CN111814640A - 一种电竞赛事直播事件的检测和信息提取方法及*** - Google Patents

一种电竞赛事直播事件的检测和信息提取方法及*** Download PDF

Info

Publication number
CN111814640A
CN111814640A CN202010616690.9A CN202010616690A CN111814640A CN 111814640 A CN111814640 A CN 111814640A CN 202010616690 A CN202010616690 A CN 202010616690A CN 111814640 A CN111814640 A CN 111814640A
Authority
CN
China
Prior art keywords
event
frame data
live
information
detecting
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.)
Pending
Application number
CN202010616690.9A
Other languages
English (en)
Inventor
刘毛亚
赵品齐
王新明
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.)
Beijing Play Together Technology Co ltd
Original Assignee
Beijing Play Together 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 Beijing Play Together Technology Co ltd filed Critical Beijing Play Together Technology Co ltd
Priority to CN202010616690.9A priority Critical patent/CN111814640A/zh
Publication of CN111814640A publication Critical patent/CN111814640A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
    • 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
    • G06N3/045—Combinations of networks
    • 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

Landscapes

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

Abstract

本发明涉及数据处理技术领域，公开了一种电竞赛事直播事件的检测和信息提取方法及***，其方法包括步骤：S1、获取电竞赛事直播流中的帧数据，进入步骤S2；S2、对提取的帧数据画面进行事件的检测，如果检测到事件的发生，则进入步骤S3，如果没有检测到事件的发生，则返回步骤S1；S3、针对检测到事件发生的帧数据画面提取发生事件时的信息，结束流程。解决目前电竞赛事中事件检测智能化差，无法做到实时检测，检测结果准确度低的问题，还解决了对电竞赛事中事件信息的提取方法，无法做到实时提取事件中的信息的问题。

