CN112784239B - 一种基于人工智能的电子竞技运营信息管理系统 - Google Patents
一种基于人工智能的电子竞技运营信息管理系统 Download PDFInfo
- Publication number
- CN112784239B CN112784239B CN202110090484.3A CN202110090484A CN112784239B CN 112784239 B CN112784239 B CN 112784239B CN 202110090484 A CN202110090484 A CN 202110090484A CN 112784239 B CN112784239 B CN 112784239B
- Authority
- CN
- China
- Prior art keywords
- operation information
- image
- input
- skin
- module
- 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
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 10
- 238000001514 detection method Methods 0.000 claims abstract description 35
- 238000004458 analytical method Methods 0.000 claims abstract description 18
- 230000002860 competitive effect Effects 0.000 claims abstract description 18
- 238000003062 neural network model Methods 0.000 claims abstract description 9
- 238000012795 verification Methods 0.000 claims description 27
- 238000012545 processing Methods 0.000 claims description 26
- 230000010365 information processing Effects 0.000 claims description 12
- 230000005540 biological transmission Effects 0.000 claims description 9
- 230000009467 reduction Effects 0.000 claims description 5
- 238000003708 edge detection Methods 0.000 claims description 2
- 238000013179 statistical model Methods 0.000 claims description 2
- 238000000034 method Methods 0.000 abstract description 10
- 238000005516 engineering process Methods 0.000 abstract description 2
- 238000012937 correction Methods 0.000 description 11
- 230000000386 athletic effect Effects 0.000 description 6
- 230000002708 enhancing effect Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- AYFVYJQAPQTCCC-GBXIJSLDSA-N L-threonine Chemical compound C[C@@H](O)[C@H](N)C(O)=O AYFVYJQAPQTCCC-GBXIJSLDSA-N 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- APTZNLHMIGJTEW-UHFFFAOYSA-N pyraflufen-ethyl Chemical compound C1=C(Cl)C(OCC(=O)OCC)=CC(C=2C(=C(OC(F)F)N(C)N=2)Cl)=C1F APTZNLHMIGJTEW-UHFFFAOYSA-N 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
- G06F21/31—User authentication
- G06F21/32—User authentication using biometric data, e.g. fingerprints, iris scans or voiceprints
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
-
