CN116645525A - 一种游戏图像识别方法及处理系统 - Google Patents

一种游戏图像识别方法及处理系统 Download PDF

Info

Publication number
CN116645525A
CN116645525A CN202310930268.4A CN202310930268A CN116645525A CN 116645525 A CN116645525 A CN 116645525A CN 202310930268 A CN202310930268 A CN 202310930268A CN 116645525 A CN116645525 A CN 116645525A
Authority
CN
China
Prior art keywords
target object
value
feature
adjustment model
fine granularity
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.)
Granted
Application number
CN202310930268.4A
Other languages
English (en)
Other versions
CN116645525B (zh
Inventor
李银
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.)
Shenzhen Douyue Network Technology Co ltd
Original Assignee
Shenzhen Douyue Network Technology 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 Shenzhen Douyue Network Technology Co ltd filed Critical Shenzhen Douyue Network Technology Co ltd
Priority to CN202310930268.4A priority Critical patent/CN116645525B/zh
Publication of CN116645525A publication Critical patent/CN116645525A/zh
Application granted granted Critical
Publication of CN116645525B publication Critical patent/CN116645525B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—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
    • 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
    • A63F13/50—Controlling the output signals based on the game progress
    • A63F13/52—Controlling the output signals based on the game progress involving aspects of the displayed game scene
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)

Abstract

本申请涉及计算机技术领域，提供一种游戏图像识别方法及处理系统，该方法包括：获取待处理游戏图像；提取每一个目标对象的对象轮廓，基于每一个目标对象的对象轮廓的像素点数目和像素值，确定每一个目标对象的轮廓特征；提取每一个目标对象的图像特征，对每一个目标对象的图像特征的低层特征信息、中层特征信息、高层特征信息和全局特征信息进行信息融合，确定每一个目标对象的对象特征；根据每一个目标对象的特征差异值获取细粒度调整模型；根据每一个目标对象的细粒度调整模型对每一个目标对象进行细粒度处理，得到每一个目标对象的对象内容。本申请能够准确地识别出游戏图像中每一个目标对象的对象内容，提高了游戏图像识别的准确性。

