作者 | Wentao Yao, Zixun Sun, Xiao Chen
译者 | 孙薇 编辑 | Jane 出品 | AI科技大本营（ID: rgznai100）
原文链接： https://arxiv.org/pdf/1907.07854
介绍 推荐系统在我们生活中越来越重要，作为其重要组成部分，内容标注在个性化推荐中起着重要作用。热门手游“王者荣耀”有着大量粉丝，除了玩游戏，许多玩家还会花费大量时间观看相关游戏视频。那么，用户在浏览游戏社区时，如何自动推荐其喜爱的视频便成为我们所要解决的问题。准确的推荐会极大激发用户兴趣，并提高用户体验。而标记游戏视频的重要前提，便是识别视频中的英雄。 通常，基于神经网络的目标检测与识别有两种流行算法。一是两阶段算法（two-stage algorithms）：首先检测图像中的对象，并获得每个对象的边界框，然后识别各个边界框以获得对象类别。基于卷积神经网络的典型两阶段算法包括R-CNN、SPP Net、Fast R-CNN、Mask R-CNN等。而另一种则是一阶段算法（one-stage algorithms）:在一次运行中直接检测并识别图像中的对象，包括SSD和YOLO等。 经过分析后发现“王者荣耀”游戏的英雄有个重要特征，便是血条。所有血条均有相同的外观（包括大小及形状），而唯一区别是血条颜色、生命值与水平。为此，本文将采用两阶段算法。第一阶段，基于模板匹配方法，检测视频中的英雄血条，并获得其边界框列表。第二阶段，训练一个深度卷积神经网络来识别各个边界框，获取英雄姓名。 数据集 经过验证，我们发现不同视频中的血条大小只与视频高度相关，因此我们将数据集中的所有视频转为标准高度，即720px，同时保持其宽高比不变。 为了进行大量训练，我们从一些热门的视频网站上收集了大量游戏视频，其中包括截至目前的所有英雄（共92个）。各个视频包含一个标签，标记其中的主要英雄。针对各个英雄，我们下载了大约4-5个视频，其中尽可能涵盖了此英雄的各种外观和皮肤。 除了外观分类器，框架右下角是主英雄的技能区域，同一个主英雄的技能区域完全相同。我们决定利用技能区域，以及其他两个基于卷积神经网络的分类器进行训练，以提高识别准确性。技能区域的位置并不固定，且随着视频宽高比变化。因此，检测技能区域的算法应调整视频的宽高比。同时，我们使用圆检测算法，基于裁剪的技能区域来检测首技能（即第一个技能）圈。 综上，我们收集三种类型的样本：英雄的外观、首技能和技能区域。 方法 （1）血条模板匹配 将视频中的英雄血条与预定义模板匹配。由于不同血条的生命值、颜色、水平的差异，必须设置遮罩，区分该区域是否用于匹配。
图1（a）用于匹配的血条模板
图1（b）模板遮罩，其中白色像素将用于匹配
针对通道输入的视频帧，先将其转换为灰度图像，然后执行模板匹配。所有输入图像需缩放至标准尺寸（即高度为720px），采用32位浮点图像。由于视频中英雄数量不定，我们需对原始视频帧和相应匹配图像进行观察，如图2：
图2（a）原始视频帧
图2（b）相应的匹配图像
图2（c）匹配图像的局部极大值
在图2（a）中，存在四个血条，在图2（b）中可以找到相对应位置。用恰当半径的极大值过滤器过滤匹配图像，则获得图2（c）。显然，四个极大值的位置对应四个血条。按照像素值降序，取前20个像素可快速处理图像并有效保留血条信息。我们设计了一个函数以计算像素分值，此函数基于两个要素——局部极大像素值，与周围像素的对比度，这两者都利于匹配模板。假设：极大过滤器区域中共有n个像素，将局部极大像素值设为v0，将过滤器中其他像素值设为vi（1≤i≤n），v0≥vi，然后计算：
其中α和β是平衡两部分权重的系数。分数越高，模板匹配的结果越好。排序后取前20，但由于不确定英雄数量，仍需设定一个阈值。
（2）非极大值抑制
英雄血条形状接近矩形，在模板匹配中，水平偏移不会显著减少匹配响应（因为模板水平线上的大多像素仍可以匹配图像中的真实血条像素）。为了避免相同血条出现多个检测结果，我们引入了非极大值抑制。在模板匹配阶段已经获得分值最高的前20个像素，我们按分值降序排序。使用四个属性（x，y，score，is_real_detection）描述每个像素。在非极大值抑制阶段，按照算法1设计抑制算法，其中Tx和Ty分别是水平和垂直偏移的阈值。我们将Tx设为模板宽度的一半，将Ty设为1像素。图4（b）显示了非极大值抑制后的检测结果，修复了所有的错误检测。
算法1非极大值抑制
（3）阵营分类
根据血条颜色，可将英雄分为三个阵营：自己（主英雄）、友军、敌军。由于血条生命值可能很低，我们采用了一种简单的算法，使用血条最左侧位置的平均颜色对血条进行分类。3通道平均颜色表示为（cr，cg，cb），英雄阵营的分类规则如下：