- 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
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/161—Detection; Localisation; Normalisation
- G06V40/162—Detection; Localisation; Normalisation using pixel segmentation or colour matching
-
- 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
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/168—Feature extraction; Face representation
-
- 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
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/172—Classification, e.g. identification
-
- 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
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/18—Eye characteristics, e.g. of the iris
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2221/00—Indexing scheme relating to security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F2221/21—Indexing scheme relating to G06F21/00 and subgroups addressing additional information or applications relating to security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F2221/2141—Access rights, e.g. capability lists, access control lists, access tables, access matrices
Abstract
本发明提供了一种基于人工智能的电子竞技运营信息管理系统，其包括运营信息输入模块、运营信息检测模块、运营信息存储模块；所述运营信息输入模块用于具有输入权限的运营人员输入电子竞技活动的运营信息；所述运营信息检测模块用于使用预先训练好的神经网络模型对所述运营信息进行准确性分析以及用于在所述运营信息通过准确性分析后，则将所述运营信息传输至运营信息存储模块进行存储。本发明通过人工智能技术中的神经网络模型对运营信息的准确性进行判断，判断速度快，仅将通过准确性判断的运营信息进行存储，有效地避免了错误的运营信息对后续的分析的准确性造成影响。对输入运营信息的运营人员的权限进行了限定，提高了管理系统的安全性。
Description
技术领域
本发明涉及信息管理领域，尤其涉及一种基于人工智能的电子竞技运营信息管理系统。
背景技术
电子竞技指的是利用电子设备作为运动器械进行的、人与人之间的智力和体力结合的比拼。随着社会的发展，越来越多的电子竞技活动不断地被各种游戏公司运营成功。为了对电子竞技活动进行分析，往往需要对电子竞技活动过程中的产生的运营信息进行管理，例如对所述运营信息进行存储、查询及分析等。现有技术中，一般是直接将产生的运营信息进行存储，并没有验证运营信息的准确性，对根据存储的运营信息进行分析得到的结论的准确性造成了不良影响。
发明内容
为了解决上述问题，本申请提供了一种基于人工智能的电子竞技运营信息管理系统，所述电子竞技运营信息管理系统包括运营信息输入模块、运营信息检测模块、运营信息存储模块；
所述运营信息输入模块用于具有输入权限的运营人员输入电子竞技活动的运营信息，并将所述运营信息传输至运营信息检测模块；
所述运营信息检测模块用于使用预先训练好的神经网络模型对所述运营信息进行准确性分析以及用于在所述运营信息通过准确性分析后，则将所述运营信息传输至运营信息存储模块；
所述运营信息存储模块用于接收并存储所述运营信息。
优选地，所述运营信息输入模块包括权限认证子模块、输入子模块和传输子模块；
所述权限认证子模块用于判断需要使用输入子模块的运营人员是否具有输入权限，若是，则向所述运营人员开放使用输入子模块的权限；
所述输入子模块用于具有输入权限的运营人员输入所述电子竞技活动的运营信息，并将所述运营信息传输至传输子模块；
所述传输子模块用于将所述运营信息传输至运营信息检测模块。
优选地，所述权限认证子模块包括验证信息获取单元、验证信息处理单元和验证信息匹配单元；
所述验证信息获取单元用于获取所述需要使用输入子模块的运营人员的脸部图像，并将所述脸部图像发送至所述验证信息处理单元；
