括如下步骤：
步骤S501，将游戏场景的视频流解析为一帧一帧的图片帧。
步骤S502，基于拆分得到的图片帧识别其中的人物状态，以识别出处于跑步状态的图片帧。
在本申请的一个实施例中，可以基于对图片帧中的人物状态的识别，找到处于跑步状态的时间段，由于跑步状态的场景非常丰富，为此可以从排除非跑步状态的角度出发来识别人物状态。
步骤S503，基于识别出的处于跑步状态的图片帧，计算人物移动速度。
步骤S504，基于计算得到的人物移动速度，确定人物移动是否超速，若是，则确定识别过程结束；否则，继续基于拆分得到的图片进行识别。
在本申请的一个实施例中，对于处于跑步状态的图片帧，可以利用小地图计算人物在经过m1个图片帧的时间后在小地图上移动了多少个像素点，并计算多次(如可以是3次)，然后对这多次计算的结果求平均值，得到人物移动的平均像素点。如果人物移动的平均像素点超过预定值(如 1.64pix)，则记一次疑似人物加速的移动。当对整个视频分析结束之后，如果存在不重合的三次(该实施例中仅为示例)疑似加速，就判定人物移动超速，否则判定为正常的移动。
以下对上述步骤的实现细节进行阐述：
在一种游戏场景中，非跑步状态主要包括以下几种情况：人物处于飞机模型中、人物处于降落过程中、人物处于乘坐载具的过程中。在识别乘坐载具的状态时，可以通过识别图片预定位置(通常在图片的左下角)处的速度标识来确定；而在识别处于飞机模型中或者降落过程中的状态时，可以通过识别图片上的状态栏(通常位于图片的左上角)来进行识别。
在本申请的一个实施例中，在识别乘坐载具的状态时，可以构建一个二分类模型。由于乘坐载具时的速度标识是显示在图片预定位置处，因此可以截取图片该位置处的图像来构建二分类模型，即分为乘坐载具与未乘坐载具的情况，如图11所示。
参照图11所示，对于乘坐载具的情况，截取到的图像中包含有速度标识；而未乘坐载具的情况，截取到的图像中没有包含速度标识。
在对二分类模型进行训练时，可以采集1000张样本图片，乘坐载具的样本图片和未乘坐载具的样本图片各500张(数值仅为示例)，由于识别的内容相对较少，因此可以采用CNN模型。
在本申请的一个实施例中，在识别处于飞机模型中或者降落过程中的状态时，可以构建人物状态栏识别模型。具体地，如图6所示，人物状态栏601通常位于图片的左上角，为便于查看，放大后的状态栏如602所示。由于参与对战的人物数量不同，因此显示的人物状态栏的数量也不相同，但是会有最大数量(比如四个)的限制。因此可以基于最大数量的限制从图片中截取各部分图像作为状态栏的样本。
同时，根据人物状态栏的不同，可以将状态栏分为如下几类：被举报人物乘坐载具的状态、被举报人物降落过程中的状态、被举报人物倒地的状态(即被举报人需要被救援)、被举报人物无状态、队友的状态、无状态栏。其中，无状态栏的情况主要是由于组队的时候队伍人数不足而导致部分位置截取之后没有状态栏；队友状态其实包含了乘坐载具、降落、倒地、无状态等，但是由于主要是为了区分被举报人物的状态，因此可以将所有的队友状态合并在一起，如图12所示。
参照图12所示，不同人物状态栏的标识代表了人物的不同状态。人物状态栏识别模型在训练时可以采用mobileNet，或者采用ResNet(Residual Network残差网络)等CNN模型，或者也可以采用RNN(Recurrent Neural Network，循环神经网络)模型等。对于训练样本，由于人物状态栏不存在位置的移动或者形状的变化，因此可以只进行归一化处理，无需进行数据增强处理，节省了模型训练的时间。
对于上述步骤S503，由于游戏场景复杂，且画面是以虚拟人物的视角拍摄的，没有固定的参照物可以参考，但是人物移动速度可以通过画面右上角的小地图进行还原，画面中的小地图是以人物为中心，不断移动背景形成的。计算人物在地图上的移动速度，可以换算为两个小地图之间的变化，具体地可以提取两帧图片上小地图的特征点进行匹配，比如可以通过 SURF(speed up robust feature，加速健壮特征)算法来提取特征点。两帧图片中互相匹配的特征点可能是真正相同的特征点，也可能是误匹配的特征点，比如图片中除了建筑物不会移动之外，还会存在一些干扰，因此可能存在某些点的特征是一样的，但却是完全不同的东西。
为了对匹配到的特征点进行有效的筛选，可以根据每一对匹配的特征点将两帧小地图进行重叠，然后对重叠的部分计算像素差值，并取最小像素差值对应的特征对作为最佳的特征对，该特征对在两帧图片上的位置变化量即为人物在地图上移动的距离。
具体地，如图7所示，小地图701和小地图702是从两帧图片中截取下来的，通过特征提取及特征匹配过程确定小地图701中的特征点KP21 与小地图702中的特征点KP22相匹配；小地图701中的特征点KP11与小地图702中的特征点KP12相匹配。然后，将特征点KP11与特征点KP12 进行重叠，以将两个小地图进行叠加融合得到两个小地图的重叠部分 703；将特征点KP21与特征点KP22进行重叠，以将两个小地图进行叠加融合得到两个小地图的重叠部分703。
然后可以通过如下公式计算两个小地图重叠部分的平均像素差 MeanScore：
其中，p表示重叠区域的像素点，G1和G2分别表示两个小地图在像素点p处的像素值。
当计算得到两个小地图重叠部分的平均像素差之后，可以通过比较，选择最小像素差值对应的特征对作为最佳的特征对，进而基于该特征对在两帧图片上的位置变化量确定人物在地图上移动的距离。
在本申请的一个界面示意图中，如图8所示，当基于游戏视频检测到异常点时，可以定位到相应的视频位置，并向用户提示异常点情况，如提示“外挂点：人物加速”的信息。
本申请上述实施例的技术方案能够基于游戏场景的视频流数据中所包含的视频帧来对虚拟人物的异常动作进行检测，不仅降低了游戏场景中异常动作的检测难度，而且能够提高异常动作的检测效率。
