一种图像处理方法及相关装置制造方法及图纸

本申请提供了一种图像处理方法以及相关装置

【技术实现步骤摘要】
一种图像处理方法及相关装置


[0001]本申请涉及人工智能
，尤其涉及一种图像处理方法及相关装置
。

技术介绍

[0002]随着网络的普及，网络游戏产业作为互联网的支柱产业得到了迅速的发展，它作为一种娱乐方式，融入到了人们的日常生活中
。
在其迅速发展的同时，外挂的出现，破坏了游戏的平衡，加速了玩家的流失，损害了游戏厂商的利益，对整个游戏行业带来了消极的影响
。
[0003]针对第一人称射击类的游戏，现有的外挂检测技术主要是基于机器学习的外挂检测方案
。
基于玩家的历史游戏行为及游戏状态数据建立机器学习模型，通过获取玩家当前的游戏行为数据及游戏状态数据进行作弊检测
。
但是，该方案需要结合用户大量的历史数据才能进行精准分析，对于历史数据较少的用户，往往很难抓取到用户的作弊行为
。

技术实现思路

[0004]本申请实施例提供了一种图像处理方法以及相关装置，解决了现有技术在第一人称射击类的游戏中作弊行为难以抓取的问题
。
[0005]本申请的一方面提供一种图像处理方法，包括：
[0006]获取画面采集图像；
[0007]将画面采集图像作为前置过滤模型的输入，通过前置过滤模型对画面采集图像对应的
M
个特征图像进行处理，生成画面采集图像中是否包含目标图像标识的预测结果，其中，
M
个特征图像为对画面采集图像进行特征提取得到的，前置过滤模型用于对
Mr/>个特征图像进行分组卷积处理，以及对分组卷积得到的结果进行二分类处理，目标图像标识用于表征执行目标行为的目标工具的图像信息，
M
为大于等于1的整数；
[0008]若预测结果指示画面采集图像中存在目标图像标识，则将画面采集图像作为目标工具类别识别模型的输入，通过目标工具类别识别模型对画面采集图像中的目标图像标识进行分类识别，输出目标图像标识对应的目标工具的类别信息
。
[0009]本申请的另一方面提供了一种图像处理装置，包括：图像获取模块
、
前置过滤模块及类别输出模块；具体的：
[0010]图像获取模块，用于获取画面采集图像；
[0011]前置过滤模块，用于将画面采集图像作为前置过滤模型的输入，通过前置过滤模型对画面采集图像对应的
M
个特征图像进行处理，生成画面采集图像中是否包含目标图像标识的预测结果，其中，
M
个特征图像为对画面采集图像进行特征提取得到的，前置过滤模型用于对
M
个特征图像进行分组卷积处理，以及对分组卷积得到的结果进行二分类处理，目标图像标识用于表征执行目标行为的目标工具的图像信息，
M
为大于等于1的整数；
[0012]类别输出模块，用于当预测结果指示画面采集图像中存在目标图像标识时，将画面采集图像作为目标工具类别识别模型的输入，通过目标工具类别识别模型对画面采集图
像中的目标图像标识进行分类识别，输出目标图像标识对应的目标工具的类别信息
。
[0013]在本申请实施例的另一种实现方式中，前置过滤模块，还用于：
[0014]将画面采集图像作为前置过滤模型中的特征提取模块的输入，通过特征提取模块对画面采集图像进行特征提取，生成
M
个特征图像；
[0015]将
M
个特征图像作为前置过滤模型中的分组融合模块的输入，通过分组融合模块将
M
个特征图像分为
S
个组，对
S
个组中的每组特征图像进行融合处理，生成
N
个融合特征图像，其中，
S
为大于等于1且小于等于
M
的整数，
N
为大于等于1的整数；
[0016]将
N
个融合特征图像进行拼接，生成拼接图像；
[0017]将拼接图像作为前置过滤模型中的二分类模块的输入，通过二分类模块对拼接图像进行二分类处理，生成画面采集图像中是否包含目标图像标识的预测结果
。
[0018]在本申请实施例的另一种实现方式中，前置过滤模块，还用于：
[0019]将
M
个特征图像分为
S
个组，对
S
个组中的每组特征图像进行卷积处理，生成
S
组卷积特征图像；
[0020]对
S
组卷积特征图像中属于不同组的卷积特征图像进行特征交叉处理，生成
S
组特征交叉图像；
[0021]对
S
组卷积特征图像中属于不同组的卷积特征图像进行特征叠加处理，生成
S
个特征叠加图像；
[0022]对
S
组特征交叉图像及
S
个特征叠加图像进行分离卷积处理，生成
T
个分离卷积特征图像，其中，
T
为大于等于
S
的整数；
[0023]对
S
组特征交叉图像进行映射，生成
S
组特征映射图像；
[0024]将
T
个分离卷积特征图像与
S
组特征映射图像进行拼接，生成
N
个融合特征图像
。
[0025]在本申请实施例的另一种实现方式中，前置过滤模块，还用于：
[0026]将
M
个特征图像作为分组融合模块中的第一分组融合子网络的输入，通过第一分组融合子网络将
M
个特征图像分为
S
个组，对
S
个组中的每组特征图像进行特征融合处理，生成
(2S+1)
×
B
个第一融合特征图像，其中，
B