所述验证信息处理单元用于获取所述脸部图像中包含的特征信息，并将所述特征信息发送至所述验证信息匹配单元；
所述验证信息匹配单元用于将验证信息处理单元获取的特征信息与所有具有使用所述输入子模块的权限的运营人员的脸部图像的特征信息进行匹配，并根据匹配结果判断所述需要使用输入子模块的运营人员是否具有输入权限。
优选地，所述根据匹配结果判断所述需要使用输入子模块的运营人员是否具有输入权限，包括：
若所述匹配结果为匹配成功，则判断所述需要使用输入子模块的运营人员具有输入权限；
若所述匹配结果为匹配失败，则判断所述需要使用输入子模块的运营人员不具有输入权限。
优选地，所述运营信息包括电子竞技活动投入资金总额和电子竞技活动参与人数。
优选地，所述使用预先训练好的神经网络模型对所述运营信息进行准确性分析，包括：
判断所述运营信息是否处于预设的正常数值区间，若是，则判断所述运营信息通过准确性分析，若否，则判断所述运营信息没有通过准确性分析。
与现有技术相比，本发明的优点在于：
本发明通过人工智能技术中的神经网络模型对运营信息的准确性进行判断，判断速度快，仅将通过准确性判断的运营信息进行存储，有效地避免了错误的运营信息对后续的分析的准确性造成影响。同时，对于输入运营信息的运营人员的权限也进行了限定，避免不具备输入权限的人员输入运营信息，可以有效地避免恶意的错误数据的输入。从而提高管理系统的安全性。
附图说明
利用附图对本发明作进一步说明，但附图中的实施例不构成对本发明的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。
图1，为本发明一种基于人工智能的电子竞技运营信息管理系统的一种示例性实施例图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
如图1所示的一种实施例，本发明提供了一种基于人工智能的电子竞技运营信息管理系统，其包括运营信息输入模块、运营信息检测模块、运营信息存储模块；
所述运营信息输入模块用于具有输入权限的运营人员输入电子竞技活动的运营信息，并将所述运营信息传输至运营信息检测模块；
所述运营信息检测模块用于使用预先训练好的神经网络模型对所述运营信息进行准确性分析以及用于在所述运营信息通过准确性分析后，则将所述运营信息传输至运营信息存储模块；
所述运营信息存储模块用于接收并存储所述运营信息。
在一种实施方式中，所述运营信息输入模块包括权限认证子模块、输入子模块和传输子模块；
所述权限认证子模块用于判断需要使用输入子模块的运营人员是否具有输入权限，若是，则向所述运营人员开放使用输入子模块的权限；
所述输入子模块用于具有输入权限的运营人员输入所述电子竞技活动的运营信息，并将所述运营信息传输至传输子模块；
所述传输子模块用于将所述运营信息传输至运营信息检测模块。
开放使用权限之前，所述运营人员是不能使用所述输入子模块进行输入的，而开放使用权限之后，才允许所述运营人员使用所述输入子模块进行输入。
输入子模块包括常见的输入设备，例如鼠标、键盘、USB接口、雷电接口、光驱等。
在一种实施方式中，所述权限认证子模块包括验证信息获取单元、验证信息处理单元和验证信息匹配单元；
所述验证信息获取单元用于获取所述需要使用输入子模块的运营人员的脸部图像，并将所述脸部图像发送至所述验证信息处理单元；
所述验证信息处理单元用于获取所述脸部图像中包含的特征信息，并将所述特征信息发送至所述验证信息匹配单元；
所述验证信息匹配单元用于将验证信息处理单元获取的特征信息与所有具有使用所述输入子模块的权限的运营人员的脸部图像的特征信息进行匹配，并根据匹配结果判断所述需要使用输入子模块的运营人员是否具有输入权限。
在一种实施方式中，所述根据匹配结果判断所述需要使用输入子模块的运营人员是否具有输入权限，包括：
若所述匹配结果为匹配成功，则判断所述需要使用输入子模块的运营人员具有输入权限；
若所述匹配结果为匹配失败，则判断所述需要使用输入子模块的运营人员不具有输入权限。
在一种实施方式中，所述运营信息包括电子竞技活动投入资金总额和电子竞技活动参与人数。
在一种实施方式中，所述使用预先训练好的神经网络模型对所述运营信息进行准确性分析，包括：
判断所述运营信息是否处于预设的正常数值区间，若是，则判断所述运营信息通过准确性分析，若否，则判断所述运营信息没有通过准确性分析。
在另一种实施方式中，所述运营信息还包括电子竞技服务器在电竞竞技活动期间的运行数据，所述运行数据包括：
所述电子竞技服务器的运行环境数据、所述电子竞技服务器的CPU运行数据、所述电子竞技服务器的GPU运行数据和所述电子竞技服务器的网络流量数据；
所述运行环境数据包括所述电子竞技服务器所处环境的温度和湿度；
所述CPU运行数据包括CPU的平均利用率和CPU的平均负载；
所述GPU运行数据包括GPU的平均内存使用率和GPU的平均功耗；
所述网络流量数据包括在单位时间内的平均UDP连接数。
在又一种实施方式中，所述运营信息包括电子竞技活动的网络曝光度，所述网络曝光度包括在各个平台的搜索量。
所述平台包括微博、知乎、微信公众号等。
在一种实施方式中，所述获取所述脸部图像中包含的特征信息，包括：