Description

一种游戏图像识别方法及处理系统
技术领域
本申请涉及计算机技术领域，尤其涉及图像识别技术，具体涉及一种游戏图像识别方法及处理系统。
背景技术
现有的游戏图像识别方法主要是基于特征匹配技术的游戏图像识别方法，即通过提取游戏图像中的图像特征，如颜色、纹理、形状等，然后通过如SIFT特征匹配算法（尺度不变特征变换）、SURF特征匹配算法（加速稳健特征）和ORB特征匹配算法（Oriented FAST andRotated BRIEF）进行特征匹配，从而识别出游戏图像中的各个图像内容。然而特征匹配技术考虑的特征单一，使得游戏图像识别的准确性无法到达理想。
发明内容
本申请实施例提供一种游戏图像识别方法及处理系统，旨在提高游戏图像识别的准确性。
第一方面，本申请实施例提供一种游戏图像识别方法，包括：
获取待处理游戏图像；所述待处理游戏图像包含有多个目标对象；
对每一个目标对象进行轮廓提取，得到每一个目标对象的对象轮廓，并基于每一个目标对象的对象轮廓的像素点数目和像素值，确定每一个目标对象的轮廓特征；
将每一个目标对象进行特征提取，得到每一个目标对象的图像特征，并对每一个目标对象的图像特征的低层特征信息、中层特征信息、高层特征信息和全局特征信息进行信息融合，确定每一个目标对象的对象特征；
计算每一个目标对象的轮廓特征和对象特征之间的特征差异值，并根据每一个目标对象的特征差异值获取细粒度调整模型；
根据每一个目标对象的细粒度调整模型对每一个目标对象进行细粒度处理，得到每一个目标对象的对象内容。
在一个实施例中，所述基于每一个目标对象的对象轮廓的像素点数目和像素值，确定每一个目标对象的轮廓特征，包括：
根据每一个目标对象的对象轮廓的像素点数目，确定每一个目标对象的覆盖区域，并根据每一个目标对象的覆盖区域对每一个目标对象进行覆盖区域估算，得到每一个目标对象的对象初始区域；
根据每一个目标对象的对象轮廓的像素值，确定每一个目标对象的检测框区域，并根据每一个目标对象的检测框区域，确定每一个目标对象的扩充区域；
将每一个目标对象的扩充区域从每一个目标对象的对象初始区域进行过滤，得到每一个目标对象的轮廓特征；
相应的，所述根据每一个目标对象的检测框区域，确定每一个目标对象的扩充区域，包括：
以所述检测框区域的中心位置为参考位置，以所述检测框区域的边界位置作为起始位置，沿着边界延伸方向添加预设数量像素点，得到所述扩充区域，其中，所述扩充区域为以所述参考位置为中心，大于所述检测框区域的区域。
在一个实施例中，所述计算每一个目标对象的轮廓特征和对象特征之间的特征差异值，包括：
获取每一个目标对象的轮廓特征的第一识别结果和每一个目标对象的对象特征的第二识别结果；
将所述每一个目标对象的第二识别结果取对数与每一个目标对象的第一识别结果进行乘积，得到第一乘积，将所述每一个目标对象的第一识别结果取对数与每一个目标对象的第二识别结果进行乘积，得到第二乘积，将每一个目标对象的第二识别结果取对数与每一个目标对象的第一识别结果取对数进行相加，得到和值；
将每一个目标对象的第一乘积与第二乘积商值计算后与和值相乘，得到每一个目标对象的特征之间的特征差异值；所述特征差异值用于表征每一个目标对象的轮廓特征的第一识别结果与对象特征的第二识别结果之间的差异；
其中，每一个目标对象的特征差异值的计算公式如下：
；
其中，为每一个目标对象的特征差异值，为每一个目标对象的轮廓特征的 第一识别结果，为每一个目标对象的对象特征的第二识别结果。
在一个实施例中，所述根据每一个目标对象的特征差异值获取细粒度调整模型，包括：
若确定每一个目标对象的特征差异值大于0且小于等于0.2，则获取第一等级细粒度调整模型，所述第一等级细粒度调整模型的损失函数为：
；
其中，为第一损失值，为轮廓特征的识别结果，为对象特征的识别结 果；或，
若确定每一个目标对象的特征差异值大于0.2且小于等于0.5，则获取第二等级细粒度调整模型，所述第二等级细粒度调整模型的损失函数为：
；
其中，为第二损失值，为轮廓特征的识别结果，为对象特征的识别结 果；或，
若确定每一个目标对象的特征差异值大于0.5，则获取第三等级细粒度调整模型，所述第三等级细粒度调整模型的损失函数为：
；
其中，为第三损失值，为轮廓特征的识别结果，为对象特征的识别结 果，为预设调节系数。
在一个实施例中，所述根据每一个目标对象的细粒度调整模型对每一个目标对象进行细粒度处理，得到每一个目标对象的对象内容，包括：
若确定每一个目标对象的细粒度调整模型为第一等级细粒度调整模型，则根据所述第一等级细粒度调整模型对每一个目标对象进行细粒度处理，直至所述第一损失值连续预设次数相同且为最小值，得到每一个目标对象的对象内容。
在一个实施例中，所述根据每一个目标对象的细粒度调整模型对每一个目标对象进行细粒度处理，得到每一个目标对象的对象内容，包括：
若确定每一个目标对象的细粒度调整模型为第二等级细粒度调整模型，则根据所述第二等级细粒度调整模型对每一个目标对象进行细粒度处理，计算相邻两个所述第二损失值之间的偏振度值，直至所述偏振度值小于预设阈值，得到每一个目标对象的对象内容；
相邻两个第二损失值之间的偏振度值的计算公式如下：
；
其中，为相邻两个第二损失值之间的偏振度值，和为相邻两个 第二损失值。
在一个实施例中，所述根据每一个目标对象的细粒度调整模型对每一个目标对象进行细粒度处理，得到每一个目标对象的对象内容，包括：
若确定每一个目标对象的细粒度调整模型为第三等级细粒度调整模型，则根据所述第三等级细粒度调整模型对每一个目标对象进行细粒度处理，计算连续两个时刻的第三函数值的增长值，直至连续两个时刻的第三函数值的增长值小于0.1，得到每一个目标对象的对象内容；
连续两个时刻的第三函数值的增长值的计算公式为：
；
其中，为连续两个时刻的第三函数值的增长值，和为连续两个 时刻的第三函数值。
第二方面，本申请实施例提供一种游戏图像识别系统，包括：
获取模块，用于获取待处理游戏图像；所述待处理游戏图像包含有多个目标对象；
轮廓特征提取模块，用于对每一个目标对象进行轮廓提取，得到每一个目标对象的对象轮廓，并基于每一个目标对象的对象轮廓的像素点数目和像素值，确定每一个目标对象的轮廓特征；
