一种作弊用户检测方法、装置、存储介质和电子设备与流程

本申请涉及计算机技术领域，具体涉及一种作弊用户检测方法、装置、存储介质和电子设备。

背景技术：

随着人工智能技术研究和进步，人工智能技术在多个领域展开研究和应用，例如常见的智能家居、智能穿戴设备、虚拟助理、智能音箱、智能营销、无人驾驶、自动驾驶、无人机、机器人、智能医疗、智能客服等，相信随着技术的发展，人工智能技术将在更多的领域得到应用，并发挥越来越重要的价值。

其中，外挂是指通过修改游戏数据，而为游戏用户谋取利益的作弊程序或者作弊软件。游戏用户可以利用开外挂的行为，轻松获取游戏胜利、奖励、以及快感。由于开外挂的行为会破坏游戏的公平性，因此需要尽可能的禁止这种开外挂的行为。但是，现有技术中是通过目标检测，确定多个目标对象的位置信息，进而识别作弊用户，这种检测作弊用户的方法耗时过长，效率较低。

技术实现要素：

本申请实施例提供一种作弊用户检测方法、装置、存储介质和电子设备，本方案可以提升作弊用户检测的效率。

本申请实施例提供一种作弊用户检测方法，包括：

获取游戏视频对应的视频帧序列；

从所述视频帧序列中选取出预设游戏操作事件所作用的多个预设事件视频帧序列，其中，所述预设事件视频帧序列中包括多个预设事件视频帧；

当检测到所述预设事件视频帧里的对象检测区域中仅存在作弊参考对象时，将所述预设事件视频帧确定为作弊参考视频帧；

当检测到所述作弊参考视频帧里的作弊判定区域中，预设类型的像素点所对应的像素点参数满足预设像素点参数条件时，将所述作弊参考视频帧确定为目标作弊视频帧；

当所述目标作弊视频帧的视频帧数量满足预设数量条件时，确定所述游戏视频对应的游戏用户为作弊用户。

相应的，本申请实施例还提供一种作弊用户检测装置，包括：

获取模块，用于获取游戏视频对应的视频帧序列；

选取模块，用于从所述视频帧序列中选取出预设游戏操作事件所作用的多个预设事件视频帧序列，其中，所述预设事件视频帧序列中包括多个预设事件视频帧；

第一确定模块，用于当检测到所述预设事件视频帧里的对象检测区域中仅存在作弊参考对象时，将所述预设事件视频帧确定为作弊参考视频帧；

第二确定模块，用于当检测到所述作弊参考视频帧里的作弊判定区域中，预设类型的像素点所对应的像素点参数满足预设像素点参数条件时，将所述作弊参考视频帧确定为目标作弊视频帧；

第三确定模块，用于当所述目标作弊视频帧的视频帧数量满足预设数量条件时，确定所述游戏视频对应的游戏用户为作弊用户。

则此时，所述选取模块，具体可以用于将所述视频帧序列划分为多个视频帧子序列，检测每个视频帧子序列中各个视频帧所对应的游戏操作事件，得到每个视频帧对应的事件检测结果，基于所述事件检测结果，从多个视频帧中确定出预设游戏操作事件所作用的多个预设事件视频帧，基于所述多个预设事件视频帧，构建多个预设事件视频帧序列。

可选的，在一些实施例中，所述第一确定模块可以包括第一区域确定子模块、对象检测子模块和视频帧确定子模块，如下：

第一区域确定子模块，用于确定每个预设事件视频帧对应的对象检测区域；

对象检测子模块，用于检测所述对象检测区域中的虚拟对象，得到所述对象检测区域对应的对象检测结果；

视频帧确定子模块，用于当所述对象检测结果确定所述对象检测区域中仅存在作弊参考对象时，将所述预设事件视频帧确定为作弊参考视频帧。

则此时，所述第一区域确定子模块，具体可以用于根据所述预设事件视频帧中视频帧参考点的位置信息，确定对象检测区域参考点的位置信息，基于所述对象检测区域参考点的位置信息，在所述预设事件视频帧中确定对象检测区域。