对所述脸部图像进行肤色检测，获取所述脸部图像中包含的肤色像素点；
对所述肤色像素点进行连通域检测，分别获取每个连通域所包含的像素点的总数；
对所有的连通域进行编号，分别计算每个连通域在所述脸部图像中的面积占比；
将所述面积占比大于预设的占比阈值的连通域的编号存入连通域集合中；
按照面积占比从大到小对连通域集合中的编号对应的连通域进行人眼检测，获取左眼区域和右眼区域；
在所述脸部图像中分别获取左眼区域和右眼区域的中心像素点nodeleft和noderight，并求取nodeleft和noderight之间的距离distlr；
获取nodeleft和noderight之间的连线的中点的像素点nodemid，将nodemid的坐标记为(xmid,ymid)，并根据(xmid,ymid)确定人脸区域图像；
对所述人脸区域图像进行灰度化处理，获得灰度化图像；
对所述灰度化图像进行降噪处理，获得降噪图像；
对所述降噪图像进行特征信息的提取，获得所述脸部图像中包含的特征信息。
现有技术中，一般是在进行皮肤检测后直接进行二值化处理以及形态学处理等步骤，通过形态学的方式来确定的人脸区域，但是这种处理方式由于前期并没有对不属于脸部的皮肤像素点进行过滤，使得参与后续计算的像素点的数量过多，从而导致确定速度过慢。而本申请，在进行皮肤检测后，先确定连通域，然后根据连通域确定人眼的位置，然后基于三庭五眼的模型，对人脸区域进行确定，极大地加快了检测的速度。在进行人眼检测时，先对面积占比大的连通区域进行人眼检测，进一步提高了检测的速度，因为经过申请人的研究发现，属于人脸区域的连通域，其面积一般较大，且距离人眼区域较近，因此，一般只需经过个位数的检测次数即可确定人眼区域，速度快。
在一种实施方式中，所述分别计算每个连通域在所述脸部图像中的面积占比，包括：
所述面积占比为每个连通域中所包含像素点的总数与所述脸部图像所包含像素点的总数之比。
在一种实施方式中，所述分别对每个连通域进行人眼检测，获取左眼区域和右眼区域，包括：
获取连通域的最小外接矩形，在所述外接矩形所包含的像素点内使用基于轮廓检测的眼睛定位算法对连通域进行人眼检测。
在一种实施方式中，所述根据(xmid,ymid)确定人脸区域图像，包括：
所述人脸区域图像的横坐标的取值范围为
所述人脸区域图像的纵坐标的取值范围为[ymid-5distlr,ymid+5distlr]。
上述取值范围仅是其中一种示例，在实施过程中，具体的取值范围可以再次进行具体设置。
在一种实施方式中，所述对所述脸部图像进行肤色检测，获取所述脸部图像中包含的肤色像素点，包括：
将分别使用改进的YCrCb肤色模型、肤色直方图统计模型、高斯肤色模型对所述脸部图像进行肤色检测获得的皮肤图像分别记为skin1、skin2、skin3；
对于所述脸部图像中的像素点noded，使用下述规则判断其是否属于肤色像素点：
若skin1和skin2中包含noded或
skin1和skin3中包含noded或
skin2和skin3中包含noded或
skin1、skin2、skin3中均包含noded，则noded属于肤色像素点，否则，noded不属于肤色像素点。
使用了3种完全不同的模型进行肤色检测，能够避免单一的模型的不准确的问题，对于同一个像素点，若其被2个或2个以上的模型检测为皮肤图像中的像素点，则将其判断为肤色像素点，从而能够将单一模型中面积过小的图像块进行准确去除，留下属于皮肤像素点的图像块，从而加快检测的速度。
在一种实施方式中，使用改进的YCrCb肤色模型对所述脸部图像进行肤色检测，包括：
若所述脸部图像中的像素点noded满足下述不等式，则其为skin1中的像素点：
[a(noded)-a]2+[b(noded)-b]2＜thre2
式中，a表示肤色模型中的Cr分量判断值，b表示肤色模型中的Cb分量判断值，a(noded)表示noded的Cr分量值，b(noded)表示noded的Cb分量值，138＜a＜178，78＜b＜128，thre为预设的判断阈值，thre的取值范围为[4,19]。
传统的所述脸部图像中的像素点noded是一般是椭圆模型，但是由于椭圆模型需要计算的参数数量过多，并不利于快速对脸部图像进行特征信息的提取，因此，申请人对椭圆模型进行了上述改进，仅需要输入待判断的像素点的Cr分量值和Cb分量值即可，计算速度快，而且准确度高，有利于提高肤色检测的速度，从而加快人脸识别的速度。
在一种实施方式中，所述对所述人脸区域图像进行灰度化处理，获得灰度化图像，包括：
使用下述公式对所述人脸区域图像进行灰度化处理，获得第一图像：
nof(a)＝0.298×R(a)+0.577×G(a)+0.125×B(a)
式中，a表示所述人脸区域图像中的像素点，R(a)、G(a)、B(a)分别表示a在RGB颜色模型中的红色分量、绿色分量和蓝色分量，nof(a)表示a的像素值，nof表示第一图像；
对所述人脸区域图像进行增强处理，获得增强图像；
对所述增强图像进行彩色图像边缘检测，获得边缘像素点；
求取所述增强图像中的相邻像素点之间的像素值差异信息；
对于所述边缘像素点在所述第一图像中对应的像素点，保留其像素值不变，并根据所述像素值差异信息对所述第一图像中的剩余像素点进行像素值修正，获得灰度化图像。