对象特征模块，用于将每一个目标对象进行特征提取，得到每一个目标对象的图像特征，并对每一个目标对象的图像特征的低层特征信息、中层特征信息、高层特征信息和全局特征信息进行信息融合，确定每一个目标对象的对象特征；
计算加载模块，用于计算每一个目标对象的轮廓特征和对象特征之间的特征差异值，并根据每一个目标对象的特征差异值获取细粒度调整模型；
图像识别模块，用于根据每一个目标对象的细粒度调整模型对每一个目标对象进行细粒度处理，得到每一个目标对象的对象内容。
第三方面，本申请实施例提供一种电子设备，所述电子设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现第一方面所述的游戏图像识别方法。
第四方面，本申请实施例提供一种非暂态计算机可读存储介质，非暂态计算机可读存储介质包括计算机程序，所述计算机程序被处理器执行时实现第一方面所述的游戏图像识别方法。
本申请实施例提供的游戏图像识别方法及处理系统，获取待处理游戏图像；对每一个目标对象进行轮廓提取，得到每一个目标对象的对象轮廓，并基于每一个目标对象的对象轮廓的像素点数目和像素值，确定每一个目标对象的轮廓特征；将每一个目标对象进行特征提取，得到每一个目标对象的图像特征，并对每一个目标对象的图像特征的低层特征信息、中层特征信息、高层特征信息和全局特征信息进行信息融合，确定每一个目标对象的对象特征；计算每一个目标对象的轮廓特征和对象特征之间的特征差异值，并根据每一个目标对象的特征差异值获取细粒度调整模型；根据每一个目标对象的细粒度调整模型对每一个目标对象进行细粒度处理，得到每一个目标对象的对象内容。在游戏图像识别的过程中，通过每一个目标对象的轮廓特征和对象特征之间的特征差异值，调取细粒度调整模型对每一个每一个目标对象进行细粒度处理，得到每一个目标对象的对象内容，因此能够准确地识别出游戏图像中每一个目标对象的对象内容，提高了游戏图像识别的准确性。
附图说明
为了更清楚地说明本申请或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图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。
图1是本申请实施例提供的游戏图像识别方法的流程图；
图2是本申请实施例提供的游戏图像识别系统的结构图；
图3是本申请实施例提供的电子设备的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
结合图1至图3对本申请实施例的游戏图像识别方法进行说明。
图1是本申请实施例提供的游戏图像识别方法的流程图。参照图1，本申请实施例提供一种游戏图像识别方法包括：
步骤100，获取待处理游戏图像；
步骤200，对每一个目标对象进行轮廓提取，得到每一个目标对象的对象轮廓，并基于每一个目标对象的对象轮廓的像素点数目和像素值，确定每一个目标对象的轮廓特征；
步骤300，将每一个目标对象进行特征提取，得到每一个目标对象的图像特征，并对每一个目标对象的图像特征的低层特征信息、中层特征信息、高层特征信息和全局特征信息进行信息融合，确定每一个目标对象的对象特征；
步骤400，计算每一个目标对象的轮廓特征和对象特征之间的特征差异值，根据每一个目标对象的特征差异值获取细粒度调整模型；
步骤500，根据每一个目标对象的细粒度调整模型对每一个目标对象进行细粒度处理，得到每一个目标对象的对象内容。
需要说明的是，本发明实施例的游戏图像识别方法以游戏图像识别系统举例说明。在需要识别游戏图像中的对象内容时，用户需要在游戏图像识别系统中输入待处理游戏图像。
进一步地，游戏图像识别系统获取到待处理游戏图像，解析出待处理游戏图像中的多个目标对象。
进一步地，游戏图像识别系统对每一个目标对象进行轮廓提取，得到每一个目标对象的对象轮廓，并基于每一个目标对象的对象轮廓的像素点数目和像素值，确定每一个目标对象的轮廓特征。
进一步地，游戏图像识别系统将每一个目标对象进行特征提取，得到每一个目标对象的图像特征，并对每一个目标对象的图像特征的低层特征信息、中层特征信息、高层特征信息和全局特征信息进行信息融合，确定每一个目标对象的对象特征。
其中，低层特征信息（Low-Level Features）指的是从原始图像中直接提取的底层图像属性。这些特征通常是基本的像素级别属性包括：边缘：反映图像中颜色或亮度变化的位置。角点：表示图像中明显的角落或转折点。纹理：描述图像中局部区域的纹理信息。对比度：反映图像中不同区域的亮度差异等。中层特征信息（Mid-Level Features）是在低层特征基础上进一步组合和提取的特征，能够表示更高级别的图像信息。中层特征可以包括：颜色直方图：描述图像中不同颜色在整体中的分布情况。方向梯度直方图（HOG）：用于描述图像中的边缘和纹理方向分布。尺度不变特征变换（SIFT）：用于提取特征点和描述子，具有尺度和旋转不变性。
高层特征信息（High-Level Features）是从中层特征中进一步抽象和提取的语义信息，能够表示更抽象和复杂的图像内容。高层特征可以包括：物体检测：通过识别图像中的物体或目标来提取高层特征，常用的方法包括卷积神经网络（CNN）。人脸识别：用于对图像中的人脸进行识别和特征提取，常用的方法包括人脸关键点检测和深度学习模型。特征信息（Global Features）是对整个图像进行分析和提取的特征，能够表示图像的整体性质。常见的全局特征包括：颜色直方图：描述整个图像中颜色的分布情况。图像统计特征：包括均值、方差等统计量，反映图像的亮度和对比度信息。傅里叶变换特征：通过对图像进行傅里叶变换来提取频域特征，用于图像处理和分析。
进一步地，游戏图像识别系统计算每一个目标对象的轮廓特征和对象特征之间的特征差异值，根据每一个目标对象的特征差异值获取细粒度调整模型。最后，游戏图像识别系统根据每一个目标对象的细粒度调整模型对每一个目标对象进行细粒度处理，得到每一个目标对象的对象内容。