Description

一种电竞赛事直播事件的检测和信息提取方法及***
技术领域
本发明涉及数据处理技术领域，具体而言，涉及一种电竞赛事直播事件的检测和信息提取方法及***。
背景技术
基于人工处理的电竞赛事直播流剪辑技术，这种技术依赖人工和视频处理软件来进行直播流事件识别和截取，这种技术依赖人工的专业知识，借助视频处理软件对直播流进行处理。
但是现有技术中对电竞赛事直播事件的发生与否无法做到准确判断，同时，无法对直播画面的特定位置发生事件作出快速的判断，对电竞赛事直播事件的检测方法全靠人工处理。对事件信息的提取方法，无法做到实时提取事件中的信息，主要依赖技术人员的版本更新兼容。
现有技术中的缺陷，1、电竞赛事中事件的检测智能化差，无法做到实时检测，检测结果准确度低；2、对电竞赛事中事件信息的提取方法，无法做到实时提取事件中的信息。
发明内容
本发明的主要目的在于提供一种电竞赛事直播事件的检测和信息提取方法及***，解决目前电竞赛事中事件检测智能化差，无法做到实时检测，检测结果准确度低的问题，还解决了对电竞赛事中事件信息的提取方法，无法做到实时提取事件中的信息的问题。
为了实现上述目的，本发明提供了如下技术：
一种电竞赛事直播事件的检测和信息提取方法，包括步骤：
S1、获取电竞赛事直播流中的帧数据，进入步骤S2；
S2、对提取的帧数据画面进行事件的检测，如果检测到事件的发生，则进入步骤S3，如果没有检测到事件的发生，则返回步骤S1；
S3、针对检测到事件发生的帧数据画面提取发生事件时的信息，结束流程。
进一步地，事件检测，电竞比赛的直播画面中展示事件的位置预先设定在画面中的一个区域，通过检测设定的区域来检测是否有事件发生。
进一步地，在步骤S2中，通过把事件检测抽象为一个二分类问题，输入直播流预先设定区域的图像数据，得到事件发生的概率，最后通过卷积神经网络建模训练之后，得到直播画面的检测结果。
进一步地，输入的图像数据经过卷积层和池化层，提取基础特征，然后经过两层全连接层对基础数据进行计算，最后得到帧数据图像中事件发生的概率。
进一步地，事件信息提取步骤：
步骤1、输入图像帧数据，进入步骤2；
步骤2、通过一个多层卷积编码器，该编码器将图像数据编码为128维的特征向量，作为图像数据的固定ID，进入步骤3；
步骤3、将图像帧数据经过全连接层进行比对，从全连接层中得到匹配程度最高的模板，输出结果该图像数据的模型参数。
进一步地，在步骤S2中，对画面进行事件检测前，先经过图像预处理过程。
进一步地，图像预处理步骤：
S01、将不同规格的直播流缩放或者填充到统一大小，进入步骤S02；
S02、对包含事件信息数据的区域进行截取，进入步骤S03；
S03、对特定文字型的区域进行灰度化和归一化处理。
进一步地，在步骤S3中，事件信息提取之后，输出数据传输给数据库存储，同时传输给显示器或者显示页面显示。
一种电竞赛事直播事件的检测和信息提取***，包括获取帧数据模块、事件检测模块和事件信息提取模块；
获取帧数据模块，从电竞赛事直播流视频数据中，获取事件发生的图片帧数据；
事件检测模块，对提取的帧数据画面进行事件的检测，如果检测到事件的发生，则将帧数据传输给事件信息提取模块，如果没有检测到事件的发生，则重置整个***流程；
事件信息提取模块，用于整个视频数据画面中，提取事件发生的帧数据信息，输出结果。
进一步地，还包括图像预处理模块，用于对获取帧数据模块中帧数据原始图像进行预处理，与获取帧数据模块通信连接。
与现有技术相比较，本发明能够带来如下技术效果：
解决目前电竞赛事中事件检测智能化差，无法做到实时检测，检测结果准确度低的问题，还解决了对电竞赛事中事件信息的提取方法，无法做到实时提取事件中的信息的问题。
1、通过本发明的事件检测模块，实现自动化智能检测电竞赛事中事件发生与否，同时通过把事件检测抽象为一个二分类问题，实现实时检测，检测结果准确度高的效果；
2、通过本发明的事件信息提取模块，做到实时并且精准的提取事件中的信息。
附图说明
构成本发明的一部分的附图用来提供对本发明的进一步理解，使得本发明的其它特征、目的和优点变得更明显。本发明的示意性实施例附图及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是本发明一种电竞赛事直播事件的检测和信息提取方法的流程图；
图2是本发明事件检测的流程图；
图3是本发明事件信息提取的流程图；
图4是本发明事件信息提取的流程图；
图5是本发明一种电竞赛事直播事件的检测和信息提取***的流程图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本发明中，术语“上”、“下”、“左”、“右”、“前”、“后”、“顶”、“底”、“内”、“外”、“中”、“竖直”、“水平”、“横向”、“纵向”等指示的方位或位置关系为基于附图所示的方位或位置关系。这些术语主要是为了更好地描述本发明及其实施例，并非用于限定所指示的装置、元件或组成部分必须具有特定方位，或以特定方位进行构造和操作。