可选的，在一些实施例中，所述第二确定模块可以包括第二区域确定子模块、参数检测子模块和第二视频帧确定子模块，如下：

第二区域确定子模块，用于确定每个作弊参考视频帧对应的作弊判定区域；

参数检测子模块，用于检测所述作弊判定区域中预设类型的像素点所对应的像素点参数；

第二视频帧确定子模块，用于当所述像素点参数满足预设像素点参数条件时，将所述作弊参考视频帧确定为目标作弊视频帧。

则此时，所述第二区域确定子模块，具体可以用于根据所述作弊参考视频帧中视频帧参考点的位置信息，确定作弊判定区域参考点的位置信息，基于所述作弊判定区域参考点的位置信息，在所述作弊参考视频帧中确定作弊判定区域。

则此时，所述第三确定模块，具体可以用于基于多个作弊参考视频帧，构建多个作弊参考视频帧序列，确定每个作弊参考视频帧序列中，所述目标作弊视频帧的视频帧数量，当所述视频帧数量满足预设数量条件时，确定所述游戏视频对应的游戏用户为作弊用户。

可选的，在一些实施例中，所述作弊用户检测方法还可以包括构建模块、检测模块和第四确定模块，如下：

构建模块，用于基于多个作弊参考视频帧，构建多个作弊参考视频帧序列；

检测模块，用于检测所述作弊参考视频帧序列对应的游戏参数信息；

第四确定模块，用于当所述游戏参数信息满足预设参数条件时，确定所述游戏视频对应的游戏用户为作弊用户。

此外，本申请实施例还提供一种计算机存储介质，所述计算机存储介质存储有多条指令，所述指令适于处理器进行加载，以执行本申请实施例提供的任一种作弊用户检测方法中的步骤。

此外，本发明实施例还提供一种电子设备，包括存储器，处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如本发明实施例提供的任一种作弊用户检测方法中的步骤。

本申请实施例可以获取游戏视频对应的视频帧序列，从视频帧序列中选取出预设游戏操作事件所作用的多个预设事件视频帧序列，其中，预设事件视频帧序列中包括多个预设事件视频帧，当检测到预设事件视频帧里的对象检测区域中，仅存在作弊参考对象时，将预设事件视频帧确定为作弊参考视频帧，当检测到作弊参考视频帧里的作弊判定区域中，预设类型的像素点所对应的像素点参数满足预设像素点参数条件时，将作弊参考视频帧确定为目标作弊视频帧，当目标作弊视频帧的视频帧数量满足预设数量条件时，确定游戏视频对应的游戏用户为作弊用户。本方案可以提升作弊用户检测的效率。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本申请实施例提供的作弊用户检测系统的场景示意图；

图2是本申请实施例提供的作弊用户检测方法的第一流程图；

图3是本申请实施例提供的作弊用户检测方法的第二流程图；

图4是本申请实施例提供的视频帧多次选取的流程示意图；

图5是本申请实施例提供的识别作弊用户的流程示意图；

图6是本申请实施例提供的准心落在人身上的示意图；

图7是本申请实施例提供的开镜状态的预设事件视频帧示意图；

图8是本申请实施例提供的对象检测区域示意图；

图9是本申请实施例提供的作弊判定区域示意图；

图10是本申请实施例提供的利用网络模型检测作弊用户的流程示意图；

图11是本申请实施例提供的作弊用户检测装置的结构示意图；

图12是本申请实施例提供的电子设备的结构示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请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申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

本申请实施例提供一种作弊用户检测方法、装置、存储介质和电子设备。具体地，本申请实施例提供适用于电子设备的作弊用户检测方法。其中，电子设备可以为终端等设备，该终端可以为手机、平板电脑、笔记本电脑、智能电视、盒子等设备；其中，该电子设备还可以为服务器等设备，该服务器可以是单台服务器，也可以是由多个服务器组成的服务器集群。