对于（r，g，b）中的颜色i，如果ci> 100且ci> 1.5 * cj（j≠i），则血条的颜色为i（绿色代表自己，蓝色代表友军，红色代表敌军）；
如果没有ci符合上述规则，则：
对于（r，g，b）的每个i，如果满足70≤ci≤100，血条几乎为空，无法确定阵营；
否则并非血条，取消检测。
为了识别英雄姓名，我们需要训练几个分类器。针对英雄外观，只需在检测到的血条下面为主英雄裁剪一个固定区域，外观图像尺寸为163×163；对主英雄的技能区域，根据视频的宽高比进行位置补偿。在下面的方程式中，带有下标s的变量x，y，w，h指技能区域，带有下标image的变量则指图像。wnorm是指标准化16：9调整后的图像宽度。
为了减少非游戏界面中技能区域的虚假裁剪，只在检测到主英雄时裁剪技能区域，大小为360×360。对于英雄的首技能，我们在提取技能区域的左下角运行圆检测算法。检测到至少一个圆的话，使用最大圆的中心和固定大小来裁剪首技能区域，大小为110×110。
图6：用于训练分类器的典型训练与测试样本
如上所述，我们使用检测算法自动收集培训和测试样本，对每个分类器，我们收集了超过10万的样本。表1列出了训练及测试样本的数量：
用到三种常用的深度卷积神经网络来训练分类器，包括: Inception V3/V4及Inception-ResNet V2，对于每个采样帧中检测到的英雄，通过分类器获得其姓名与可信度分数，再根据英雄姓名累积每个英雄的可信度分数。最终通过选择最高累积可信度分数的英雄来获得最终结果。
图7：
英雄检测和识别的整体方案
实验结果
Inception V3 / V4和Inception-ResNet V2网络的输入图像大小均为299×299，使用检测算法提取训练和测试样本。使用平均准确度，将marco-f1和micro-f1作为三种样本和三种网络模型的评估标准。表2中列出了经过训练的神经网络的性能表现。使用Tesla M40 GPU，GTX1060 GPU。
根据表2，我们发现对于所有类型的图像，Inception V3网络优于Inception V4和Inception-ResNet V2网络，Inception V3网络运行速度比图像上的Inception V4和Inception-ResNet V2网络更快，因为其结构更简单，参数更少。每帧中所有英雄的检测时间约为80ms。每个框架中所有英雄的检测和识别的整个过程，包括主英雄的技能区域和首技能区域，对Inception V3网络是200ms，对Inception V4网络是280ms，对Inception-ResNet V2网络是320ms。
从实验中我们发现，在准确性和识别时间方面，Inception V3网络对于游戏视频中的识别任务比其他两个更复杂的网络更好。在任务中我们使用Inception V3作为基础网络。与YOLOv3比较结果如图8，YOLO倾向于仅检测图像中心的英雄，而我们的方法可检测识别图像中的所有英雄。
图 8（a）（b）： YOLOv3与我们的方法的比较
（a）YOLOv3模型的检测和识别结果
（b）我们方法的检测和识别结果
虽然该方法表现良好，还是会有失败。最典型的是英雄的新皮肤及新增英雄，需要不断更新模型。
结论
本文为“王者荣耀”提出一种高效准确的英雄检测和识别算法，有助于快速定义游戏视频内容并加注标签和推荐。我们使用两阶段方法检测与识别视频中的所有英雄，这种方式性能上更优于YOLO等一阶段方法，训练和测试样本的工作量却大体相同。未来我们还将探索更多关于游戏视频内容理解的内容，如游戏视频场景识别和类型分类。并将工作扩展到其他游戏，如“英雄联盟”，这将使该算法通用性更强。
(*本文为 AI科技大本营编译文章，转载请联系微信 1092722531)
社群福利
扫码添加小助手，回复：大会，加入2019 AI开发者大会福利群，每周一、三、五更新技术福利，还有不定期的抽奖活动~
◆
AI 开发者大会「七夕」特价
◆
2019 AI开发者大会重磅嘉宾更新： 阿里、华为、Google Brain、Amazon、微软中国、百度、京东、小米、快手、科大讯飞、商汤、旷视、图森、云知声、思必驰... “硬核AI技术大会，一年参加一次就够了”。 虽然是「七夕」 活动，没有男（女）朋友可以参加吗？ 当然可以啦，性别不限，两人组队购票，即享优惠~
推荐阅读
重磅！AI Top 30+案例评选正式启动
通俗易懂：图解10大CNN网络架构
大咖问答：自然语言处理十问！
BERT的成功是否依赖于虚假相关的统计线索
被罚 50 亿后，Google 不再强制绑定 Android 默认引擎！
容器快速入门完全指南
媒体巨头进军区块链！纽约时报将用区块链技术打击假新闻
你点的每个“在看”，我都认真当成了喜欢
962
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