并且，上述部分术语除了可以用于表示方位或位置关系以外，还可能用于表示其他含义，例如术语“上”在某些情况下也可能用于表示某种依附关系或连接关系。对于本领域普通技术人员而言，可以根据具体情况理解这些术语在本发明中的具体含义。
另外，术语“多个”的含义应为两个以及两个以上。
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
实施例1
如图1所示，一种电竞赛事直播事件的检测和信息提取方法，包括步骤：
S1、获取电竞赛事直播流中的帧数据，进入步骤S2；
S2、对提取的帧数据画面进行事件的检测，如果检测到事件的发生，则进入步骤S3，如果没有检测到事件的发生，则返回步骤S1；在步骤S2中，对画面进行事件检测前，先经过图像预处理过程。图像预处理步骤：
S01、将不同规格的直播流缩放或者填充到统一大小，进入步骤S02；
S02、对包含事件信息数据的区域进行截取，进入步骤S03；
S03、对特定文字型的区域进行灰度化和归一化处理。
S3、针对检测到事件发生的帧数据画面提取发生事件时的信息，结束流程。在步骤S3中，事件信息提取之后，输出数据传输给数据库存储，同时传输给显示器或者显示页面显示。
事件检测，电竞比赛的直播画面中展示事件的位置预先设定在画面中的一个区域，通过检测设定的区域来检测是否有事件发生生。
在步骤S2中，通过把事件检测抽象为一个二分类问题，输入直播流预先设定区域的图像数据，得到事件发生的概率，最后通过卷积神经网络建模训练之后，得到直播画面的检测结果。
输入的图像数据经过卷积层和池化层，提取基础特征，然后经过两层全连接层对基础数据进行计算，最后得到帧数据图像中事件发生的概率。
如图2所示，为事件检测的流程图，电竞比赛的事件一般会在直播画面的特定位置展示，可以通过检测这部分区域实现检测事件的发生，事件检测可以抽象成一个二分类问题，输入是直播流特定位置的图像数据，输出是当前有事件发生的概率，通过卷积神经网络建模训练之后，能够成功地对直播画面进行检测，输入的图像经过卷积层和池化层处理，能够提取基础特征，然后经过两层全连接层对基础特征进行计算，最后输出一个0～1的值，表示输入的帧图像中事件发生的概率。输出0为事件没有发生，输出1则为事件发生。
事件信息提取步骤：
步骤1、输入图像帧数据，进入步骤2；
步骤2、通过一个多层卷积编码器，该编码器将图像数据编码为128维的特征向量，作为图像数据的固定ID，进入步骤3；
步骤3、将图像帧数据经过全连接层进行比对，从全连接层中得到匹配程度最高的模板，输出结果该图像数据的模型参数。
一种电竞赛事直播事件的检测和信息提取***，包括获取帧数据模块、事件检测模块和事件信息提取模块；
获取帧数据模块，从电竞赛事直播流视频数据中，获取事件发生的图片帧数据；
事件检测模块，对提取的帧数据画面进行事件的检测，如果检测到事件的发生，则将帧数据传输给事件信息提取模块，如果没有检测到事件的发生，则重置整个***流程；
事件信息提取模块，用于整个视频数据画面中，提取事件发生的帧数据信息，输出结果。
还包括图像预处理模块，用于对获取帧数据模块中帧数据原始图像进行预处理，与获取帧数据模块通信连接。
实施例2
如图1所示，一种电竞赛事直播事件的检测和信息提取方法，包括步骤：
S1、获取电竞赛事直播流中的帧数据，进入步骤S2；
S2、对提取的帧数据画面进行事件的检测，如果检测到事件的发生，则进入步骤S3，如果没有检测到事件的发生，则返回步骤S1；在步骤S2中，对画面进行事件检测前，先经过图像预处理过程。图像预处理步骤：
S01、将不同规格的直播流缩放或者填充到统一大小，进入步骤S02；
S02、对包含事件信息数据的区域进行截取，进入步骤S03；
S03、对特定文字型的区域进行灰度化和归一化处理。
S3、针对检测到事件发生的帧数据画面提取发生事件时的信息，结束流程。在步骤S3中，事件信息提取之后，输出数据传输给数据库存储，同时传输给显示器或者显示页面显示。
事件检测，电竞比赛的直播画面中展示事件的位置通过预先设定在画面中的一个区域，通过检测设定的区域来检测是否有事件发生。
在步骤S2中，通过把事件检测抽象为一个二分类问题，输入直播流预先设定区域的图像数据，得到事件发生的概率，最后通过卷积神经网络建模训练之后，得到直播画面的检测结果。
输入的图像数据经过卷积层和池化层，提取基础特征，然后经过两层全连接层对基础数据进行计算，最后得到帧数据图像中事件发生的概率。
如图2所示，为事件检测的流程图，电竞比赛的事件一般会在直播画面的特定位置展示，可以通过检测这部分区域实现检测事件的发生，事件检测可以抽象成一个二分类问题，输入是直播流特定位置的图像数据，输出是当前有事件发生的概率，通过卷积神经网络建模训练之后，能够成功地对直播画面进行检测，输入的图像经过卷积层和池化层处理，能够提取基础特征，然后经过两层全连接层对基础特征进行计算，最后输出一个0～1的值，表示输入的帧图像中事件发生的概率。输出0为事件没有发生，输出1则为事件发生。
事件信息提取步骤：
步骤1、输入图像帧数据，进入步骤2；
步骤2、通过一个多层卷积编码器，该编码器将图像数据编码为128维的特征向量，作为图像数据的固定ID，进入步骤3；