通过对人脸区域进行增强，能够降低光照对识别准确度的影响，而对于边缘像素点，不对其像素值进行改变，有利于保持后续得到的灰度化图像的边缘信息和像素点之间的差异信息，从而有效地降低了现有技术中，通过灰度化处理后，像素点之差异信息以及边缘信息丢失的程度。根据像素值差异信息对第一图像中的非边缘像素点进行修正，从而将增强图像中的边缘信息和像素点之间的差异信息传递到灰度化图像图像中，有利于为后续的识别保留更多的细节信息，提高识别的准确率。
在一种实施方式中，对所述人脸区域图像进行增强处理，获得增强图像，包括：
将所述人脸区域图像转换到Lab颜色空间，获取各个像素点的L、a、b三个分量的值；
使用下述公式对所述人脸区域图像进行增强处理：
式中，(u,v)表示像素点的坐标，l(u,v)表示坐标为(u,v)的像素点的L分量的值，stl(u,v)表示增强处理后的坐标为(u,v)的像素点的L分量的值，mithr和mathr表示预设的第一处理阈值和第二处理阈值，ta表示预设的控制参数，lmi和lma分别表示所述人脸区域图像在Lab颜色空间中的L分量的最大值和最小值，min表示选择函数，选取括号内的较小值；
联合a(u,v)、b(u,v)、stl(u,v)，将图像从Lab颜色空间转换回RGB颜色空间，得到增强图像。
为不同的不同的像素点自适应地设计了不同的增强函数进行增强处理，从而提高了增强函数的针对性以及提高了对人脸区域进行增强的准确性。具体地，上述增强处理能够对高光的地方进行一定的压制，以及对较暗的地方的亮度进行一定的提高，从而达到增强所述人脸区域图像中所包含的细节信息的目的。
在一种实施方式中，mithr的取值范围为[0,10],mathr的取值范围为[90,100]。
在一种实施方式中，ta的取值范围为[-1,0].
这里只是举例说明，在具体的实现过程中，可以根据实际需要对上述变量的取值进行设定。
在一种实施方式中，所述求取所述增强图像中的相邻像素点之间的像素值差异信息，包括：
通过下述公式获取所述增强图像中的相邻像素点之间的像素值差异信息：
dif(c)＝|R(c)-R(d)|+|G(c)-G(d)|+|B(c)-B(d)|
式中，dif(c)表示所述增强图像中的像素点c与其右边的像素点d的差异信息；R(c)和R(d)分别表示c和d在RGB颜色模型中的红色分量的分量值，G(c)和G(d)分别表示c和d在RGB颜色模型中的绿色分量的分量值，B(c)和B(d)分别表示c和d在RGB颜色模型中的绿色分量的分量值，若c处于所述增强图像中的最后一列，则对应的d为与c所在的行的第一个像素点。
上述公式记录了c和d在RGB三个分量中差异信息，为后续的像素值修正提供了对比的基础。
在一种实施方式中，所述对于所述边缘像素点在所述第一图像中对应的像素点，保留其像素值不变，并根据所述像素值差异信息对所述第一图像中的剩余像素点进行像素值修正，获得灰度化图像，包括：
对所述边缘像素点在所述第一图像中对应的所有像素点进行编号，编号的顺序为从左到右，从上到下；
将所述第一图像中所有进行过编号的像素点存入集合U1；
像素值修正的过程如下：
对于所述第一图像中的第n行像素点，获取该行像素点的中属于U1的像素点，从左到右分别记为nod1,nod2,…,nodi，…,nodm，m表示第n行中属于U1的像素点的总数，i∈[1,m]；nodi表示第n行中第i个属于U1的像素点；
对于nodi，其右侧的像素点nodi,right的像素值通过下述公式进行修正：
式中，f(nodi,right)表示nodi,right修正后的像素值，f(nodi)表示nodi的像素值，dif(nodi,right)表示在所述增强图像中，nodi,right与其右边的像素点的差异信息，dif(nodi)表示在所述增强图像中，nodi与其右边的像素点的差异信息；
以此类推，使用f(nodi,right)对f(nodi,right)右侧的像素点的像素值进行修正，直到nodi右侧所有的不属于U1的像素点全部修正完毕；
若nodi右侧的像素点nodi,right为属于U1的像素点，则不对nodi,right的像素值进行修正，此时，若i≠m，将i的值加1，对nodi+1右侧的像素点进行上述修正过程，若i＝m，则第n行像素点修正完毕；
若nod1的左侧存在像素点集合{nod1,left,1,nod1,left,2,…,nod1,left,m1}，其中，nod1,left,1与nod1之间的距离最小，nod1,left,2与nod1之间的距离第二小，nod1,left,m1与nod1之间的距离最大，m1表示集合中的元素的总数，将nod1,left,j记为集合{nod1,left,1,nod1,left,2,…,nod1,left,m1}中的第j个元素，j∈[1,m1]，
对于nod1,left,1的像素值，通过下述公式进行修正：
式中，f(nod1,left,1)表示nod1,left,1修正后的像素值，f(nod1)表示nod1的像素值，dif(nod1,left,1)表示nod1,left,1与其右边的像素点的差异信息，dif(nod1)表示nod1与其右边的像素点的差异信息；