本申请实施例提供的游戏图像识别方法，获取待处理游戏图像；对每一个目标对象进行轮廓提取，得到每一个目标对象的对象轮廓，并基于每一个目标对象的对象轮廓的像素点数目和像素值，确定每一个目标对象的轮廓特征；将每一个目标对象进行特征提取，得到每一个目标对象的图像特征，对每一个目标对象的图像特征的低层特征信息、中层特征信息、高层特征信息和全局特征信息进行信息融合，确定每一个目标对象的对象特征；计算每一个目标对象的轮廓特征和对象特征之间的特征差异值，根据每一个目标对象的特征差异值获取细粒度调整模型；根据每一个目标对象的细粒度调整模型对每一个目标对象进行细粒度处理，得到每一个目标对象的对象内容。在游戏图像识别的过程中，通过每一个目标对象的轮廓特征和对象特征之间的特征差异值，调取细粒度调整模型对每一个每一个目标对象进行细粒度处理，得到每一个目标对象的对象内容，因此能够准确地识别出游戏图像中每一个目标对象的对象内容，提高了游戏图像识别的准确性。
基于上述实施例，步骤200记载的基于每一个目标对象的对象轮廓的像素点数目和像素值，确定每一个目标对象的轮廓特征，包括：
根据每一个目标对象的对象轮廓的像素点数目，确定每一个目标对象的覆盖区域，并根据每一个目标对象的覆盖区域对每一个目标对象进行覆盖区域估算，得到每一个目标对象的对象初始区域；
根据每一个目标对象的对象轮廓的像素值，确定每一个目标对象的检测框区域，并根据每一个目标对象的检测框区域，确定每一个目标对象的扩充区域；
将每一个目标对象的扩充区域从每一个目标对象的对象初始区域进行过滤，得到每一个目标对象的轮廓特征；
相应的，所述根据每一个目标对象的检测框区域，确定每一个目标对象的扩充区域，包括：
以所述检测框区域的中心位置为参考位置，以所述检测框区域的边界位置作为起始位置，沿着边界延伸方向添加预设数量像素点，得到所述扩充区域，其中，所述扩充区域为以所述参考位置为中心，大于所述检测框区域的区域。
具体地，游戏图像识别系统根据每一个目标对象的对象轮廓的像素点数目，确定每一个目标对象的覆盖区域，即每一个目标对象的最大覆盖范围，并根据每一个目标对象的覆盖区域对每一个目标对象进行覆盖区域估算，得到每一个目标对象的对象初始区域。
进一步地，游戏图像识别系统根据每一个目标对象的对象轮廓的像素值，确定每一个目标对象的检测框区域，即每一个目标对象的实际覆盖范围，并根据每一个目标对象的检测框区域，确定每一个目标对象的扩充区域。相应的，以检测框区域的中心位置为参考位置，以检测框区域的边界位置作为起始位置，沿着边界延伸方向添加预设数量像素点，得到扩充区域，其中，扩充区域为以参考位置为中心，大于检测框区域的区域，预设数量像素点根据实际设定。
进一步地，游戏图像识别系统将每一个目标对象的扩充区域从每一个目标对象的对象初始区域进行过滤，即将每一个目标对象的最大覆盖范围内，除了每一个目标对象的实际覆盖范围之外的部分进行扣除，得到每一个目标对象的轮廓特征。
本申请实施例提供了每一个目标对象的轮廓特征，使得后续通过每一个目标对象的轮廓特征和对象特征之间的特征差异值，调取细粒度调整模型对每一个每一个目标对象进行细粒度处理，得到每一个目标对象的对象内容，因此能够准确地识别出游戏图像中每一个目标对象的对象内容，提高了游戏图像识别的准确性。
基于上述实施例，步骤400记载的计算每一个目标对象的轮廓特征和对象特征之间的特征差异值，包括：
获取每一个目标对象的轮廓特征的第一识别结果和每一个目标对象的对象特征的第二识别结果；
将所述每一个目标对象的第二识别结果取对数与每一个目标对象的第一识别结果进行乘积，得到第一乘积，将所述每一个目标对象的第一识别结果取对数与每一个目标对象的第二识别结果进行乘积，得到第二乘积，将每一个目标对象的第二识别结果取对数与每一个目标对象的第一识别结果取对数进行相加，得到和值；
将每一个目标对象的第一乘积与第二乘积商值计算后与和值相乘，得到每一个目标对象的特征之间的特征差异值；所述特征差异值用于表征每一个目标对象的轮廓特征的第一识别结果与对象特征的第二识别结果之间的差异；
其中，每一个目标对象的特征差异值的计算公式如下：
；
其中，为每一个目标对象的特征差异值，为每一个目标对象的轮廓特征的第 一识别结果，为每一个目标对象的对象特征的第二识别结果。
具体地，游戏图像识别系统获取每一个目标对象的轮廓特征的第一识别结果和每一个目标对象的对象特征的第二识别结果。
游戏图像识别系统将每一个目标对象的第二识别结果取对数与每一个目标对象的第一识别结果进行乘积，得到第一乘积。将每一个目标对象的第一识别结果取对数与每一个目标对象的第二识别结果进行乘积，得到第二乘积。将每一个目标对象的第二识别结果取对数与每一个目标对象的第一识别结果取对数进行相加，得到和值；
游戏图像识别系统将每一个目标对象的第一乘积与第二乘积商值计算后与和值相乘，得到每一个目标对象的特征之间的特征差异值，其中，特征差异值用于表征每一个目标对象的轮廓特征的第一识别结果与对象特征的第二识别结果之间的差异，因此，每一个目标对象的特征差异值的计算公式如下：
其中，为每一个目标对象的特征差异值，为每一个目标对象的轮廓特征的第 一识别结果，为每一个目标对象的对象特征的第二识别结果。
本申请实施例通过每一个目标对象的轮廓特征和对象特征的特征差异值，调取细粒度调整模型对每一个每一个目标对象进行细粒度处理，得到每一个目标对象的对象内容，因此能够准确地识别出游戏图像中每一个目标对象的对象内容，提高了游戏图像识别的准确性。
基于上述实施例，步骤400记载的根据每一个目标对象的特征差异值获取细粒度调整模型，包括：
若确定每一个目标对象的特征差异值大于0且小于等于0.2，则获取第一等级细粒度调整模型，所述第一等级细粒度调整模型的损失函数为：
；
其中，为第一损失值，为轮廓特征的识别结果，为对象特征的识别结 果；或，
若确定每一个目标对象的特征差异值大于0.2且小于等于0.5，则获取第二等级细粒度调整模型，所述第二等级细粒度调整模型的损失函数为：
；
其中，为第二损失值，为轮廓特征的识别结果，为对象特征的识别结 果；或，
若确定每一个目标对象的特征差异值大于0.5，则获取第三等级细粒度调整模型，所述第三等级细粒度调整模型的损失函数为：
；
其中，为第三损失值，为轮廓特征的识别结果，为对象特征的识别结 果，为预设调节系数。
具体地，若确定每一个目标对象的特征差异值大于0且小于等于0.2，游戏图像识别系统则获取第一等级细粒度调整模型，第一等级细粒度调整模型的损失函数为：
其中，为第一损失值，为轮廓特征的识别结果，为对象特征的识别结 果。