比如，作弊用户检测装置可以集成在终端或服务器中。

本申请实施例中，作弊用户检测方法可以由终端或服务器单独执行，也可以由终端和服务器共同执行完成。

参考图1，本申请实施例将以电子设备为服务器为例，来介绍作弊用户检测方法。其中，服务器可以用于获取游戏视频对应的视频帧序列，从视频帧序列中选取出预设游戏操作事件所作用的多个预设事件视频帧序列，其中，预设事件视频帧序列中包括多个预设事件视频帧，当检测到预设事件视频帧里的对象检测区域中，仅存在作弊参考对象时，将预设事件视频帧确定为作弊参考视频帧，当检测到作弊参考视频帧里的作弊判定区域中，预设类型的像素点所对应的像素点参数满足预设像素点参数条件时，将作弊参考视频帧确定为目标作弊视频帧，当目标作弊视频帧的视频帧数量满足预设数量条件时，确定游戏视频对应的游戏用户为作弊用户。

本申请实施例提供的作弊用户检测方法涉及人工智能领域中的计算机视觉方向。本申请实施例可以通过检测预设时间视频帧里的对象检测区域中，是否仅存在作弊参考对象，以确定出作弊参考视频帧，并根据作弊参考视频帧对应的像素点参数、游戏参数信息等，判定该游戏用户是否为作弊用户。

其中，人工智能(artificialintelligence，ai)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。其中，人工智能软件技术主要包括计算机视觉技术、机器学习/深度学习等方向。

其中，计算机视觉技术(computervision，cv)是一门研究如何使机器“看”的科学，更进一步的说，就是指通过计算机代替人眼对目标进行识别、测量等的机器视觉，并进一步进行图像处理，使图像经过计算机处理成为更适合人眼观察或传送给仪器检测的图像。作为一个科学学科，计算机视觉研究相关的理论和技术，试图建立能够从图像或者多维数据中获取信息的人工智能系统。计算机视觉技术通常包括图像处理、图像识别等技术，还包括常见的人脸识别、人体姿态识别等生物特征识别技术。

本申请实施例提供的一种作弊用户检测方法，该方法可以由服务器的处理器执行，如图2所示，该作弊用户检测方法的具体流程可以如下：

201、获取游戏视频对应的视频帧序列。

其中，外挂是指通过修改游戏数据，而为游戏用户谋取利益的作弊程序或者作弊软件。游戏用户可以利用电脑技术针对游戏软件进行非原设操作，篡改游戏的设定以及游戏的规则，以大幅增强游戏角色的技能以及游戏角色的能力，从而达到轻松获取游戏胜利、奖励、以及快感的目的。开外挂的行为会破坏游戏的公平性，因此，需要尽可能的禁止这种开外挂的行为。

其中，在射击类游戏中包括一种透视外挂，该透视外挂中包括“天眼射线”的功能，也即开挂的玩家可以一目了然的看到游戏中所有玩家的位置。开启了透视外挂的玩家由于能够看到游戏中虚拟敌人的位置，因此减少被偷袭的可能性，并且可以在虚拟敌人毫无防备的情况下进行击杀。这种透视外挂的行为会大大提升玩家的成功率，使得玩家能够轻而易举地获得胜利，无疑破坏了游戏的公平性。

本申请实施例中，作弊用户检测方法中的步骤可以由服务器执行，可选的，对于服务器而言，可以从存储该游戏视频的存储区域直接获取到游戏视频。对于服务器而言，游戏视频可以从服务器的数据库中获取，或者从服务器所属区块链中获取。

可以理解的是，在另一个实施例中，作弊用户检测方法中的步骤还可以由终端执行，作弊用户检测装置可以集成在终端中。对于终端而言，游戏视频可以从终端本地获取，也可以从服务器获取，还可以从与终端连接的其他设备中获取，如从终端连接的存储装置中获取游戏视频。