步骤3、将图像帧数据经过全连接层进行比对，从全连接层中得到匹配程度最高的模板，输出结果该图像数据的模型参数。
如图3和4所示，在确定了事件的发生之后，我们可以从整个画面中提取发生事件时的相关信息，例如对于英雄联盟中“击杀”事件，我们能够提取出击杀者、被击杀者以及当前比赛中的时间等信息，下面以击杀者的英雄图像识别为例介绍事件信息提取的技术路线：
英雄联盟目前大约有150余种英雄、建筑物、中立生物头像，传统的头像识别可以将这个问题抽象成一个多分类问题，但是电竞赛事版本变动比较快，经常在版本之间会出现头像的新增和变更，如果设计一个多分类的模型，那么每次版本更新就需要重新训练模型，所以我们将设计了一个二分类模型，输入为头像A和头像B，输出为头像A和B是否是同一头像，头像识别网络的结构相对复杂，首先，输入会通过一个多层卷积编码器，该编码器会把图像编码成128维的特征向量，作为该头像特有的“FaceID”，通过解码器得到的两个头像图片的编码信息可以在合并之后进行全连接并输出最后的结果。
一种电竞赛事直播事件的检测和信息提取***，包括获取帧数据模块、事件检测模块和事件信息提取模块；
获取帧数据模块，从电竞赛事直播流视频数据中，获取事件发生的图片帧数据；
事件检测模块，对提取的帧数据画面进行事件的检测，如果检测到事件的发生，则将帧数据传输给事件信息提取模块，如果没有检测到事件的发生，则重置整个***流程；
事件信息提取模块，用于整个视频数据画面中，提取事件发生的帧数据信息，输出结果。
还包括图像预处理模块，用于对获取帧数据模块中帧数据原始图像进行预处理，与获取帧数据模块通信连接。
实施例3
如图1所示，一种电竞赛事直播事件的检测和信息提取方法，包括步骤：
S1、获取电竞赛事直播流中的帧数据，进入步骤S2；
S2、对提取的帧数据画面进行事件的检测，如果检测到事件的发生，则进入步骤S3，如果没有检测到事件的发生，则返回步骤S1；在步骤S2中，对画面进行事件检测前，先经过图像预处理过程。图像预处理步骤：
S01、将不同规格的直播流缩放或者填充到统一大小，进入步骤S02；
S02、对包含事件信息数据的区域进行截取，进入步骤S03；
S03、对特定文字型的区域进行灰度化和归一化处理。
S3、针对检测到事件发生的帧数据画面提取发生事件时的信息，结束流程。在步骤S3中，事件信息提取之后，输出数据传输给数据库存储，同时传输给显示器或者显示页面显示。
事件检测，电竞比赛的直播画面中展示事件的位置通过预先设定在画面中的一个区域，通过检测设定的区域来检测是否有事件发生。
在步骤S2中，通过把事件检测抽象为一个二分类问题，输入直播流预先设定区域的图像数据，得到事件发生的概率，最后通过卷积神经网络建模训练之后，得到直播画面的检测结果。
输入的图像数据经过卷积层和池化层，提取基础特征，然后经过两层全连接层对基础数据进行计算，最后得到帧数据图像中事件发生的概率。
如图2所示，为事件检测的流程图，电竞比赛的事件一般会在直播画面的特定位置展示，可以通过检测这部分区域实现检测事件的发生，事件检测可以抽象成一个二分类问题，输入是直播流特定位置的图像数据，输出是当前有事件发生的概率，通过卷积神经网络建模训练之后，能够成功地对直播画面进行检测，输入的图像经过卷积层和池化层处理，能够提取基础特征，然后经过两层全连接层对基础特征进行计算，最后输出一个0～1的值，表示输入的帧图像中事件发生的概率。输出0为事件没有发生，输出1则为事件发生。
事件信息提取步骤：
步骤1、输入图像帧数据，进入步骤2；
步骤2、通过一个多层卷积编码器，该编码器将图像数据编码为128维的特征向量，作为图像数据的固定ID，进入步骤3；
步骤3、将图像数据经过全连接层进行比对，从全连接层中得到匹配程度最高的模板，输出结果该图像数据的模型参数。
如图3和4所示，在确定了事件的发生之后，我们可以从整个画面中提取发生事件时的相关信息，例如对于英雄联盟中“击杀”事件，我们能够提取出击杀者、被击杀者以及当前比赛中的时间等信息，下面以击杀者的英雄图像识别为例介绍事件信息提取的技术路线：
英雄联盟目前大约有150余种英雄、建筑物、中立生物头像，传统的头像识别可以将这个问题抽象成一个多分类问题，但是电竞赛事版本变动比较快，经常在版本之间会出现头像的新增和变更，如果设计一个多分类的模型，那么每次版本更新就需要重新训练模型，所以我们将设计了一个二分类模型，输入为头像A和头像B，输出为头像A和B是否是同一头像，头像识别网络的结构相对复杂，首先，输入会通过一个多层卷积编码器，该编码器会把图像编码成128维的特征向量，作为该头像特有的“FaceID”，通过解码器得到的两个头像图片的编码信息可以在合并之后进行全连接并输出最后的结果。
接下来需要生成训练样本，可以随机取相同类别的两个头像作为正样本，不同类别的两个头像作为负样本，将样本送入网络结构进行训练之后就能得到包括编码器在内的整个网络的模型参数，之后就能使用模型进行识别了，在识别的过程中，对网络做了一些改进，我们可以预先把目标类别的头像输入到编码器生产150多组特征向量的模板，这样在识别的时候就只需要对待识别头像一次编码器计算，待识别头像和模板头像的编码经过全连接层的比之后，会得到匹配程度最高的模板类别，这个类别就是待识别头像所在的类别。