以下介绍本申请的装置实施例，可以用于执行本申请上述实施例中的虚拟场景中的异常动作识别方法。对于本申请装置实施例中未披露的细节，请参照本申请上述的虚拟场景中的异常动作识别方法的实施例。
图9示出了根据本申请的一个实施例的虚拟场景中的异常动作识别装置的框图。
参照图9所示，根据本申请的一个实施例的虚拟场景中的异常动作识别装置900，包括：获取单元902、提取单元904、识别单元906和处理单元908。
其中，获取单元902配置为获取虚拟场景的视频流数据；提取单元 904配置为从所述视频流数据中提取出目标对象处于指定状态的目标视频帧；识别单元906配置为根据从所述视频流数据中提取出的所述目标视频帧，识别所述目标对象的动作变化情况；处理单元908配置为基于所述目标对象的动作变化情况，确定所述目标对象在所述虚拟场景中是否存在异常动作。
在本申请的一些实施例中，基于前述方案，提取单元904配置为：在所述视频流数据中识别出所述目标对象处于所述指定状态的目标时间段；从所述视频流数据中提取出处于所述目标时间段内的视频帧，并将提取出的视频帧作为所述目标对象处于所述指定状态的视频帧。
在本申请的一些实施例中，基于前述方案，提取单元904配置为：在所述视频流数据中识别出所述目标对象处于非指定状态的时间段；将所述视频流数据中除所述非指定状态的时间段之外的其它时间段作为所述目标时间段。
在本申请的一些实施例中，基于前述方案，所述非指定状态包括乘坐载具的状态，其中，若所述目标对象处于乘坐载具的状态，则对应视频帧的第一位置处显示有乘坐载具的标识信息；提取单元904配置为：根据所述视频流数据中的各个视频帧在所述第一位置处的图像是否包含有所述标识信息，确定所述各个视频帧中的目标对象是否处于所述乘坐载具的状态；基于所述各个视频帧中的目标对象是否处于所述乘坐载具的状态，在所述视频流数据中确定所述目标对象处于所述非指定状态的时间段。
在本申请的一些实施例中，基于前述方案，提取单元904配置为：将所述各个视频帧输入至二分类模型中，所述二分类模型用于识别视频帧的所述第一位置处的图像是否包含有所述标识信息；根据所述二分类模型的输出结果，确定所述各个视频帧中的目标对象是否处于所述乘坐载具的状态。
在本申请的一些实施例中，基于前述方案，若所述视频流数据中包含的视频帧的第二位置处显示有虚拟对象的状态栏，则提取单元904配置为：识别所述视频流数据中的各个视频帧在所述第二位置处的图像所包含的状态标识，根据所述状态标识确定所述各个视频帧中的目标对象是否处于所述非指定状态；基于所述各个视频帧中的目标对象是否处于所述非指定状态，在所述视频流数据中确定所述目标对象处于所述非指定状态的时间段。
在本申请的一些实施例中，基于前述方案，提取单元904配置为：将所述各个视频帧输入至预训练的机器学习模型中，所述预训练的机器学习模型用于识别视频帧的所述第二位置处的图像所包含的状态标识；根据所述预训练的机器学习模型的输出结果，确定所述各个视频帧中的目标对象是否处于所述非指定状态。
在本申请的一些实施例中，基于前述方案，识别单元906配置为：从所述目标视频帧中抽取视频帧，并按照抽取出的视频帧的时间先后顺序进行划分得到至少两组视频帧，各组视频帧中包含有两个视频帧，识别所述目标对象在所述各组视频帧中的动作变化情况；处理单元908配置为：根据所述目标对象在所述各组视频帧中的动作变化情况，确定所述目标对象在所述虚拟场景中是否存在异常动作。
在本申请的一些实施例中，基于前述方案，所述指定状态包括徒步状态；识别单元906配置为：识别所述目标对象在所述各组视频帧所包含的两个视频帧之间的移动距离；
处理单元908配置为：根据所述目标对象在所述各组视频帧所包含的两个视频帧之间的移动距离，计算所述目标对象在n1个组的视频帧之间的平均移动距离，n1≥1；若所述平均移动距离超过预定阈值，则确定在所述虚拟场景检测到所述目标对象存在疑似异常动作，当检测到所述目标对象存在疑似异常动作的次数达到设定次数时，确定所述目标对象在所述虚拟场景存在异常动作。
在本申请的一些实施例中，基于前述方案，识别单元906配置为：提取所述各组视频帧所包含的两个视频帧中的特征点；基于所述两个视频帧中的特征点对所述两个视频帧进行特征匹配，以确定所述两个视频帧中相匹配的目标特征点对；根据所述目标特征点对在所述两个视频帧中的位置，计算所述目标特征点对在所述两个视频帧之间的位置变化量；基于所述目标特征点对在所述两个视频帧之间的位置变化量，确定所述目标对象在所述各组视频帧所包含的两个视频帧之间的移动距离。
在本申请的一些实施例中，基于前述方案，识别单元906配置为：基于所述两个视频帧的特征点对所述两个视频帧进行特征匹配，以在所述两个视频帧中确定相匹配的至少一对特征点；将所述两个视频帧以各对特征点为基准进行叠加，并将所述两个视频帧叠加后的重叠区域作为所述各对特征点对应的重叠区域；计算所述两个视频帧在所述各对特征点对应的重叠区域中的像素差值，以作为所述各对特征点对应的像素差值；将对应的像素差值最小的一对特征点作为所述目标特征点对。
在本申请的一些实施例中，基于前述方案，在所述视频流数据中的视频帧包含有缩略地图的情况下，识别单元906配置为：提取所述两个视频帧中的所述缩略地图所在区域内的特征点。
图10示出了适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
