【技術實現步驟摘要】
本專利技術屬于計算機軟件與人機交互，具體涉及一種基于圖像檢測與手柄鍵值反饋的游戲震動適配方法及系統。
技術介紹
1、目前，游戲中的震動反饋通常依賴預設的事件觸發，如角色攻擊、受傷或環境震動等，然而，現有的震動反饋系統往往較為單一，存在震動的場景較少或者震動較弱等情況，無法根據戰斗畫面的實時變化與復雜性作出精準反饋。這導致玩家在游戲過程中，震動效果與實際游戲體驗不匹配，影響游戲的沉浸感與操作體驗。
2、有廠商根據游戲的特點，如游戲在發生角色攻擊行為時，游戲會往手柄發送震動數據，通過攔截并統計這類震動數據的特征及對應的角色攻擊行為，將兩者做映射，進行游戲震動的加強或者優化。基于震動數據攔截的方式由于深入系統底層，攔截游戲震動數據，容易被殺毒軟件誤殺，同時這種方式只能對游戲廠商預設的已有震動場景進行優化，對游戲廠商未進行事件預設的場景，但玩家覺得需要震動的場景無能為力。
3、隨著圖像處理技術與游戲控制器技術的進步，如何基于游戲畫面的實時分析，結合手柄按鍵的使用情況，提供更加精準的震動反饋開始成為一個比較有價值的研究問題。
4、圖像處理技術：
5、(1)傳統圖像處理技術主要依賴于數學變換和統計特征例如，使用邊緣檢測、圖像分割、形態學處理等技術來識別圖像中的特定結構和物體。常見的傳統圖像處理方法包括：邊緣檢測(如canny、sobel算法)：用于檢測圖像中物體的邊緣。顏色空間轉換：如rgb到hsv或yuv空間的轉換，用于增強特定的顏色特征，進行顏色直方圖的提取等。圖像過濾：如高斯濾波、拉普拉
6、(2)深度學習(deep?learning)作為機器學習的一個分支，通過模仿人腦的神經網絡結構來學習大量數據中的特征。近年來，隨著計算能力的提升，深度學習在計算機視覺、語音識別和自然語言處理等領域取得了顯著成果。在圖像處理方面，卷積神經網絡(cnn)成為主流模型，能夠在圖像分類、目標檢測、圖像分割等任務中表現出卓越的效果。深度學習算法能夠自主學習圖像中的高級特征，而無需像傳統算法那樣依賴人工設計特征。因此，深度學習在游戲中的應用逐漸增多。
7、另外，現代游戲控制器不僅僅是簡單的輸入設備，許多控制器集成了震動反饋、加速度計、陀螺儀等功能，使其具備了更加豐富的互動體驗。震動反饋技術(hapticfeedback)成為提升玩家沉浸感的重要手段之一。當前的震動反饋系統往往需要進行預設類型，如槍擊類游戲，提前預設手槍，機關槍，狙擊槍或者霰彈槍的震動，通過觸發相應按鍵達到震動效果。然而，這種基于提前預設的震動系統往往過于單一，無法根據游戲畫面中的實時動態變化，提供更加精準的反饋。因此，現代游戲控制器技術需要一種更加智能化、實時化的震動反饋方案，使得手柄的震動不僅僅依賴于預設事件，還能通過分析游戲畫面和玩家操作，生成自適應的震動反饋信號。
技術實現思路
1、本專利技術針對現有的游戲控制器在實現震動反饋時是基于提前預設的震動系統，這種方式容易被殺毒軟件誤殺，且震動場景不夠豐富，震動方式比較單一，無法根據游戲畫面中的實時動態變化，提供更加精準的反饋的技術問題，目的在于提供一種基于圖像檢測與手柄鍵值反饋的游戲震動適配方法及系統。
2、為了解決前述技術問題，本專利技術的第一方面提供一種基于圖像檢測與手柄鍵值反饋的游戲震動適配方法，所述基于圖像檢測與手柄鍵值反饋的游戲震動適配方法包括：
3、s1，定時記錄控制器上的每個按鍵的按鍵狀態，確定與游戲事件具有映射關系的按鍵輸入事件；
4、s2，定時采集游戲畫面，提取與游戲場景相關的視覺特征，確定場景關鍵事件；
5、s3，根據所述按鍵輸入事件和所述場景關鍵事件生成震動反饋信號，觸發震動反饋至控制器。
6、可選地，在如前所述的基于圖像檢測與手柄鍵值反饋的游戲震動適配方法中，步驟s1，包括：
7、利用布爾值記錄控制器上的每個按鍵的當前按鍵狀態，將所述當前按鍵狀態與歷史按鍵狀態進行比較，跟蹤按鍵在連續時間段內的狀態變化，確定所有按鍵的當前操作類型；
8、根據預設的按鍵操作類型與游戲事件的映射關系，確定當前的按鍵輸入事件。
9、可選地，在如前所述的基于圖像檢測與手柄鍵值反饋的游戲震動適配方法中，步驟s2中，定時采集游戲畫面，包括：
10、判斷游戲窗體是否置頂，若不是置頂，則等待下一次游戲窗體判斷，若是置頂，則獲取游戲窗體坐標，進而以預設間隔時間實時獲取游戲畫面截圖。
11、可選地，在如前所述的基于圖像檢測與手柄鍵值反饋的游戲震動適配方法中，步驟s2中，提取與游戲場景相關的視覺特征，確定場景關鍵事件，包括：
12、獲取所述游戲畫面中預設的若干檢測區域，對若干所述檢測區域進行預處理后進行拼接，得到預設規格的檢測圖像；
