利用Flex和Actionscript开发Flash游戏

利用Flex和Actionscript开发Flash游戏
2011年08月02日
  本文将告诉你利用何种工具开发游戏以及利用Flex和Actionscript开发游戏的第一步。
  入门
  Adobe曾经供给了你必需开发游戏的全副――Flash Player和Flex SDK。利用Flex开发游戏有以下一些优势:
  - 跨平台接受性――Flash Player扶持所有的主流平台。
  - 轻率安排――公布一个游戏好像上传一个swf文件一样容易。
  - (几乎)无须要安装――仅仅必需你的博览器安装了Flash Player。
  - 免费的工具――只必需免费的Flex SDK和一个文本编辑器即可。
  本文的一系列文章将一步一步带动你利用Flex告终一个2D flash游戏开发――一个传统的竖版射击游戏。
  率先第一步是下载Flex 3 SDK(http://om/products/flex/flexdownloads/)。这个SDK包括了所有用于编译文中源文件为网页可用swf文件的工具。同时,你也必需一个文本编辑器,我很迷恋Textpad,能够在这里下载到http://www.g1fight.info/jiaru/585.html: http://om/。最后你必需下载一个debug版本的flash player: http://om/support/flashplayer/downloads.html。debug版本的flash player能够让你直接敞开SWF文件而无须要为SWF创立一个网页(译者注:该说法并不准确。stand-alone版本的flash player都能够直接敞开swf,而debug版本的flash player能够在运行时讹谬时弹出讹谬消息,release的则不会)。接下来,我们开始准备敲代码吧!
  游戏中利用的图片元历来自spritelib库的courtsey,能够在这里下载:http://om/fun/spritelib.html。
  创立利用过程
  从观念上讲,Flex将一个过程分为两个局部:图形界面以及Actionscript代码。图形界面利用MXML文件,它是一种包括了用户界面元素标签的XML文件,相仿于HTML。当心:尽管在MXML文件的mx:Script标签中也能够利用Actionscript代码,然而MXML重要用于定义用户界面。
  MXML顶层是mx:Application标签。这里是一个Flex利用的入口,是大多数逻辑开始的地方。
  main.mxml源代码
  我们从定义Application object属性开始。相仿HTML的写法,这些属性能够直接标注在mx:Application标签中。
  width和height
  指定了过程在屏幕中揭示的宽高像素
  framerate
  指定了每秒帧数上限。默感受24,然而由于游戏必需运行得近可能通畅,提倡将此值设得高一些。当心:十月妈咪将此值设为100并不能保证过程始终在100fps(可能说接近这个值)下运行。这个值仅仅是一个可能到达http://www.ok1today.info/lianxiwomen/615.html的峰值。
  creationComplete
  当过程创立告终后关系一个措施。我们利用这个措施作为过程入口。
  enterFrame
  每次屏幕重绘时厉行的措施。我们利用这个措施重绘下一帧。
  mx:Script标签中供给了一个能够写Actionscript代码的地方。[CDATA[]]标签仅仅表示mx:Script标签中的字符将被感受是字符,而不是XML元素。在mx:Script标签中我们增加creationComplete和enterFrame两个措施。
  编译及运行
  编译这个过程,必需在号召行窗口中运行mxmlc main.mxml。你能够利用Flash debug player敞开生成的swf。
  收获是怎样的?即便一个空窗口,什么都还未曾。并不是很令人兴奋,然而这仅仅是我们的开始。在这个系列的第二篇中,我们将在屏幕上描摹一些东西。
  能够这里试?**颐堑挠蜗罚
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值