一种电子竞技游戏数据获取方法技术

本发明专利技术涉及一种电子竞技关键数据获取方法，属于数据分析领域。该方法实用改进的卷积神经网络结构对视频进行识别，从而得到数据。所述方法包含以下步骤：S1.获取玩家的游戏录像视频文件，格式为.webm；S2.将获得的.webm视频文件格式化为.mp4文件；S3.将.mp4录像视频按每2秒每帧进行读取且保存至数据库,并测定数量；S4.利用卷积神经网络算法预测游戏中角色的坐标位置；S5.将获取的坐标相关数据存入数据库；S6.通过javaWeb程序显示二维坐标的热力图。

A Data Acquisition Method for Electronic Competitive Games

【技术实现步骤摘要】
一种电子竞技游戏数据获取方法
本专利技术涉及一种电子竞技游戏数据获取方法，尤其是一种基于机器学习的视频数据获取方法，属于数据分析领域。
技术介绍
目前一般所知的。随着电子竞技(E-Sports,ES)不断发展，电子竞技数据分析显得越来越重要。而多人在线战术竞技游戏(MultiplayerOnlineBattleArena，MOBA)类电子竞技比赛作为当今ES比赛最为热门的分类，如何对其进行数据分析来给比赛队伍提供好的战术策略建议也受到了越来越多研究人员的关注。但是想要利用计算机进行快速的电子竞技数据分析存在如下问题：部分游戏未开放数据源，关键数据无法获取，数据分析也就成了无源之水。据申请人了解，现有的技术仅着眼于选手的眼动轨迹，未能对选手所使用的角色进行轨迹分析，更无法得到竞技比赛选手的角色行为模式。但是角色的行为模式分析必定是基于二维坐标点的。目前由于部分游戏数据并不开源，因此需要提出一种电子竞技关键数据获取方法。
技术实现思路
本专利技术解决的技术问题是：提出一种电子竞技关键数据获取方法。为了解决上述技术问题，本专利技术提出的技术方案是将数据获取问题转化为视频识别问题，使用卷积神经网络获取关键数据。具体内容如下：一种电子竞技游戏数据获取方法，包括以下步骤：S1.获取玩家的游戏录像视频文件，格式为.webm；S2.将获得的.webm视频文件格式化为.mp4文件；S3.将.mp4录像视频按每2秒每帧进行读取且保存至数据库,并测定数量；S4.利用卷积神经网络算法预测游戏中角色的坐标位置；S5.将获取的坐标相关数据存入数据库；S6.通过javaWeb程序显示二维坐标的热力图。进一步地，所述步骤S4.中游戏中角色位置预测方法包括如下，A1.图片预处理：将S3中获取的.mp4录像视频转换为如JPG的图片格式；A2.将上述步骤A1中得到的N个图片初始化成为集合X，经Inception-v3网络得到多人在线竞技游戏战场位置坐标识别的模型；A3.将上述步骤中得到的位置坐标识别模型进行训练：将预处理后的图片输入原始的Inception-v3网络，将获得的图片在Inception-v3中的输出，然后先所获得的输出图片在第一个1*1卷积层上卷积，如果存在第二个1*1卷积层则在第二个1*1卷积层上再进行卷积，最后进行softmax归一化处理，获取到的数据就是CNN对这张图片属于图片类别；本专利技术的损失函数为交叉熵损失，然后通过梯度下降和反向传播更新最后增加的1*1卷积层的参数，直到卷积结束。进一步地，步骤A3中所述交叉熵损失公式如下M2表示地图共被划分为M2个类，k表示分类标签。附图说明图1是一种电子竞技数据获取方法的流程图；图2是录制视频、切换视角示意图；图3是图2中切换视角的放大图；图4是图2中时间控制的放大图；图5是本专利技术提出的改进卷积神经网络结构示意图；图6是展示了MOBA游戏英雄联盟的二维地图；图7是M取值对识别正确率的影响示意图；图8是二维坐标的热力图；图9是训练模型结构示意图；图10是角色的头像帧率低的小地图；图11是角色的头像重合的小地图。具体实施方式为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合附图对本专利技术实施方式作进一步地详细描述。在对本专利技术实施例进行详细地解释说明之前，首先对本专利技术实施例涉及到的概念进行如下解释:迁移学习：在机器学习、深度学习和数据挖掘的大多数任务中，我们都会假设训练和测试时采用的数据服从相同的分布、来源于相同的特征空间。但在现实应用中，这个假设很难成立，往往遇到一些问题：首先带标记的训练样本数量有限。其次数据分布会发生变化。这时，知识迁移便发挥了作用，即把B领域中的知识迁移到A领域中来，提高A领域分类效果，不需要花大量时间去标注A领域数据。迁移学习，作为一种新的学习范式，被提出用于解决这个问题。这是本专利技术应用实现的一个十分重要的基础。如图1所示，本专利技术一种电子竞技关键数据获取方法，使用本专利技术改进后的卷积神经网络(ConvolutionalNeuralNetwork,CNN)模型分析得到二维坐标，且提供图形化界面供用户直观观察二维坐标轨迹。所述方法包括以下步骤:S1.使用游戏官方提供的电子竞技游戏助手平台WEGAME获取玩家的游戏录像视频文件(格式为.webm)。点击某位玩家的战斗录像进入游戏录像界面，如图2所示，录制时需要调整视角(想要得到哪位角色的位置就调整到某个角色的视角)，关闭多余界面元素，仅保留时间控制和小地图，用时间控制移动到比赛开始时刻，点击录制按钮，等待录制结束并保存。建议录制时间大于10min～40min，时间太短，角色的移动轨迹价值太小。所述游戏录像可从游戏官方提供的WEGAME平台的观战功能获取，也可从玩家登录后的客户端内通过比赛回放录制获取，对想要分析的游戏录像进行视频录制并保存，保存后的格式为“.webm”。。S2.本专利技术将获得的.webm视频文件格式化为.mp4文件。使用本专利技术提供的格式转换代码将.webm格式化，格式化时长在1min～8min之间(受视频文件时长影响)。S3.本专利技术将.mp4录像视频按每2秒每帧进行读取且保存至数据库,并测定数量。读取.mp4文件，每秒截取图像帧并保存。所述图像帧用于显示角色此刻在地图上的局部位置。读取保存的图像帧，对所述图像帧进行特征提取，得到位置特征。获取电子竞技图像识别输出模型，所述电子竞技图像识别输出模型用于确定图像帧在整张电子竞技地图中所处的位置。S4.利用卷积神经网络算法预测游戏中角色的坐标位置此问题至今没有能够很好地解决的原因是因为若直接识别视频中的小地图来获取关数据是非常困难的。如图10所示，不难看出小地图的缺陷：1.帧率较低(角色的头像帧率低，无法判断是哪个英雄)，图像识别难以提高准确率。2.角色头像会重叠，如图11所示(红框部分)，无法识别此时的数据。3.角色的头像过大(约1/10个地图大小)，假设识别正确率高，识别出来的坐标数据范围约为10～20，此坐标精度太低，难以利用。因此上述直观的解决方法还不能很好地解决此问题。本文将大地图分多个区域，将视频的每帧截图与这些区域进行匹配，可能性最大的即为此截图在整个大地图中的位置，这样问题便将游戏中如何识别多人在线竞技时游戏战场位置的现有问题转化为卷积神经网络的分类问题，具体的来说，如图5所示，本专利技术所涉及的基于改进卷积神经网络的多人在线竞技游戏战场位置预测方法包括如下步骤：A1.图片预处理：将S3中获取的.mp4录像视频转换为如JPG的图片格式；可将图片缩小为90*160像素。A2.将上述步骤A1中得到的N个图片初始化成为集合X，经v3网络得到输出；即得到多人在线竞技游戏战场位置坐标识别的模型；本专利技术提出的一种电子竞技关键数据获取方法，数学化的说明如下：对于每一次训练要随机获取总数为(批大小)的经过预处理的图片。定义训练样本集合为：X≡{x1,x2,L,xn},其中xi＝(xi1,xi2,xi3,xi4)，其中i∈[1,N]，xi1,xi2,xi3分别为图片的3通道矩阵，xi4为图片的分类信息。定义分类标签k，且k∈{1,2,3,LK}，K＝M2。对于根据v3模型计算xi.xi4＝k的概率zi是对数单位或未归一化的对数概率。每个训练样本在标签上的实际分布本文档来自技高网...