在版本更新时，可以简单地更新一下模板文件，重新对这些模板做一次编码就能够支持头像的新增和改版，无需技术人员的参与。
如图5所示，一种电竞赛事直播事件的检测和信息提取***，包括获取帧数据模块、事件检测模块和事件信息提取模块；
获取帧数据模块，从电竞赛事直播流视频数据中，获取事件发生的图片帧数据；
事件检测模块，对提取的帧数据画面进行事件的检测，如果检测到事件的发生，则将帧数据传输给事件信息提取模块，如果没有检测到事件的发生，则重置整个***流程；
事件信息提取模块，用于整个视频数据画面中，提取事件发生的帧数据信息，输出结果。
还包括图像预处理模块，用于对获取帧数据模块中帧数据原始图像进行预处理，与获取帧数据模块通信连接。
与现有技术相比较，本发明能够带来如下技术效果：
解决目前电竞赛事中事件检测智能化差，无法做到实时检测，检测结果准确度低的问题，还解决了对电竞赛事中事件信息的提取方法，无法做到实时提取事件中的信息的问题。
1、通过本发明的事件检测模块，实现自动化智能检测电竞赛事中事件发生与否，同时通过把事件检测抽象为一个二分类问题，实现实时检测，检测结果准确度高的效果；
2、通过本发明的事件信息提取模块，做到实时并且精准的提取事件中的信息。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种电竞赛事直播事件的检测和信息提取方法，其特征在于，包括步骤：
S1、获取电竞赛事直播流中的帧数据；
S2、对提取的帧数据画面进行事件的检测，如果检测到事件的发生，则进入步骤S3，如果没有检测到事件的发生，则返回步骤S1；
S3、针对检测到事件发生的帧数据画面提取发生事件时的信息，结束流程。
2.如权利要求1所述的一种电竞赛事直播事件的检测和信息提取方法，其特征在于，事件检测，电竞比赛的直播画面中展示事件的位置预先设定在画面中的一个区域，通过检测设定的区域来检测是否有事件发生。
3.如权利要求1或2所述的一种电竞赛事直播事件的检测和信息提取方法，其特征在于，在步骤S2中，通过把事件检测抽象为一个二分类问题，输入直播流预先设定区域的图像数据，得到事件发生的概率，最后通过卷积神经网络建模训练之后，得到直播画面的检测结果。
4.如权利要求3所述的一种电竞赛事直播事件的检测和信息提取方法，其特征在于，输入的图像数据经过卷积层和池化层，提取基础特征，然后经过两层全连接层对基础数据进行计算，最后得到帧数据图像中事件发生的概率。
5.如权利要求1或4所述的一种电竞赛事直播事件的检测和信息提取方法，其特征在于，事件信息提取步骤：
步骤1、输入图像帧数据，进入步骤2；
步骤2、通过一个多层卷积编码器，该编码器将图像数据编码为128维的特征向量，作为图像数据的固定ID，进入步骤3；
步骤3、将图像帧数据经过全连接层进行比对，从全连接层中得到匹配程度最高的模板，输出结果该图像数据的模型参数。
6.如权利要求5所述的一种电竞赛事直播事件的检测和信息提取方法，其特征在于，在步骤S2中，对画面进行事件检测前，先经过图像预处理过程。
7.如权利要求6所述的一种电竞赛事直播事件的检测和信息提取方法，其特征在于，图像预处理步骤：
S01、将不同规格的直播流缩放或者填充到统一大小，进入步骤S02；
S02、对包含事件信息数据的区域进行截取，进入步骤S03；
S03、对特定文字型的区域进行灰度化和归一化处理。
8.如权利要求1或2或4或6或7所述的一种电竞赛事直播事件的检测和信息提取方法，其特征在于，在步骤S3中，事件信息提取之后，输出数据传输给数据库存储，同时传输给显示器或者显示页面显示。
9.一种电竞赛事直播事件的检测和信息提取***，其特征在于，包括获取帧数据模块、事件检测模块和事件信息提取模块；
获取帧数据模块，从电竞赛事直播流视频数据中，获取事件发生的图片帧数据；
事件检测模块，对提取的帧数据画面进行事件的检测，如果检测到事件的发生，则将帧数据传输给事件信息提取模块，如果没有检测到事件的发生，则重置整个***流程；
事件信息提取模块，用于整个视频数据画面中，提取事件发生的帧数据信息，输出结果。
10.如权利要求9所述的一种电竞赛事直播事件的检测和信息提取***，其特征在于，还包括图像预处理模块，用于对获取帧数据模块中帧数据原始图像进行预处理，与获取帧数据模块通信连接。
CN202010616690.9A 2020-06-30 2020-06-30 一种电竞赛事直播事件的检测和信息提取方法及*** Pending CN111814640A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010616690.9A CN111814640A (zh) 2020-06-30 2020-06-30 一种电竞赛事直播事件的检测和信息提取方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010616690.9A CN111814640A (zh) 2020-06-30 2020-06-30 一种电竞赛事直播事件的检测和信息提取方法及***