进一步地，若确定每一个目标对象的特征差异值大于0.2且小于等于0.5，游戏图像识别系统则获取第二等级细粒度调整模型，第二等级细粒度调整模型的损失函数为：
其中，为第二损失值，为轮廓特征的识别结果，为对象特征的识别结 果。
进一步地，若确定每一个目标对象的特征差异值大于0.5，游戏图像识别系统则获取第三等级细粒度调整模型，第三等级细粒度调整模型的损失函数为：
其中，为第三损失值，为轮廓特征的识别结果，为对象特征的识别结 果，为预设调节系数，预设调节系数的取值范围可为0.5-0.7。在一实施例中，预设调 节系数为0.6。
本申请实施例通过每一个目标对象的轮廓特征和对象特征的特征差异值，调取细粒度调整模型对每一个每一个目标对象进行细粒度处理，得到每一个目标对象的对象内容，因此能够准确地识别出游戏图像中每一个目标对象的对象内容，提高了游戏图像识别的准确性。
基于上述实施例，步骤500记载的根据每一个目标对象的细粒度调整模型对每一个目标对象进行细粒度处理，得到每一个目标对象的对象内容，包括：
若确定每一个目标对象的细粒度调整模型为第一等级细粒度调整模型，则根据所述第一等级细粒度调整模型对每一个目标对象进行细粒度处理，直至所述第一损失值连续预设次数相同且为最小值，得到每一个目标对象的对象内容；
若确定每一个目标对象的细粒度调整模型为第二等级细粒度调整模型，则根据所述第二等级细粒度调整模型对每一个目标对象进行细粒度处理，计算相邻两个所述第二损失值之间的偏振度值，直至所述偏振度值小于预设阈值，得到每一个目标对象的对象内容；
相邻两个第二损失值之间的偏振度值的计算公式如下：
；
其中，为相邻两个第二损失值之间的偏振度值，和为相邻两个 第二损失值；
若确定每一个目标对象的细粒度调整模型为第三等级细粒度调整模型，则根据所述第三等级细粒度调整模型对每一个目标对象进行细粒度处理，计算连续两个时刻的第三函数值的增长值，直至连续两个时刻的第三函数值的增长值小于0.1，得到每一个目标对象的对象内容；
连续两个时刻的第三函数值的增长值的计算公式为：
；
其中，为连续两个时刻的第三函数值的增长值，和为连续两个 时刻的第三函数值。
具体地，若确定每一个目标对象的细粒度调整模型为第一等级细粒度调整模型，游戏图像识别系统则根据第一等级细粒度调整模型对每一个目标对象进行细粒度处理，直至第一损失值连续预设次数相同且为最小值，得到每一个目标对象的对象内容，其中，预设次数根据实际设定。或者，游戏图像识别系统则根据第一等级细粒度调整模型对每一个目标对象进行细粒度处理，迭代预设设定次数后，得到每一个目标对象的对象内容。
进一步地，若确定每一个目标对象的细粒度调整模型为第二等级细粒度调整模型，游戏图像识别系统则根据第二等级细粒度调整模型对每一个目标对象进行细粒度处理，在此过程中，计算相邻两个第二损失值之间的偏振度值，直至偏振度值小于预设阈值，得到每一个目标对象的对象内容；
相邻两个第二损失值之间的偏振度值的计算公式如下：
；
其中，为相邻两个第二损失值之间的偏振度值，和为相邻两个 第二损失值；
进一步地，若确定每一个目标对象的细粒度调整模型为第三等级细粒度调整模型，游戏图像识别系统则根据第三等级细粒度调整模型对每一个目标对象进行细粒度处理，在此过程中，计算连续两个时刻的第三函数值的增长值，直至连续两个时刻的第三函数值的增长值小于0.1，得到每一个目标对象的对象内容；
连续两个时刻的第三函数值的增长值的计算公式为：
；
其中，为连续两个时刻的第三函数值的增长值，和为连续两个 时刻的第三函数值。
本申请实施例通过每一个目标对象的轮廓特征和对象特征的特征差异值，调取细粒度调整模型对每一个每一个目标对象进行细粒度处理，得到每一个目标对象的对象内容，因此能够准确地识别出游戏图像中每一个目标对象的对象内容，提高了游戏图像识别的准确性。
下面对本申请实施例提供的游戏图像识别系统进行描述，下文描述的游戏图像识别系统与上文描述的游戏图像识别方法可相互对应参照。参考图2，图2是本申请实施例提供的游戏图像识别系统的结构图，本申请实施例提供的游戏图像识别系统包括：
获取模块201，用于获取待处理游戏图像；所述待处理游戏图像包含有多个目标对象；
轮廓特征提取模块202，用于对每一个目标对象进行轮廓提取，得到每一个目标对象的对象轮廓，并基于每一个目标对象的对象轮廓的像素点数目和像素值，确定每一个目标对象的轮廓特征；
对象特征模块203，用于将每一个目标对象进行特征提取，得到每一个目标对象的图像特征，并对每一个目标对象的图像特征的低层特征信息、中层特征信息、高层特征信息和全局特征信息进行信息融合，确定每一个目标对象的对象特征；
计算加载模块204，用于计算每一个目标对象的轮廓特征和对象特征之间的特征差异值，并根据每一个目标对象的特征差异值获取细粒度调整模型；
图像识别模块205，用于根据每一个目标对象的细粒度调整模型对每一个目标对象进行细粒度处理，得到每一个目标对象的对象内容。
本申请实施例提供的游戏图像识别系统，获取待处理游戏图像；对每一个目标对象进行轮廓提取，得到每一个目标对象的对象轮廓，并基于每一个目标对象的对象轮廓的像素点数目和像素值，确定每一个目标对象的轮廓特征；将每一个目标对象进行特征提取，得到每一个目标对象的图像特征，对每一个目标对象的图像特征的低层特征信息、中层特征信息、高层特征信息和全局特征信息进行信息融合，确定每一个目标对象的对象特征；计算每一个目标对象的轮廓特征和对象特征之间的特征差异值，根据每一个目标对象的特征差异值获取细粒度调整模型；根据每一个目标对象的细粒度调整模型对每一个目标对象进行细粒度处理，得到每一个目标对象的对象内容。在游戏图像识别的过程中，通过每一个目标对象的轮廓特征和对象特征之间的特征差异值，调取细粒度调整模型对每一个每一个目标对象进行细粒度处理，得到每一个目标对象的对象内容，因此能够准确地识别出游戏图像中每一个目标对象的对象内容，提高了游戏图像识别的准确性。
在一个实施例中，轮廓特征提取模块202还用于：
根据每一个目标对象的对象轮廓的像素点数目，确定每一个目标对象的覆盖区域，并根据每一个目标对象的覆盖区域对每一个目标对象进行覆盖区域估算，得到每一个目标对象的对象初始区域；
根据每一个目标对象的对象轮廓的像素值，确定每一个目标对象的检测框区域，并根据每一个目标对象的检测框区域，确定每一个目标对象的扩充区域；
