一种游戏手柄漂移故障自动校对方法及系统与流程

本发明涉及游戏手柄校对的，特别是涉及一种游戏手柄漂移故障自动校对方法及系统。

背景技术：

1、随着电子游戏的发展，游戏手柄作为游戏控制的重要设备，其稳定性和准确性对于游戏体验至关重要。然而，由于使用频繁和设备老化等原因，游戏手柄可能会出现漂移故障，即摇杆在没有进行操作的情况下光标会自动移动或摇杆光标偏离原定的屏幕中心，严重影响游戏的平衡性和玩家的体验。

2、现有的游戏手柄漂移校对方法通常需要人工操作，通过观察光标位置和测试来发现手柄的漂移问题，这种方法不仅效率低下，而且准确度也不高。同时，手柄漂移也会引起光标移动速度的改变，仅仅关注手柄光标的位置难以精准的诊断手柄是否存在漂移故障。

3、因此，亟需一种能够自动、快速、准确地检测和校对手柄漂移故障的方法。

技术实现思路

1、为解决上述技术问题，本发明提供一种能够有效提高游戏手柄漂移校对的效率和准确度，提升玩家的游戏体验的游戏手柄漂移故障自动校对方法。

2、第一方面，本发明提供了一种游戏手柄漂移故障自动校对方法，所述方法包括：

3、获取手柄摇杆操作信息以及手柄光标检测图像信息；

4、根据手柄摇杆操作信息对手柄光标检测图像信息进行聚类分析，获得手柄摇杆在无动作状态下的光标检测图像集合以及手柄摇杆在操作状态下的光标检测图像集合；

5、根据手柄摇杆在无动作状态下的光标检测图像集合，计算每张图像上光标与图像中心之间的距离，获得手柄的静态漂移距离；

6、预先设定的漂移区间进行划分，汇总落在每个漂移区间内的静态漂移距离的次数，获得手柄摇杆漂移特征向量；

7、对手柄摇杆漂移特征向量进行加权计算，获得手柄摇杆漂移参数；

8、根据手柄摇杆在操作状态下的光标检测图像集合，计算得到光标平均移动速度；

9、将手柄摇杆漂移参数和光标平均移动速度输入至预先构建的手柄漂移诊断模型中，获得手柄漂移诊断结果；

10、根据手柄漂移诊断结果对手柄进行校对。

11、进一步地，所述聚类分析方法包括：

12、根据手柄摇杆操作信息，将相应时间段内采集到的光标检测图像分为两组，即手柄在无动作状态下的光标检测图像集合和手柄在操作状态下的光标检测图像集合；

13、从每组图像集中提取特征，包括光标的位置、运动轨迹和图像的颜色分布，量化图像信息；

14、使用聚类算法对每组图像集进行分析，将图像分为不同的簇，识别出在无动作状态下和操作状态下的光标图像的簇别；

15、通过分析聚类结果，识别出无动作状态下的光标检测图像集合和操作状态下的光标检测图像集合。

16、进一步地，所述手柄的静态漂移距离获取方法包括：

17、对每张光标检测图像进行预处理，包括去噪、调整亮度和对比度；

18、利用图像分割和边缘检测技术，定位光标的准确位置；

19、对于每张图像，通过测量光标位置与图像中心的距离，计算手柄的静态漂移距离；

20、将所有图像计算得到的漂移距离数据整理成一个数据集。

21、进一步地，所述手柄摇杆漂移特征向量获取方法包括：

22、根据预先设定的漂移区间，通过分段函数将静态漂移距离划分到相应的区间内；

23、统计落在每个漂移区间内的静态漂移距离的次数，建立漂移区间内静态漂移距离的分布；

24、将每个漂移区间内静态漂移距离的次数作为特征向量的元素，构建手柄摇杆漂移特征向量。

25、进一步地，所述手柄摇杆漂移参数获取方法包括：

26、选择漂移特征，包括静态漂移距离在不同漂移区间的次数分布、漂移距离的平均值和方差；

27、使用线性回归方法学习每个特征的权重；

28、对确定的特征及其权重的漂移特征向量进行加权计算；将每个特征值与其相应的权重相乘，然后将加权后的值相加，获得一个综合的手柄摇杆漂移参数；

29、使用已知漂移情况的测试数据集进行验证，根据验证结果对权重和计算过程进行调整和优化。

30、进一步地，所述光标平均移动速度获取方法包括：

31、对手柄摇杆在操作状态下的光标检测图像集合进行预处理，包括去噪和图像增强技术；

32、使用图像处理技术，提取每个图像中光标的位置信息；

33、对于每两个连续的图像，计算光标的位移，根据图像中的比例因子和实际物理空间的映射关系，通过比较两个时间点上的光标位置，得到准确的位移值；