以此类推，使用f(nod1,left,1)对nod1,left,2的像素值进行上述修正，直到集合{nod1,left,1,nod1,left,2,…,nod1,left,m1}中所有的元素的像素值均修正完毕。
本发明上述实施方式，通过逐行的方式对第一图像中不属于U1的像素点进行修正处理，从而将增强图像中的像素点间的差异信息以及边缘信息传递到最后得到的灰度化图像中。并且针对可能出现的情况均进行了相应的修正方案，因此，本发明上述实施方式修正效果好，修正范围完整。具体地，在进行修正时，采用的是传递修正的方案，即对一个像素点修正完毕后，将该像素点作为基准，对其右侧或左侧的像素点继续进行修正，从而实现了像素点间的差异信息的在灰度化图像上的保留。
尽管已经示出和描述了本发明的实施例，本领域技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变形，本发明的范围由权利要求及其等同物限定。
Claims (4)
1.一种基于人工智能的电子竞技运营信息管理系统，其特征在于，其包括运营信息输入模块、运营信息检测模块、运营信息存储模块；
所述运营信息输入模块用于具有输入权限的运营人员输入电子竞技活动的运营信息，并将所述运营信息传输至运营信息检测模块；
所述运营信息检测模块用于使用预先训练好的神经网络模型对所述运营信息进行准确性分析以及用于在所述运营信息通过准确性分析后，则将所述运营信息传输至运营信息存储模块；
所述运营信息存储模块用于接收并存储所述运营信息；
所述运营信息输入模块包括权限认证子模块、输入子模块和传输子模块；
所述权限认证子模块用于判断需要使用输入子模块的运营人员是否具有输入权限，若是，则向所述运营人员开放使用输入子模块的权限；
所述输入子模块用于具有输入权限的运营人员输入所述电子竞技活动的运营信息，并将所述运营信息传输至传输子模块；
所述传输子模块用于将所述运营信息传输至运营信息检测模块；
所述权限认证子模块包括验证信息获取单元、验证信息处理单元和验证信息匹配单元；
所述验证信息获取单元用于获取所述需要使用输入子模块的运营人员的脸部图像，并将所述脸部图像发送至所述验证信息处理单元；
所述验证信息处理单元用于获取所述脸部图像中包含的特征信息，并将所述特征信息发送至所述验证信息匹配单元；
所述验证信息匹配单元用于将验证信息处理单元获取的特征信息与所有具有使用所述输入子模块的权限的运营人员的脸部图像的特征信息进行匹配，并根据匹配结果判断所述需要使用输入子模块的运营人员是否具有输入权限；
所述获取所述脸部图像中包含的特征信息，包括：
对所述脸部图像进行肤色检测，获取所述脸部图像中包含的肤色像素点；
对所述肤色像素点进行连通域检测，分别获取每个连通域所包含的像素点的总数；
对所有的连通域进行编号，分别计算每个连通域在所述脸部图像中的面积占比；
将所述面积占比大于预设的占比阈值的连通域的编号存入连通域集合中；
按照面积占比从大到小对连通域集合中的编号对应的连通域进行人眼检测，获取左眼区域和右眼区域；
在所述脸部图像中分别获取左眼区域和右眼区域的中心像素点nodeleft和noderight，并求取nodeleft和noderight之间的距离distlr；
获取nodeleft和noderight之间的连线的中点的像素点nodemid，将nodemid的坐标记为(xmid,ymid)，并根据(xmid,ymid)确定人脸区域图像；
对所述人脸区域图像进行灰度化处理，获得灰度化图像；
对所述灰度化图像进行降噪处理，获得降噪图像；
对所述降噪图像进行特征信息的提取，获得所述脸部图像中包含的特征信息；
对所述脸部图像进行肤色检测，获取所述脸部图像中包含的肤色像素点，包括：
将分别使用改进的YCrCb肤色模型、肤色直方图统计模型、高斯肤色模型对所述脸部图像进行肤色检测获得的皮肤图像分别记为skin1、skin2、skin3；
对于所述脸部图像中的像素点noded，使用下述规则判断其是否属于肤色像素点：
若skin1和skin2中包含noded或
skin1和skin3中包含noded或
skin2和skin3中包含noded或
skin1、skin2、skin3中均包含noded，则noded属于肤色像素点，否则，noded不属于肤色像素点；
所述对所述人脸区域图像进行灰度化处理，获得灰度化图像，包括：
使用下述公式对所述人脸区域图像进行灰度化处理，获得第一图像：
nof(a)＝0.298×R(a)+0.577×G(a)+0.125×B(a)
式中，a表示所述人脸区域图像中的像素点，R(a)、G(a)、B(a)分别表示a在RGB颜色模型中的红色分量、绿色分量和蓝色分量，nof(a)表示a的像素值，nof表示第一图像；
对所述人脸区域图像进行增强处理，获得增强图像；
对所述增强图像进行彩色图像边缘检测，获得边缘像素点；
求取所述增强图像中的相邻像素点之间的像素值差异信息；
对于所述边缘像素点在所述第一图像中对应的像素点，保留其像素值不变，并根据所述像素值差异信息对所述第一图像中的剩余像素点进行像素值修正，获得灰度化图像；
对所述人脸区域图像进行增强处理，获得增强图像，包括：
将所述人脸区域图像转换到Lab颜色空间，获取各个像素点的L、a、b三个分量的值；