在实际应用中，本申请实施例提供的作弊用户检测方法，可以通过对游戏视频中的视频帧进行检测，判定出游戏视频所对应的游戏用户是否为作弊用户。比如，可以获取游戏用户a对应的游戏视频，也即，根据该游戏视频可以对应到具体的游戏用户a，从而通过判定游戏过程中是否存在作弊行为，进而推断游戏用户a是否为作弊用户。其中，该游戏视频可以为游戏用户a在一局游戏中所对应的视频；该游戏视频还可以为游戏用户a在游戏过程中截取的部分视频。然后，可以将游戏视频解析为多个视频帧，其中，多个视频帧可以按照时间顺序组成视频帧序列。

202、从视频帧序列中选取出预设游戏操作事件所作用的多个预设事件视频帧序列。

其中，游戏操作事件可以为用户在游戏过程中，为了适应游戏的进程而进行的特定操作。比如，在射击类游戏中，用户为了能够精准地瞄准目标，可以进行开镜操作，使得游戏处于开镜状态。其中，开镜可以为射击游戏中，为了让游戏用户能够精准地瞄准目标虚拟对象，而设置的一种游戏状态。如图7所示，游戏在开镜状态下的视频帧中可以包括代表当前已经开镜的镜头图像，并且该开镜状态下的视频帧中可以包括经过整体放大或者部分放大的游戏场景图像。

在实际应用中，比如，如图4所示，可以将开镜定义为预设游戏操作事件，然后，从视频帧序列中选取出开镜状态下的视频帧，并将开镜状态下的视频帧确定为预设事件视频帧，且构建多个预设事件视频帧序列。由于开镜是射击游戏中的一种状态，也即用户在游戏过程中多次开镜后，获取到的游戏视频里，会包括多个开镜状态下对应的视频片段，因此，从视频帧序列中选取出开镜操作所作用的多个预设事件视频帧序列，就是从整个的游戏视频中，选取出开镜状态下对应的一个或者多个视频片段，本申请实施例中利用视频帧序列的形式体现视频片段的含义。

其中，在射击类游戏的场景中，开镜之后会使得游戏中的目标虚拟对象变大，游戏用户因而能够更好的定位镜头中虚拟对象的类型。由于开镜之后镜头的位置与视频帧的位置差异不大，也即开镜之后镜头的位置就在视频帧中心点的附近，并且，虽然开镜之后镜头会有上下左右移动的现象，甚至开枪的时候会有由于后坐力而导致的移动，但是镜头中心的变化始终是在一定的范围之内的，不会变化很大。因此无需对开镜的镜头进行定位，而可以仅对视频帧的开镜状态进行检测，得到开镜状态下的预设事件视频帧序列，然后，直接将预设事件视频帧中视频帧的中心点，确定为开镜状态下镜头的位置。通过这种方法，省去了确定开镜状态下镜头的具体位置所需要的时间，并且，利用视频帧的中心点进行定位并不影响该作弊用户检测方法的检测效果。

在一实施例中，可以利用神经网络对视频帧进行分类预测，以判定该视频帧是否为预设游戏操作事件所作用的预设事件视频帧。具体地，步骤“从所述视频帧序列中选取出预设游戏操作事件所作用的多个预设事件视频帧序列”，可以包括：

将所述视频帧序列划分为多个视频帧子序列；

检测每个视频帧子序列中各个视频帧所对应的游戏操作事件，得到每个视频帧对应的事件检测结果；

基于所述事件检测结果，从多个视频帧中确定出预设游戏操作事件所作用的多个预设事件视频帧；

基于所述多个预设事件视频帧，构建多个预设事件视频帧序列。

在实际应用中，比如，获取到由多个视频帧组成的视频帧序列后，可以将视频帧序列划分为多个视频帧子序列，其中，一个视频帧子序列中包括10个视频帧。然后，如图10所示，基于游戏操作事件检测网络mobilenetv3，对每个视频帧子序列进行分类预测，并得到每个视频帧子序列中各个视频帧对应的事件检测结果。根据视频帧对应的事件检测结果，可以确定出该视频帧是否为开镜操作所作用的视频帧，并从多个视频帧中确定出预设游戏操作事件所作用的多个预设事件视频帧、以及多个预设事件视频帧序列，其中，每个预设事件视频帧序列都对应着游戏过程中，用户的一次开镜操作。