13、對所述檢測圖像的圖像像素進行歸一化；
14、將歸一化后的所述檢測圖像輸入已訓練的卷積神經網絡模型來提取所述視覺特征，通過預設的激活函數得到類別概率，獲取各檢測區域類別概率最高的類別對應的游戲事件作為所述場景關鍵事件。
15、可選地，在如前所述的基于圖像檢測與手柄鍵值反饋的游戲震動適配方法中，所述檢測區域包括正在游戲檢測區域，將所述正在游戲檢測區域作為第一優先級進行檢測，在通過預設的激活函數得到類別概率后，檢測正在游戲檢測區域中類別概率最高的類別是否為正在游戲，若非正在游戲狀態，則等待下一次采集游戲畫面，若是正在游戲狀態，則繼續檢測其他檢測區域的類別概率，獲取各檢測區域類別概率最高的類別對應的游戲事件作為所述場景關鍵事件。
16、可選地，在如前所述的基于圖像檢測與手柄鍵值反饋的游戲震動適配方法中，所述檢測區域包括正在游戲檢測區域、大招檢測區域、普通攻擊檢測區域、生命條檢測區域和體力條檢測區域中的至少一個檢測區域。
17、可選地，在如前所述的基于圖像檢測與手柄鍵值反饋的游戲震動適配方法中，對若干所述檢測區域進行預處理后進行拼接，得到預設規格的檢測圖像，包括：
18、對每個所述檢測區域先通過高斯濾波降噪，再基于雙線性插值，進行自適應比例放縮成規定大小的圖片；
19、對不同的所述檢測區域進行拼接，得到預設規格的檢測圖像。
20、可選地，在如前所述的基于圖像檢測與手柄鍵值反饋的游戲震動適配方法中，所述卷積神經網絡模型的訓練過程如下：
21、采集正常狀態的若干游戲幀區域圖像以及發生各戰斗動作時的若干戰斗幀區域域圖像，對每一幀圖像進行標注對應的游戲事件類別，劃分訓練集、驗證集以及測試集；
22、采用本文檔來自技高網...
【技術保護點】
1.一種基于圖像檢測與手柄鍵值反饋的游戲震動適配方法，其特征在于，所述基于圖像檢測與手柄鍵值反饋的游戲震動適配方法包括：
2.如權利要求1所述的基于圖像檢測與手柄鍵值反饋的游戲震動適配方法，其特征在于，步驟S1，包括：
3.如權利要求1所述的基于圖像檢測與手柄鍵值反饋的游戲震動適配方法，其特征在于，步驟S2中，定時采集游戲畫面，包括：
4.如權利要求1所述的基于圖像檢測與手柄鍵值反饋的游戲震動適配方法，其特征在于，步驟S2中，提取與游戲場景相關的視覺特征，確定場景關鍵事件，包括：
5.如權利要求4所述的基于圖像檢測與手柄鍵值反饋的游戲震動適配方法，其特征在于，所述檢測區域包括正在游戲檢測區域，將所述正在游戲檢測區域作為第一優先級進行檢測，在通過預設的激活函數得到類別概率后，檢測正在游戲檢測區域中類別概率最高的類別是否為正在游戲，若非正在游戲狀態，則等待下一次采集游戲畫面，若是正在游戲狀態，則繼續檢測其他檢測區域的類別概率，獲取各檢測區域類別概率最高的類別對應的游戲事件作為所述場景關鍵事件；
6.如權利要求4所述的基于圖像
7.如權利要求4所述的基于圖像檢測與手柄鍵值反饋的游戲震動適配方法，其特征在于，所述卷積神經網絡模型的訓練過程如下：
8.如權利要求1至7中任意一項所述的基于圖像檢測與手柄鍵值反饋的游戲震動適配方法，其特征在于，步驟S3，包括：
9.如權利要求8所述的基于圖像檢測與手柄鍵值反饋的游戲震動適配方法，其特征在于，在步驟S1確定所述按鍵輸入事件后，對按鍵或游戲事件進行鎖定，直至得到所述震動反饋信號或丟棄數據后，解鎖所述按鍵或游戲事件。
10.一種基于圖像檢測與手柄鍵值反饋的游戲震動適配系統，其特征在于，包括：
...【技術特征摘要】
1.一種基于圖像檢測與手柄鍵值反饋的游戲震動適配方法，其特征在于，所述基于圖像檢測與手柄鍵值反饋的游戲震動適配方法包括：
2.如權利要求1所述的基于圖像檢測與手柄鍵值反饋的游戲震動適配方法，其特征在于，步驟s1，包括：
3.如權利要求1所述的基于圖像檢測與手柄鍵值反饋的游戲震動適配方法，其特征在于，步驟s2中，定時采集游戲畫面，包括：
4.如權利要求1所述的基于圖像檢測與手柄鍵值反饋的游戲震動適配方法，其特征在于，步驟s2中，提取與游戲場景相關的視覺特征，確定場景關鍵事件，包括：
5.如權利要求4所述的基于圖像檢測與手柄鍵值反饋的游戲震動適配方法，其特征在于，所述檢測區域包括正在游戲檢測區域，將所述正在游戲檢測區域作為第一優先級進行檢測，在通過預設的激活函數得到類別概率后，檢測正在游戲檢測區域中類別概率最高的類別是否為正在游戲，若非正在游戲狀態，則等待下一次采集游戲畫面，若是正...
【專利技術屬性】
技術研發人員：李偉鋼，鄧軼源，劉伯德，
申請(專利權)人：廣州市品眾電子科技有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。