使用下述公式对所述人脸区域图像进行增强处理：
式中，(u,v)表示像素点的坐标，l(u,v)表示坐标为(u,v)的像素点的L分量的值，stl(u,v)表示增强处理后的坐标为(u,v)的像素点的L分量的值，mithr和mathr表示预设的第一处理阈值和第二处理阈值，ta表示预设的控制参数，lmi和lma分别表示所述人脸区域图像在Lab颜色空间中的L分量的最小值和最大值，min表示选择函数，选取括号内的较小值；
联合a(u,v)、b(u,v)、stl(u,v)，将图像从Lab颜色空间转换回RGB颜色空间，得到增强图像。
2.根据权利要求1所述的一种基于人工智能的电子竞技运营信息管理系统，其特征在于，所述根据匹配结果判断所述需要使用输入子模块的运营人员是否具有输入权限，包括：
若所述匹配结果为匹配成功，则判断所述需要使用输入子模块的运营人员具有输入权限；
若所述匹配结果为匹配失败，则判断所述需要使用输入子模块的运营人员不具有输入权限。
3.根据权利要求1所述的一种基于人工智能的电子竞技运营信息管理系统，其特征在于，所述运营信息包括电子竞技活动投入资金总额和电子竞技活动参与人数。
4.根据权利要求3所述的一种基于人工智能的电子竞技运营信息管理系统，其特征在于，所述使用预先训练好的神经网络模型对所述运营信息进行准确性分析，包括：
判断所述运营信息是否处于预设的正常数值区间，若是，则判断所述运营信息通过准确性分析，若否，则判断所述运营信息没有通过准确性分析。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110090484.3A CN112784239B (zh) | 2021-01-22 | 2021-01-22 | 一种基于人工智能的电子竞技运营信息管理系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110090484.3A CN112784239B (zh) | 2021-01-22 | 2021-01-22 | 一种基于人工智能的电子竞技运营信息管理系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112784239A CN112784239A (zh) | 2021-05-11 |
| CN112784239B true CN112784239B (zh) | 2022-05-27 |
Family
ID=75758684
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110090484.3A Active CN112784239B (zh) | 2021-01-22 | 2021-01-22 | 一种基于人工智能的电子竞技运营信息管理系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112784239B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113262495B (zh) * | 2021-05-27 | 2022-01-18 | 南京比夫网络科技有限公司 | 一种基于人工智能的ai电竞运营机器人 |
| CN114444940B (zh) * | 2022-01-27 | 2023-12-26 | 黑龙江邮政易通信息网络有限责任公司 | 一种基于大数据的企业数据采集分析系统 |
| CN114549023B (zh) * | 2022-02-28 | 2023-01-24 | 今日汽车信息技术有限公司 | 一种汽车销售客户跟进管理系统 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP6945986B2 (ja) * | 2016-10-28 | 2021-10-06 | キヤノン株式会社 | 演算回路、その制御方法及びプログラム |
| CN108171625A (zh) * | 2017-12-22 | 2018-06-15 | 北京工业大学 | 一种高校电子竞技信息管理平台 |
| CN109933572A (zh) * | 2019-01-28 | 2019-06-25 | 安徽斯瑞菱智能科技有限公司 | 一种用于大型企业的数据管理方法及系统 |
| CN111597418B (zh) * | 2020-05-29 | 2022-04-19 | 浙江广厦建设职业技术学院 | 一种基于大数据的档案数据存储系统 |
| CN111597406A (zh) * | 2020-05-29 | 2020-08-28 | 浙江广厦建设职业技术学院 | 一种基于大数据的档案管理系统 |
-
2021
- 2021-01-22 CN CN202110090484.3A patent/CN112784239B/zh active Active
Non-Patent Citations (4)
| Title |
|---|
| 一种复杂环境下人眼精确定位算法的研究;周治民;《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》;20160415(第4期);全文 * |