在一实施例中，每个视频帧子序列中视频帧的数量可以根据实际情况进行调整，本申请实施例中不对每个视频帧子序列中视频帧的数量进行限定。其中，每个视频帧子序列中视频帧的数量可以相同，也可以将视频帧序列划分为视频帧数量不同的多个视频帧子序列，等等。

在一实施例中，游戏操作事件检测网络可以为一种分类预测网络模型，比如，该游戏操作事件检测网络还可以为resnet等cnn模型(convolutionalneuralnetworks，卷积神经网络)、rnn模型(recurrentneuralnetwork，循环神经网络)、目标检测模型，等等。本申请实施例不对游戏操作事件检测网络的网络类型进行限定，只要能够检测出预设游戏操作事件所作用的预设事件视频帧的网络模型即可。

203、当检测到预设事件视频帧里的对象检测区域中，仅存在作弊参考对象时，将预设事件视频帧确定为作弊参考视频帧。

其中，对象检测区域可以为预设事件视频帧中的部分区域，通过检测对象检测区域内的虚拟对象，即可得知相对应的预设事件视频帧是否为符合条件的视频帧，而无需对整体的预设时间视频帧进行检测。其中，该对象检测区域对应的对象检测区域参考点的位置，可以与预设时间视频帧中视频帧参考点的位置相关联。比如，如图8所示，可以将预设时间视频帧的中心点，确定为对象检测区域的区域中心点，并且以该区域中心点为区域中心，预设的200*200的尺寸为区域尺寸，构建预设时间视频帧对应的对象检测区域。

其中，作弊参考对象可以为游戏中的一种虚拟对象，该作弊参考对象在游戏中起到伪装迷惑等的作用，但是，如果某个游戏用户针对作弊参考对象不停的释放技能，则可以认为该游戏用户是作弊用户，因此，作弊参考对象可以作为判定游戏用户是否作弊的参考。比如，在射击类游戏场景中，可以将假人定义为作弊参考对象，当某个游戏用户射击假人的时候，该游戏用户可能为作弊用户。

在实际应用中，比如，在射击类游戏场景中，如果某个预设事件视频帧的对象检测区域中存在真人，无论是否存在外挂的行为，游戏用户都会优先地选择射击真人，此时无法确定游戏用户是否为作弊用户。但是，如果某个预设时间视频帧的对象检测区域中只存在假人，而游戏用户还选择射击时，此时，该游戏用户可能为作弊用户，因此，需要确定出对象检测区域中只存在假人的多个视频帧进行判定。如图4所示，可以确定出每个预设时间视频帧所对应的对象检测区域，然后，对该对象检测区域进行检测，当检测到对象检测区域中仅存在作弊参考对象时，将该对象检测区域对应的预设时间视频帧，确定为作弊参考视频帧。

在一实施例中，可以利用神经网络对对象检测区域中是否仅存在作弊参考对象进行检测，以提升作弊用户检测方法的效率。具体地，步骤“当检测到所述预设事件视频帧里的对象检测区域中仅存在作弊参考对象时，将所述预设事件视频帧确定为作弊参考视频帧”，可以包括：

确定每个预设事件视频帧对应的对象检测区域；

检测所述对象检测区域中的虚拟对象，得到所述对象检测区域对应的对象检测结果；

当所述对象检测结果确定所述对象检测区域中仅存在作弊参考对象时，将所述预设事件视频帧确定为作弊参考视频帧。

在实际应用中，比如，如图10所示，可以确定每个预设事件视频帧对应的对象检测区域，然后利用虚拟对象检测网络，检测对象检测区域中的虚拟对象，得到对象检测区域对应的对象检测结果，并根据该对象检测结果确定对象检测区域中是否仅存在作弊参考对象，将仅存在作弊参考对象的对象检测区域，所对应的预设事件视频帧，确定为作弊参考视频帧。并且，可以预先对虚拟对象检测网络进行训练，该虚拟对象检测网络可以为mobilenetv3模型，利用60000张图像作为训练样本，利用1000张图像进行验证，并且使得该虚拟对象检测网络对应4个分类的种类。