为每组特征图像进行卷积处理生成的卷积特征图像的数量，
B
为大于等于1的整数；
[0027]将
(2S+1)
×
B
个第一融合特征图像作为分组融合模块中的第二分组融合子网络的输入，通过第二分组融合子网络将
(2S+1)
×
B
个第一融合特征图像分为
S
个组，对
S
个组中的每组第一融合特征图像进行特征融合处理，生成
N
个融合特征图像，其中，
N
＝
(2S+1)
×
A
，
A
为每组第一融合特征图像进行卷积处理生成的卷积特征图像的数量，
A
为大于等于1的整数
。
[0028]在本申请实施例的另一种实现方式中，前置过滤模块，还用于：
[0029]对
N
个融合特征图像进行池化处理，生成
N
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种图像处理方法，其特征在于，包括：获取画面采集图像；将所述画面采集图像作为前置过滤模型的输入，通过所述前置过滤模型对所述画面采集图像对应的
M
个特征图像进行处理，生成所述画面采集图像中是否包含目标图像标识的预测结果，其中，所述
M
个特征图像为对所述画面采集图像进行特征提取得到的，所述前置过滤模型用于对所述
M
个特征图像进行分组卷积处理，以及对分组卷积得到的结果进行二分类处理，所述目标图像标识用于表征执行目标行为的目标工具的图像信息，
M
为大于等于1的整数；若所述预测结果指示所述画面采集图像中存在目标图像标识，则将所述画面采集图像作为目标工具类别识别模型的输入，通过所述目标工具类别识别模型对所述画面采集图像中的目标图像标识进行分类识别，输出目标图像标识对应的目标工具的类别信息
。2.
如权利要求1所述的图像处理方法，所述将所述画面采集图像作为前置过滤模型的输入，通过所述前置过滤模型对所述画面采集图像对应的
M
个特征图像进行处理，生成所述画面采集图像中是否包含目标图像标识的预测结果，包括：将所述画面采集图像作为所述前置过滤模型中的特征提取模块的输入，通过所述特征提取模块对所述画面采集图像进行特征提取，生成
M
个特征图像；将所述
M
个特征图像作为所述前置过滤模型中的分组融合模块的输入，通过所述分组融合模块将所述
M
个特征图像分为
S
个组，对所述
S
个组中的每组特征图像进行融合处理，生成
N
个融合特征图像，其中，
S
为大于等于1且小于等于
M
的整数，
N
为大于等于1的整数；将所述
N
个融合特征图像进行拼接，生成拼接图像；将所述拼接图像作为所述前置过滤模型中的二分类模块的输入，通过所述二分类模块对所述拼接图像进行二分类处理，生成所述画面采集图像中是否包含目标图像标识的预测结果
。3.
如权利要求2所述的图像处理方法，所述将所述
M
个特征图像作为所述前置过滤模型中的分组融合模块的输入，通过所述分组融合模块将所述
M
个特征图像分为
S
个组，对所述
S
个组中的每组特征图像进行融合处理，生成
N
个融合特征图像，包括：将所述
M
个特征图像分为
S
个组，对所述
S
个组中的每组特征图像进行卷积处理，生成
S
组卷积特征图像；对所述
S
组卷积特征图像中属于不同组的卷积特征图像进行特征交叉处理，生成
S
组特征交叉图像；对所述
S
组卷积特征图像中属于不同组的卷积特征图像进行特征叠加处理，生成
S
个特征叠加图像；对所述
S
组特征交叉图像及所述
S
个特征叠加图像进行分离卷积处理，生成
T
个分离卷积特征图像，其中，
T
为大于等于
S
的整数；对所述
S
组特征交叉图像进行映射，生成
S
组特征映射图像；将所述
T
个分离卷积特征图像与所述
S
组特征映射图像进行拼接，生成
N
个融合特征图像
。4.
如权利要求2所述的图像处理方法，所述将所述
M
个特征图像作为所述前置过滤模型中的分组融合模块的输入，通过所述分组融合模块将所述
M
个特征图像分为
S
个组，对所述
S
个组中的每组特征图像进行融合处理，生成
N
个融合特征图像，包括：将所述
M
个特征图像作为所述分组融合模块中的第一分组融合子网络的输入，通过所述第一分组融合子网络将所述
M
个特征图像分为
S
个组，对所述
S
个组中的每组特征图像进行特征融合处理，生成
(2S+1)
×
B
个第一融合特征图像，其中，
B
为每组特征图像进行卷积处理生成的卷积特征图像的数量，
B
为大于等于1的整数；将所述
(2S+1)
×
B
个第一融合特征图像作为所述分组融合模块中的第二分组融合子网络的输入，通过所述第二分组融合子网络将所述
(2S+1)
×
B
个第一融合特征图像分为
S
个组，对所述
S
个组中的每组第一融合特征图像进行特征融合处理，生成
N
个融合特征图像，其中，
N
＝
(2S+1)
×
A
，
A
为每组第一融合特征图像进行卷积处理生成的卷积特征图像的数量，
A
为大于等于...

【专利技术属性】
技术研发人员：陈观钦，陈远，陈斌，王摘星，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：