需要说明的是，图10示出的电子设备的计算机系统1000仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图10所示，计算机系统1000包括中央处理单元(Central Processing Unit，CPU)1001，其可以根据存储在只读存储器(Read-Only Memory， ROM)1002中的程序或者从存储部分1008加载到随机访问存储器 (Random Access Memory，RAM)1003中的程序而执行各种适当的动作和处理，例如执行上述实施例中所述的方法。在RAM 1003中，还存储有系统操作所需的各种程序和数据。CPU 1001、ROM 1002以及RAM 1003通过总线1004彼此相连。输入/输出(Input/Output，I/O)接口1005也连接至总线1004。
以下部件连接至I/O接口1005：包括键盘、鼠标等的输入部分1006；包括诸如阴极射线管(Cathode Ray Tube，CRT)、液晶显示器(Liquid Crystal Display，LCD)等以及扬声器等的输出部分1007；包括硬盘等的存储部分1008；以及包括诸如LAN(Local AreaNetwork，局域网)卡、调制解调器等的网络接口卡的通信部分1009。通信部分1009经由诸如因特网的网络执行通信处理。驱动器1010也根据需要连接至I/O接口1005。可拆卸介质1011，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1010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1008。
特别地，根据本申请的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本申请的实施例包括一种计算机程序产品，其包括承载在计算机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计算机程序。在这样的实施例中，该计算机程序可以通过通信部分1009从网络上被下载和安装，和/或从可拆卸介质1011被安装。在该计算机程序被中央处理单元(CPU)1001执行时，执行本申请的系统中限定的各种功能。
需要说明的是，本申请实施例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(Erasable Programmable Read Only Memory， EPROM)、闪存、光纤、便携式紧凑磁盘只读存储器(Compact Disc Read- Only Memory，CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，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。而在本申请中，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计算机程序。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计算机程序可以用任何适当的介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。
附图中的流程图和框图，图示了按照本申请各种实施例的系统、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。其中，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，上述模块、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，框图或流程图中的每个方框、以及框图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，所描述的单元也可以设置在处理器中。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定。
作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读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。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该电子设备执行时，使得该电子设备实现上述实施例中所述的方法。
应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本申请的实施方式，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。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本申请实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD- ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、触控终端、或者网络设备等)执行根据本申请实施方式的方法。
本领域技术人员在考虑说明书及实践这里公开的实施方式后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、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申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。
应当理解的是，本申请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。本申请的范围仅由所附的权利要求来限制。