将每一个目标对象的扩充区域从每一个目标对象的对象初始区域进行过滤，得到每一个目标对象的轮廓特征；
相应的，所述根据每一个目标对象的检测框区域，确定每一个目标对象的扩充区域，包括：
以所述检测框区域的中心位置为参考位置，以所述检测框区域的边界位置作为起始位置，沿着边界延伸方向添加预设数量像素点，得到所述扩充区域，其中，所述扩充区域为以所述参考位置为中心，大于所述检测框区域的区域。
在一个实施例中，计算加载模块204还用于：
获取每一个目标对象的轮廓特征的第一识别结果和每一个目标对象的对象特征的第二识别结果；
将所述每一个目标对象的第二识别结果取对数与每一个目标对象的第一识别结果进行乘积，得到第一乘积，将所述每一个目标对象的第一识别结果取对数与每一个目标对象的第二识别结果进行乘积，得到第二乘积，将每一个目标对象的第二识别结果取对数与每一个目标对象的第一识别结果取对数进行相加，得到和值；
将每一个目标对象的第一乘积与第二乘积商值计算后与和值相乘，得到每一个目标对象的特征之间的特征差异值；所述特征差异值用于表征每一个目标对象的轮廓特征的第一识别结果与对象特征的第二识别结果之间的差异；
其中，每一个目标对象的特征差异值的计算公式如下：
；
其中，为每一个目标对象的特征差异值，为每一个目标对象的轮廓特征的第 一识别结果，为每一个目标对象的对象特征的第二识别结果。
在一个实施例中，计算加载模块204还用于：
若确定每一个目标对象的特征差异值大于0且小于等于0.2，则获取第一等级细粒度调整模型，所述第一等级细粒度调整模型的损失函数为：
；
其中，为第一损失值，为轮廓特征的识别结果，为对象特征的识别结 果；或，
若确定每一个目标对象的特征差异值大于0.2且小于等于0.5，则获取第二等级细粒度调整模型，所述第二等级细粒度调整模型的损失函数为：
；
其中，为第二损失值，为轮廓特征的识别结果，为对象特征的识别结 果；或，
若确定每一个目标对象的特征差异值大于0.5，则获取第三等级细粒度调整模型，所述第三等级细粒度调整模型的损失函数为：
；
其中，为第三损失值，为轮廓特征的识别结果，为对象特征的识别结 果，为预设调节系数。
在一个实施例中，图像识别模块205还用于：
若确定每一个目标对象的细粒度调整模型为第一等级细粒度调整模型，则根据所述第一等级细粒度调整模型对每一个目标对象进行细粒度处理，直至所述第一损失值连续预设次数相同且为最小值，得到每一个目标对象的对象内容。
在一个实施例中，图像识别模块205还用于：
若确定每一个目标对象的细粒度调整模型为第二等级细粒度调整模型，则根据所述第二等级细粒度调整模型对每一个目标对象进行细粒度处理，计算相邻两个所述第二损失值之间的偏振度值，直至所述偏振度值小于预设阈值，得到每一个目标对象的对象内容；
相邻两个第二损失值之间的偏振度值的计算公式如下：
；
其中，为相邻两个第二损失值之间的偏振度值，和为相邻两个 第二损失值。
在一个实施例中，图像识别模块205还用于：
若确定每一个目标对象的细粒度调整模型为第三等级细粒度调整模型，则根据所述第三等级细粒度调整模型对每一个目标对象进行细粒度处理，计算连续两个时刻的第三函数值的增长值，直至连续两个时刻的第三函数值的增长值小于0.1，得到每一个目标对象的对象内容；
连续两个时刻的第三函数值的增长值的计算公式为：
；
其中，为连续两个时刻的第三函数值的增长值，和为连续两个 时刻的第三函数值。
图3示例了一种电子设备的实体结构示意图，如图3所示，该电子设备可以包括：处理器（processor）310、通信接口（Communication Interface）320、存储器（memory）330和通信总线340，其中，处理器310，通信接口320，存储器330通过通信总线340完成相互间的通信。处理器310可以调用存储器330中的计算机程序，以执行游戏图像识别方法的步骤，例如包括：
获取待处理游戏图像；所述待处理游戏图像包含有多个目标对象；
对每一个目标对象进行轮廓提取，得到每一个目标对象的对象轮廓，并基于每一个目标对象的对象轮廓的像素点数目和像素值，确定每一个目标对象的轮廓特征；
将每一个目标对象进行特征提取，得到每一个目标对象的图像特征，并对每一个目标对象的图像特征的低层特征信息、中层特征信息、高层特征信息和全局特征信息进行信息融合，确定每一个目标对象的对象特征；
计算每一个目标对象的轮廓特征和对象特征之间的特征差异值，并根据每一个目标对象的特征差异值获取细粒度调整模型；
根据每一个目标对象的细粒度调整模型对每一个目标对象进行细粒度处理，得到每一个目标对象的对象内容。
此外，上述的存储器330中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-OnlyMemory）、随机存取存储器（RAM，RandomAccessMemory）、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本申请实施例还提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质包括计算机程序，所述计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各实施例所提供的游戏图像识别方法的步骤，例如包括：
获取待处理游戏图像；所述待处理游戏图像包含有多个目标对象；
对每一个目标对象进行轮廓提取，得到每一个目标对象的对象轮廓，并基于每一个目标对象的对象轮廓的像素点数目和像素值，确定每一个目标对象的轮廓特征；
将每一个目标对象进行特征提取，得到每一个目标对象的图像特征，并对每一个目标对象的图像特征的低层特征信息、中层特征信息、高层特征信息和全局特征信息进行信息融合，确定每一个目标对象的对象特征；
计算每一个目标对象的轮廓特征和对象特征之间的特征差异值，并根据每一个目标对象的特征差异值获取细粒度调整模型；
根据每一个目标对象的细粒度调整模型对每一个目标对象进行细粒度处理，得到每一个目标对象的对象内容。
以上所描述的系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。