【技术保护点】
1.一种电子竞技游戏数据获取方法，其特征在于，所述方法包括以下步骤：S1.获取玩家的游戏录像视频文件，格式为.webm；S2.将获得的.webm视频文件格式化为.mp4文件；S3.将.mp4录像视频按每2秒每帧进行读取且保存至数据库,并测定数量；S4.利用卷积神经网络算法预测游戏中角色的坐标位置；S5.将获取的坐标相关数据存入数据库；S6.通过javaWeb程序显示二维坐标的热力图。

【技术特征摘要】
1.一种电子竞技游戏数据获取方法，其特征在于，所述方法包括以下步骤：S1.获取玩家的游戏录像视频文件，格式为.webm；S2.将获得的.webm视频文件格式化为.mp4文件；S3.将.mp4录像视频按每2秒每帧进行读取且保存至数据库,并测定数量；S4.利用卷积神经网络算法预测游戏中角色的坐标位置；S5.将获取的坐标相关数据存入数据库；S6.通过javaWeb程序显示二维坐标的热力图。2.根据权利要求1所述的一种电子竞技游戏数据获取方法，其特征在于，所述步骤S4.中游戏中角色位置预测方法包括如下步骤：A1.图片预处理：将S3中获取的.mp4录像视频转换为如JPG的图片格式；A2.将上述步骤A1中得到的N个图片初始化成为集合X，经Inceptio...

【专利技术属性】
技术研发人员：于诚，朱皖宁，
申请(专利权)人：金陵科技学院，
类型：发明
国别省市：江苏,32