Claims (11)

1.一种虚拟场景中的异常动作识别方法，其特征在于，包括：
获取虚拟场景的视频流数据；
在所述视频流数据中识别出目标对象处于非指定状态的时间段，并将所述视频流数据中除所述非指定状态的时间段之外的其它时间段作为所述目标对象处于指定状态的目标时间段；
从所述视频流数据中提取出处于所述目标时间段内的视频帧，并将提取出的视频帧作为所述目标对象处于指定状态的目标视频帧；
根据从所述视频流数据中提取出的所述目标视频帧，识别所述目标对象的动作变化情况；
基于所述目标对象的动作变化情况，确定所述目标对象在所述虚拟场景中是否存在异常动作；
其中，若所述视频流数据中包含的视频帧的第二位置处显示有虚拟对象的状态栏，则在所述视频流数据中识别出目标对象处于非指定状态的时间段，包括：
将所述视频流数据中的各个视频帧输入至预训练的机器学习模型中，所述预训练的机器学习模型用于识别视频帧的所述第二位置处的图像所包含的状态标识；
根据所述预训练的机器学习模型的输出结果，确定所述各个视频帧中的目标对象是否处于所述非指定状态；
基于所述各个视频帧中的目标对象是否处于所述非指定状态，在所述视频流数据中确定所述目标对象处于所述非指定状态的时间段。
2.根据权利要求1所述的虚拟场景中的异常动作识别方法，其特征在于，所述非指定状态包括乘坐载具的状态，其中，若所述目标对象处于乘坐载具的状态，则对应视频帧的第一位置处显示有乘坐载具的标识信息；
在所述视频流数据中识别出目标对象处于非指定状态的时间段，包括：
根据所述视频流数据中的各个视频帧在所述第一位置处的图像是否包含有所述标识信息，确定所述各个视频帧中的目标对象是否处于所述乘坐载具的状态；
基于所述各个视频帧中的目标对象是否处于所述乘坐载具的状态，在所述视频流数据中确定所述目标对象处于所述非指定状态的时间段。
3.根据权利要求2所述的虚拟场景中的异常动作识别方法，其特征在于，根据所述各个视频帧在所述第一位置处的图像是否包含有所述标识信息，确定所述各个视频帧中的目标对象是否处于所述乘坐载具的状态，包括：
将所述各个视频帧输入至二分类模型中，所述二分类模型用于识别视频帧的所述第一位置处的图像是否包含有所述标识信息；
根据所述二分类模型的输出结果，确定所述各个视频帧中的目标对象是否处于所述乘坐载具的状态。
4.根据权利要求1至3中任一项所述的虚拟场景中的异常动作识别方法，其特征在于，
根据从所述视频流数据中提取出的所述目标视频帧，识别所述目标对象的动作变化情况，包括：从所述目标视频帧中抽取视频帧，并按照抽取出的视频帧的时间先后顺序进行划分得到至少两组视频帧，各组视频帧中包含有两个视频帧，识别所述目标对象在所述各组视频帧中的动作变化情况；
基于所述目标对象的动作变化情况，确定所述目标对象在所述虚拟场景中是否存在异常动作，包括：根据所述目标对象在所述各组视频帧中的动作变化情况，确定所述目标对象在所述虚拟场景中是否存在异常动作。
5.根据权利要求4所述的虚拟场景中的异常动作识别方法，其特征在于，所述指定状态包括徒步状态；识别所述目标对象在所述各组视频帧中的动作变化情况，包括：识别所述目标对象在所述各组视频帧所包含的两个视频帧之间的移动距离；
根据所述目标对象在所述各组视频帧中的动作变化情况，确定所述目标对象在所述虚拟场景中是否存在异常动作，包括：根据所述目标对象在所述各组视频帧所包含的两个视频帧之间的移动距离，计算所述目标对象在n 1个组的视频帧之间的平均移动距离，n 1≥1；若所述平均移动距离超过预定阈值，则确定在所述虚拟场景检测到所述目标对象存在疑似异常动作，当检测到所述目标对象存在疑似异常动作的次数达到设定次数时，确定所述目标对象在所述虚拟场景存在异常动作。
6.根据权利要求5所述的虚拟场景中的异常动作识别方法，其特征在于，识别所述目标对象在所述各组视频帧所包含的两个视频帧之间的移动距离，包括：