Publications (1)

Publication Number Publication Date
CN111814640A true CN111814640A (zh) 2020-10-23

Family

ID=72856487

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010616690.9A Pending CN111814640A (zh) 2020-06-30 2020-06-30 一种电竞赛事直播事件的检测和信息提取方法及***

Country Status (1)

Country Link
CN (1) CN111814640A (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105550713A (zh) * 2015-12-21 2016-05-04 中国石油大学(华东) 一种持续学习的视频事件检测方法
CN110198456A (zh) * 2019-04-26 2019-09-03 腾讯科技（深圳）有限公司 基于直播的视频推送方法、装置和计算机可读存储介质
CN110674303A (zh) * 2019-09-30 2020-01-10 北京明略软件***有限公司 事件语句处理方法、装置、计算机设备和可读存储介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105550713A (zh) * 2015-12-21 2016-05-04 中国石油大学(华东) 一种持续学习的视频事件检测方法
CN110198456A (zh) * 2019-04-26 2019-09-03 腾讯科技（深圳）有限公司 基于直播的视频推送方法、装置和计算机可读存储介质
CN110674303A (zh) * 2019-09-30 2020-01-10 北京明略软件***有限公司 事件语句处理方法、装置、计算机设备和可读存储介质

Similar Documents

Publication Publication Date Title
CN110602554B (zh) 封面图像确定方法、装置及设备
CN107105310B (zh) 一种视频直播中人物形象替换方法、装置和一种录播***
CN110996138B (zh) 一种视频标注方法、设备及存储介质
CN108846365B (zh) 视频中打架行为的检测方法、装置、存储介质及处理器
CN105654471A (zh) 应用于互联网视频直播的增强现实ar***及方法
CN106897372B (zh) 语音查询方法和装置
KR102106135B1 (ko) 행동 인식 기반의 응용 서비스 제공 장치 및 그 방법
CN108664953B (zh) 一种基于卷积自编码器模型的图像特征提取方法
CN111147891B (zh) 视频画面中对象的信息的获取方法、装置及设备
CN103475882A (zh) 监控视频的编码、识别方法和监控视频的编码、识别***
CN108236784A (zh) 模型的训练方法和装置、存储介质、电子装置
CN110633669A (zh) 家居环境中基于深度学习的移动端人脸属性识别方法
CN112218159B (zh) 多媒体信息播放方法、装置、存储介质及电子装置
CN113038272B (zh) 婴儿视频自动剪辑的方法、装置、设备及存储介质
CN113988179A (zh) 基于改进注意力和损失函数的目标分割方法、***及设备
KR101700120B1 (ko) 사물 인식 장치 및 방법, 이를 포함하는 시스템
CN114550067A (zh) 一种体育赛事自动直播与导播方法、装置、设备及存储介质
CN111401259A (zh) 模型训练方法、***、计算机可读介质和电子设备
CN110555371A (zh) 一种基于无人机的野生动物信息获取方法和装置
CN112749696A (zh) 一种文本检测方法及装置
CN109472230B (zh) 基于行人检测和互联网的运动员自动摄像推荐***及方法
CN111814640A (zh) 一种电竞赛事直播事件的检测和信息提取方法及***
CN111444822B (zh) 对象识别方法和装置、存储介质和电子装置
CN110418150B (zh) 一种信息提示方法、设备、***及计算机可读存储介质
CN112837350A (zh) 目标运动对象识别方法、装置、电子设备及存储介质

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