Claims (10)

1.一种游戏图像识别方法，其特征在于，包括：
获取待处理游戏图像；所述待处理游戏图像包含有多个目标对象；
对每一个目标对象进行轮廓提取，得到每一个目标对象的对象轮廓，并基于每一个目标对象的对象轮廓的像素点数目和像素值，确定每一个目标对象的轮廓特征；
将每一个目标对象进行特征提取，得到每一个目标对象的图像特征，并对每一个目标对象的图像特征的低层特征信息、中层特征信息、高层特征信息和全局特征信息进行信息融合，确定每一个目标对象的对象特征；
计算每一个目标对象的轮廓特征和对象特征之间的特征差异值，并根据每一个目标对象的特征差异值获取细粒度调整模型；
根据每一个目标对象的细粒度调整模型对每一个目标对象进行细粒度处理，得到每一个目标对象的对象内容。
2.据权利要求1所述的游戏图像识别方法，其特征在于，所述基于每一个目标对象的对象轮廓的像素点数目和像素值，确定每一个目标对象的轮廓特征，包括：
根据每一个目标对象的对象轮廓的像素点数目，确定每一个目标对象的覆盖区域，并根据每一个目标对象的覆盖区域对每一个目标对象进行覆盖区域估算，得到每一个目标对象的对象初始区域；
根据每一个目标对象的对象轮廓的像素值，确定每一个目标对象的检测框区域，并根据每一个目标对象的检测框区域，确定每一个目标对象的扩充区域；
将每一个目标对象的扩充区域从每一个目标对象的对象初始区域进行过滤，得到每一个目标对象的轮廓特征；
相应的，所述根据每一个目标对象的检测框区域，确定每一个目标对象的扩充区域，包括：
以所述检测框区域的中心位置为参考位置，以所述检测框区域的边界位置作为起始位置，沿着边界延伸方向添加预设数量像素点，得到所述扩充区域，其中，所述扩充区域为以所述参考位置为中心，大于所述检测框区域的区域。
3.据权利要求1所述的游戏图像识别方法，其特征在于，所述计算每一个目标对象的轮廓特征和对象特征之间的特征差异值，包括：
获取每一个目标对象的轮廓特征的第一识别结果和每一个目标对象的对象特征的第二识别结果；
将所述每一个目标对象的第二识别结果取对数与每一个目标对象的第一识别结果进行乘积，得到第一乘积，将所述每一个目标对象的第一识别结果取对数与每一个目标对象的第二识别结果进行乘积，得到第二乘积，将每一个目标对象的第二识别结果取对数与每一个目标对象的第一识别结果取对数进行相加，得到和值；
将每一个目标对象的第一乘积与第二乘积商值计算后与和值相乘，得到每一个目标对象的特征之间的特征差异值；所述特征差异值用于表征每一个目标对象的轮廓特征的第一识别结果与对象特征的第二识别结果之间的差异；
其中，每一个目标对象的特征差异值的计算公式如下：
；
其中，为每一个目标对象的特征差异值，/>为每一个目标对象的轮廓特征的第一识别结果，/>为每一个目标对象的对象特征的第二识别结果。
4.据权利要求1所述的游戏图像识别方法，其特征在于，所述根据每一个目标对象的特征差异值获取细粒度调整模型，包括：
若确定每一个目标对象的特征差异值大于0且小于等于0.2，则获取第一等级细粒度调整模型，所述第一等级细粒度调整模型的损失函数为：
；
其中，为第一损失值，/>为轮廓特征的识别结果，/>为对象特征的识别结果；或，
若确定每一个目标对象的特征差异值大于0.2且小于等于0.5，则获取第二等级细粒度调整模型，所述第二等级细粒度调整模型的损失函数为：
；
其中，为第二损失值，/>为轮廓特征的识别结果，/>为对象特征的识别结果；或，
若确定每一个目标对象的特征差异值大于0.5，则获取第三等级细粒度调整模型，所述第三等级细粒度调整模型的损失函数为：
；
其中，为第三损失值，/>为轮廓特征的识别结果，/>为对象特征的识别结果，/>为预设调节系数。
5.据权利要求4所述的游戏图像识别方法，其特征在于，所述根据每一个目标对象的细粒度调整模型对每一个目标对象进行细粒度处理，得到每一个目标对象的对象内容，包括：
若确定每一个目标对象的细粒度调整模型为第一等级细粒度调整模型，则根据所述第一等级细粒度调整模型对每一个目标对象进行细粒度处理，直至所述第一损失值连续预设次数相同且为最小值，得到每一个目标对象的对象内容。
6.据权利要求4所述的游戏图像识别方法，其特征在于，所述根据每一个目标对象的细粒度调整模型对每一个目标对象进行细粒度处理，得到每一个目标对象的对象内容，包括：
若确定每一个目标对象的细粒度调整模型为第二等级细粒度调整模型，则根据所述第二等级细粒度调整模型对每一个目标对象进行细粒度处理，计算相邻两个所述第二损失值之间的偏振度值，直至所述偏振度值小于预设阈值，得到每一个目标对象的对象内容；
相邻两个第二损失值之间的偏振度值的计算公式如下：
；
其中，为相邻两个第二损失值之间的偏振度值，/>和/>为相邻两个第二损失值。
7.据权利要求4所述的游戏图像识别方法，其特征在于，所述根据每一个目标对象的细粒度调整模型对每一个目标对象进行细粒度处理，得到每一个目标对象的对象内容，包括：
若确定每一个目标对象的细粒度调整模型为第三等级细粒度调整模型，则根据所述第三等级细粒度调整模型对每一个目标对象进行细粒度处理，计算连续两个时刻的第三函数值的增长值，直至连续两个时刻的第三函数值的增长值小于0.1，得到每一个目标对象的对象内容；
连续两个时刻的第三函数值的增长值的计算公式为：
；
其中，为连续两个时刻的第三函数值的增长值，/>和/>为连续两个时刻的第三函数值。
8.一种游戏图像识别系统，其特征在于，包括：
获取模块，用于获取待处理游戏图像；所述待处理游戏图像包含有多个目标对象；
轮廓特征提取模块，用于对每一个目标对象进行轮廓提取，得到每一个目标对象的对象轮廓，并基于每一个目标对象的对象轮廓的像素点数目和像素值，确定每一个目标对象的轮廓特征；
对象特征模块，用于将每一个目标对象进行特征提取，得到每一个目标对象的图像特征，并对每一个目标对象的图像特征的低层特征信息、中层特征信息、高层特征信息和全局特征信息进行信息融合，确定每一个目标对象的对象特征；
计算加载模块，用于计算每一个目标对象的轮廓特征和对象特征之间的特征差异值，并根据每一个目标对象的特征差异值获取细粒度调整模型；
图像识别模块，用于根据每一个目标对象的细粒度调整模型对每一个目标对象进行细粒度处理，得到每一个目标对象的对象内容。
9.一种电子设备，所述电子设备包括存储器、处理器及存储在所述存储器上并可在所述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计算机程序时实现权利要求1至7任一项所述的游戏图像识别方法。
10.一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7任一项所述的游戏图像识别方法。
CN202310930268.4A 2023-07-27 2023-07-27 一种游戏图像识别方法及处理系统 Active CN116645525B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310930268.4A CN116645525B (zh) 2023-07-27 2023-07-27 一种游戏图像识别方法及处理系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310930268.4A CN116645525B (zh) 2023-07-27 2023-07-27 一种游戏图像识别方法及处理系统