提取所述各组视频帧所包含的两个视频帧中的特征点；
基于所述两个视频帧中的特征点对所述两个视频帧进行特征匹配，以确定所述两个视频帧中相匹配的目标特征点对；
根据所述目标特征点对在所述两个视频帧中的位置，计算所述目标特征点对在所述两个视频帧之间的位置变化量；
基于所述目标特征点对在所述两个视频帧之间的位置变化量，确定所述目标对象在所述各组视频帧所包含的两个视频帧之间的移动距离。
7.根据权利要求6所述的虚拟场景中的异常动作识别方法，其特征在于，基于所述两个视频帧中的特征点对所述两个视频帧进行特征匹配，以确定所述两个视频帧中相匹配的目标特征点，包括：
基于所述两个视频帧的特征点对所述两个视频帧进行特征匹配，以在所述两个视频帧中确定相匹配的至少一对特征点；
将所述两个视频帧以各对特征点为基准进行叠加，并将所述两个视频帧叠加后的重叠区域作为所述各对特征点对应的重叠区域；
计算所述两个视频帧在所述各对特征点对应的重叠区域中的像素差值，以作为所述各对特征点对应的像素差值；
将对应的像素差值最小的一对特征点作为所述目标特征点对。
8.根据权利要求6所述的虚拟场景中的异常动作识别方法，其特征在于，在所述视频流数据中的视频帧包含有缩略地图的情况下，提取所述各组视频帧所包含的两个视频帧中的特征点，包括：
提取所述两个视频帧中的所述缩略地图所在区域内的特征点。
9.一种虚拟场景中的异常动作识别装置，其特征在于，包括：
获取单元，配置为获取虚拟场景的视频流数据；
提取单元，配置为在所述视频流数据中识别出目标对象处于非指定状态的时间段，并将所述视频流数据中除所述非指定状态的时间段之外的其它时间段作为所述目标对象处于指定状态的目标时间段；从所述视频流数据中提取出处于所述目标时间段内的视频帧，并将提取出的视频帧作为所述目标对象处于指定状态的目标视频帧；
识别单元，配置为根据从所述视频流数据中提取出的所述目标视频帧，识别所述目标对象的动作变化情况；
处理单元，配置为基于所述目标对象的动作变化情况，确定所述目标对象在所述虚拟场景中是否存在异常动作；
其中，若所述视频流数据中包含的视频帧的第二位置处显示有虚拟对象的状态栏，则所述提取单元配置为：
将所述视频流数据中的各个视频帧输入至预训练的机器学习模型中，所述预训练的机器学习模型用于识别视频帧的所述第二位置处的图像所包含的状态标识；
根据所述预训练的机器学习模型的输出结果，确定所述各个视频帧中的目标对象是否处于所述非指定状态；
基于所述各个视频帧中的目标对象是否处于所述非指定状态，在所述视频流数据中确定所述目标对象处于所述非指定状态的时间段。
10.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至8中任一项所述的虚拟场景中的异常动作识别方法。
11.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如权利要求1至8中任一项所述的虚拟场景中的异常动作识别方法。
CN201911325052.5A 2019-12-20 2019-12-20 虚拟场景中的异常动作识别方法、装置、介质及电子设备 Active CN111191542B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911325052.5A CN111191542B (zh) 2019-12-20 2019-12-20 虚拟场景中的异常动作识别方法、装置、介质及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911325052.5A CN111191542B (zh) 2019-12-20 2019-12-20 虚拟场景中的异常动作识别方法、装置、介质及电子设备