| 人脸识别门禁系统的设计与实现;杨玉龙;《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》;20150115(第1期);全文 * |
| 基于肤色和轮廓信息的人脸检测;李启娟等;《济南大学学报（自然科学版）》;20081031;第22卷(第4期);全文 * |
| 基于视频图像的眼动系统算法研究与实现;王际航;《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》;20160915(第9期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112784239A (zh) | 2021-05-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112784239B (zh) | 一种基于人工智能的电子竞技运营信息管理系统 | |
| CN108765423B (zh) | 一种卷积神经网络训练方法及装置 | |
| CN107292307B (zh) | 一种倒置汉字验证码自动识别方法及系统 | |
| CN109871845B (zh) | 证件图像提取方法及终端设备 | |
| CN113793196A (zh) | 一种基于云计算的电医生售电管理系统 | |
| WO2022222575A1 (zh) | 用于目标识别的方法和系统 | |
| CN111967319B (zh) | 基于红外和可见光的活体检测方法、装置、设备和存储介质 | |
| CN112633221A (zh) | 一种人脸方向的检测方法及相关装置 | |
| CN111209820A (zh) | 人脸活体检测方法、系统、设备及可读存储介质 | |
| CN107862654A (zh) | 图像处理方法、装置、计算机可读存储介质和电子设备 | |
| CN114582003A (zh) | 一种基于云计算服务的睡眠健康管理系统 | |
| Gasparini et al. | Automatic red-eye removal for digital photography | |
| WO2002065396A1 (en) | Image processing program, computer-readable recording medium recording image processing program, image processing method and image processing device | |
| CN113255802A (zh) | 一种基于红外激光的智能嫩肤系统 | |
| CN115620117B (zh) | 一种用于网络访问权限认证的人脸信息加密方法及系统 | |
| CN112651962A (zh) | 一种ai智能诊断系统平台 | |
| CN114445898B (zh) | 人脸活体检测方法、装置、设备、存储介质及程序产品 | |
| Gu et al. | Automatic Tongue Image Segmentation Based on Thresholding and an Improved Level Set Model | |
| CN113327212B (zh) | 人脸驱动、模型的训练方法、装置、电子设备及存储介质 | |
| Shaikha et al. | Optic Disc Detection and Segmentation in Retinal Fundus Image | |
| CN111832464A (zh) | 一种基于近红外摄像头的活体检测方法及装置 | |
| CN113822927A (zh) | 一种适用弱质量图像的人脸检测方法、装置、介质及设备 | |
| CN112182537A (zh) | 监控方法、装置、服务器、系统以及存储介质 | |
| CN115331286B (zh) | 一种基于深度学习的内容安全检测系统 | |
| WO2024042674A1 (ja) | 情報処理装置、認証方法および記憶媒体 |
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 | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: An AI based electronic sports operation information management system Granted publication date: 20220527 Pledgee: Nanjing Bank Co.,Ltd. Nanjing Financial City Branch Pledgor: Nanjing Huizhi Mutual Entertainment Network Technology Co.,Ltd. Registration number: Y2024980012552 |