34、利用光标的位移信息，计算每个时间段内的光标移动速度，速度通过位移值除以时间间隔来获得；

35、对于得到的所有光标移动速度值，计算其平均值。

36、进一步地，所述手柄漂移诊断模型构建方法包括：

37、收集历史数据，将历史手柄摇杆漂移参数、光标平均移动速度以及对应的漂移诊断结果划分为训练集和测试集；训练集用于模型的训练，测试集用于评估模型性能；

38、对训练集中的样本进行标记，标识每个样本是正常还是存在漂移故障；

39、根据数据特性，选择卷积神经网络作为模型基础；

40、从手柄摇杆漂移参数和光标平均移动速度中选择最相关的特征，并进行提取；

41、使用训练集对选择的模型进行训练，模型根据输入的特征学习数据中的模式，以区分正常状态和漂移状态；

42、使用测试集评估模型的性能，包括准确度、精确度、召回率和f1分数指标；

43、训练好的模型集成到整个自动校对系统中，确保实时性和稳定性。

44、另一方面，本技术还提供了一种游戏手柄漂移故障自动校对系统，所述系统包括：

45、信息获取模块，用于获取手柄摇杆操作信息以及手柄光标检测图像信息，并发送；

46、聚类分析模块，用于接收手柄摇杆操作信息以及手柄光标检测图像信息，根据手柄摇杆操作信息对手柄光标检测图像信息进行聚类分析，获得手柄摇杆在无动作状态下的光标检测图像集合以及手柄摇杆在操作状态下的光标检测图像集合，并发送；

47、静态漂移计算模块，用于接收手柄摇杆在无动作状态下的光标检测图像集合，根据手柄摇杆在无动作状态下的光标检测图像集合，计算每张图像上光标与图像中心之间的距离，获得手柄的静态漂移距离，并发送；

48、特征向量计算模块，用于接收静态漂移距离，根据预先设定的漂移区间进行划分，汇总落在每个漂移区间内的静态漂移距离的次数，获得手柄摇杆漂移特征向量，并发送；

49、参数计算模块，用于接收手柄摇杆漂移特征向量，对手柄摇杆漂移特征向量进行加权计算，获得手柄摇杆漂移参数，并发送；

50、速度计算模块，用于接收手柄摇杆在操作状态下的光标检测图像集合，根据手柄摇杆在操作状态下的光标检测图像集合，计算得到光标平均移动速度，并发送；

51、漂移诊断模块，用于接收手柄摇杆漂移参数和光标平均移动速度，将手柄摇杆漂移参数和光标平均移动速度输入至预先构建的手柄漂移诊断模型中，获得手柄漂移诊断结果，并发送；

52、校对模块，用于接收手柄漂移诊断结果，根据手柄漂移诊断结果对手柄进行校对。

53、第三方面，本技术提供了一种电子设备，包括总线、收发器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述收发器、所述存储器和所述处理器通过所述总线相连，所述计算机程序被所述处理器执行时实现上述任意一项所述方法中的步骤。

54、第四方面，本技术还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任意一项所述方法中的步骤。

55、与现有技术相比本发明的有益效果为：该方法通过获取手柄摇杆操作信息和光标检测图像信息，实现了自动化的漂移故障检测和校对过程；大大提高了效率，使得漂移问题能够在较短时间内得到解决，而不需要用户手动干预；采用聚类分析方法，对手柄摇杆在不同状态下的光标检测图像进行分析，获得了无动作状态和操作状态下的图像集合；通过详细的图像信息分析，能够更准确地诊断手柄漂移问题，避免了传统方法中存在的人为主观判断误差；

56、方法计算了手柄在无动作状态下的静态漂移距离，并将其划分为预设的漂移区间，形成特征向量；全面性的特征提取有助于更全面地了解漂移问题的性质，为后续的参数计算和校对提供了更精确的依据；

57、通过计算手柄在操作状态下的光标平均移动速度，考虑了漂移对光标速度的影响，动态性分析有助于更全面地了解漂移问题对游戏体验的影响，提高了系统对漂移问题的感知；

58、引入了预先构建的手柄漂移诊断模型，将漂移参数和光标平均移动速度输入模型中，通过模型的输出结果进行诊断，能够提高漂移问题的准确性和稳定性；

59、综上所述，该方法在解决游戏手柄漂移故障问题时具有自动化、准确性、全面性以及实时性的优点，能够有效提高游戏手柄漂移校对的效率和准确度，提升玩家的游戏体验。