Publications (2)

Publication Number Publication Date
CN116645525A true CN116645525A (zh) 2023-08-25
CN116645525B CN116645525B (zh) 2023-10-27

Family

ID=87643857

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310930268.4A Active CN116645525B (zh) 2023-07-27 2023-07-27 一种游戏图像识别方法及处理系统

Country Status (1)

Country Link
CN (1) CN116645525B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102708367A (zh) * 2012-03-11 2012-10-03 无锡派图半导体设备有限公司 基于目标轮廓特征的图像识别方法
US20150278224A1 (en) * 2013-12-12 2015-10-01 Nant Holdings Ip, Llc Image Recognition Verification
US20190073560A1 (en) * 2017-09-01 2019-03-07 Sri International Machine learning system for generating classification data and part localization data for objects depicted in images
US20190095429A1 (en) * 2017-09-27 2019-03-28 Baidu Online Network Technology (Beijing) Co., Ltd. Method and apparatus for building synonymy discriminating model and method and apparatus for discriminating synonymous text
US20200285851A1 (en) * 2017-08-04 2020-09-10 Tencent Technology (Shenzhen) Company Limited Image processing method and apparatus, and storage medium
WO2021191908A1 (en) * 2020-03-25 2021-09-30 Yissum Research Development Company Of The Hebrew University Of Jerusalem Ltd. Deep learning-based anomaly detection in images
CN113822314A (zh) * 2021-06-10 2021-12-21 腾讯云计算（北京）有限责任公司 图像数据处理方法、装置、设备以及介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102708367A (zh) * 2012-03-11 2012-10-03 无锡派图半导体设备有限公司 基于目标轮廓特征的图像识别方法
US20150278224A1 (en) * 2013-12-12 2015-10-01 Nant Holdings Ip, Llc Image Recognition Verification
US20200285851A1 (en) * 2017-08-04 2020-09-10 Tencent Technology (Shenzhen) Company Limited Image processing method and apparatus, and storage medium
US20190073560A1 (en) * 2017-09-01 2019-03-07 Sri International Machine learning system for generating classification data and part localization data for objects depicted in images
US20190095429A1 (en) * 2017-09-27 2019-03-28 Baidu Online Network Technology (Beijing) Co., Ltd. Method and apparatus for building synonymy discriminating model and method and apparatus for discriminating synonymous text
WO2021191908A1 (en) * 2020-03-25 2021-09-30 Yissum Research Development Company Of The Hebrew University Of Jerusalem Ltd. Deep learning-based anomaly detection in images
CN113822314A (zh) * 2021-06-10 2021-12-21 腾讯云计算（北京）有限责任公司 图像数据处理方法、装置、设备以及介质

Also Published As

Publication number Publication date
CN116645525B (zh) 2023-10-27

Similar Documents

Publication Publication Date Title
CN114418957B (zh) 基于机器人视觉的全局和局部二值模式图像裂缝分割方法
CN109753975B (zh) 一种训练样本获得方法、装置、电子设备和存储介质
CN110807473B (zh) 目标检测方法、装置及计算机存储介质
Chen et al. Visual depth guided color image rain streaks removal using sparse coding
Liu et al. Image partial blur detection and classification
CN109272016B (zh) 目标检测方法、装置、终端设备和计算机可读存储介质
CN107622489B (zh) 一种图像篡改检测方法及装置
Ren et al. Improved saliency detection based on superpixel clustering and saliency propagation
Hussain Shah et al. Robust face recognition technique under varying illumination
CN109978848B (zh) 基于多光源颜色恒常模型检测眼底图像中硬性渗出的方法
CN108846404B (zh) 一种基于相关约束图排序的图像显著性检测方法及装置
CN113095333B (zh) 无监督特征点检测方法及装置
CN107862680B (zh) 一种基于相关滤波器的目标跟踪优化方法
CN104732534B (zh) 一种图像中显著目标的抠取方法及系统
CN107527348B (zh) 基于多尺度分割的显著性检测方法
CN110473224B (zh) 一种基于kl熵的rsf水平集图像自动分割方法
Yi et al. Illumination normalization of face image based on illuminant direction estimation and improved retinex
CN113221842A (zh) 模型训练方法、图像识别方法、装置、设备及介质
Yang et al. No-reference image quality assessment focusing on human facial region
CN116645525B (zh) 一种游戏图像识别方法及处理系统
Vinay et al. A double filtered GIST descriptor for face recognition
Zhao et al. Blur feature extraction plus automatic KNN matting: a novel two stage blur region detection method for local motion blurred images
CN112686222B (zh) 星载可见光探测器对船舶目标检测的方法和系统
Elashry et al. Feature matching enhancement using the graph neural network (gnn-ransac)
Narasimhamurthy et al. A Copy-Move Image Forgery Detection Using Modified SURF Features and AKAZE Detector.

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