Publications (2)

Publication Number Publication Date
CN111191542A CN111191542A (zh) 2020-05-22
CN111191542B true CN111191542B (zh) 2023-05-02

Family

ID=70709255

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911325052.5A Active CN111191542B (zh) 2019-12-20 2019-12-20 虚拟场景中的异常动作识别方法、装置、介质及电子设备

Country Status (1)

Country Link
CN (1) CN111191542B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112221155B (zh) * 2020-10-10 2021-09-07 上海逗视网络科技有限公司 基于人工智能和大数据的游戏数据识别方法及游戏云中心
CN112221156B (zh) * 2020-10-27 2021-07-27 腾讯科技（深圳）有限公司 数据异常识别方法、装置、存储介质以及电子设备
CN112101327B (zh) * 2020-11-18 2021-01-29 北京达佳互联信息技术有限公司 动作矫正模型的训练方法、动作矫正方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103460248A (zh) * 2011-04-07 2013-12-18 富士胶片株式会社 图像处理方法和装置
CN106571014A (zh) * 2016-10-24 2017-04-19 上海伟赛智能科技有限公司 一种在视频中识别异常动作的方法和系统
CN107786848A (zh) * 2017-10-30 2018-03-09 周燕红 运动目标检测与动作识别的方法、装置、终端及存储介质
WO2019223782A1 (zh) * 2018-05-25 2019-11-28 广州虎牙信息科技有限公司 游戏场景描述方法、装置、设备及存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103460248A (zh) * 2011-04-07 2013-12-18 富士胶片株式会社 图像处理方法和装置
CN106571014A (zh) * 2016-10-24 2017-04-19 上海伟赛智能科技有限公司 一种在视频中识别异常动作的方法和系统
CN107786848A (zh) * 2017-10-30 2018-03-09 周燕红 运动目标检测与动作识别的方法、装置、终端及存储介质
WO2019223782A1 (zh) * 2018-05-25 2019-11-28 广州虎牙信息科技有限公司 游戏场景描述方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN111191542A (zh) 2020-05-22

Similar Documents

Publication Publication Date Title
CN111191542B (zh) 虚拟场景中的异常动作识别方法、装置、介质及电子设备
US11701586B2 (en) Drama engine for dramatizing video gaming
CN112807681B (zh) 游戏控制方法、装置、电子设备及存储介质
US11235241B2 (en) Route navigation system within a game application environment
CN105229677A (zh) 用于机器学习的资源分配
US12066883B2 (en) Glitch detection system
CN112232258B (zh) 一种信息处理方法、装置及计算机可读存储介质
CN110170171B (zh) 一种目标对象的控制方法及装置
CN113559516B (zh) 虚拟角色的控制方法和装置、存储介质及电子设备
CN112138394B (zh) 图像处理方法、装置、电子设备及计算机可读存储介质
Summerville et al. Mechanics automatically recognized via interactive observation: Jumping
CN112742031B (zh) 模型训练方法、游戏测试方法、ai角色训练方法及装置
CN113577774A (zh) 虚拟对象生成方法、装置、电子设备及存储介质
Barros et al. Balanced civilization map generation based on open data
CN109939439B (zh) 虚拟角色的卡住检测方法、模型训练方法、装置及设备
CN115430153A (zh) 虚拟环境中的碰撞检测方法、装置、设备、介质及程序
CN113975812A (zh) 游戏图像的处理方法、装置、设备及存储介质
CN116963809A (zh) 游戏内动态相机角度调整
CN114917590B (zh) 一种虚拟现实的游戏系统
US20230025389A1 (en) Route generation system within a virtual environment of a game application
CN111491179A (zh) 一种游戏视频剪辑方法和装置
CN112231220B (zh) 一种游戏测试方法和装置
KR102589889B1 (ko) 게임 ui 분석 방법
CN115294623B (zh) 一种人体全身动作捕捉方法、装置、存储介质及终端
KR102343354B1 (ko) 게임의 에너지 충전 장치 및 방법

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