在一实施例中，虚拟对象检测网络可以为一种分类预测网络模型，比如，该虚拟对象检测网络可以为mobilenetv3、resnet等cnn模型(convolutionalneuralnetworks，卷积神经网络)、rnn模型(recurrentneuralnetwork，循环神经网络)、目标检测模型，等等。本申请实施例不对虚拟对象检测网络的网络类型进行限定，只要能够检测出对象检测区域内是否仅存在作弊参考对象的网络模型即可。

在一实施例中，由于虚拟对象检测网络是一种分类预测网络模型，因此，利用该虚拟对象检测网络可以将对象检测区域分为多个种类，比如，在射击类的游戏场景下，由于真人显示为红色，假人显示为黄色，因此，可以预先设置虚拟对象检测网络能够检测出“无人”、“真人”、“假人”三个种类，此时，虚拟对象检测网络可以在对象检测区域中分别检测出“无人”、“真人”、“假人”三个种类。

但是，在实际游戏过程中，还会出现如图6所示的情形，此时，红色的准心落在假人身上，如果利用预先设置三个种类的虚拟对象检测网络进行检测，这种准心落在假人身上的情况会被识别为“真人”，与事实不符，出现了检测错误。因此，可以预先设置虚拟对象检测网络能够检测出“无人”、“真人”、“假人”、“准心落在人身上”四个种类，此时，可以将“准心落在人身上”的种类视为只有假人的情况来进行一个容错。由于在正常游戏过程中，准心不会一开始就落在人身上，而是会存在一个目标瞄准的过程，在这个过程中，假人就会被游戏用户识别出来，因此，将“准心落在人身上”的种类视为只有假人的情况，可以保证检测的准确性。

在一实施例中，开镜状态下会由于倍镜的不同，而在镜头里显示不同的视野，但是当游戏用户需要射击时，射击的目标位于镜头的中心，而镜头的中心可以利用视频帧的中心点进行确定，因此，只需要检测以视频帧的中心点为中心的对象检测区域中是否仅存在作弊参考对象即可。具体地，步骤“确定每个预设事件视频帧对应的对象检测区域”，可以包括：

根据所述预设事件视频帧中视频帧参考点的位置信息，确定对象检测区域参考点的位置信息；

基于所述对象检测区域参考点的位置信息，在所述预设事件视频帧中确定对象检测区域。

在实际应用中，比如，如图8所示，预设时间视频帧中视频帧参考点可以确定为视频帧的中心点，可以将预设时间视频帧中心点的位置，确定为对象检测区域参考点的位置，并且根据预先设置200*200的区域尺寸，构建预设事件视频帧对应的对象检测区域。其中，本申请实施例不对对象检测区域的区域尺寸、以及区域形状进行限制，能够满足检测要求的区域尺寸都可以。

204、当检测到作弊参考视频帧里的作弊判定区域中，预设类型的像素点所对应的像素点参数满足预设像素点参数条件时，将作弊参考视频帧确定为目标作弊视频帧。

其中，作弊判定区域可以为作弊参考视频帧中的部分区域，通过对作弊判定区域中的像素点进行检测，可以得知相对应的作弊参考视频帧是否为符合条件的视频帧。其中，该作弊判定区域对应的作弊判定区域参考点的位置，可以与作弊参考视频帧中视频帧参考点的位置相关联。比如，如图9所示，可以将作弊参考视频帧的中心点，确定为作弊判定区域的区域中心点，并且以该区域中心点为区域中心，预设的10*10的尺寸为区域尺寸，构建作弊参考视频帧对应的作弊判定区域。

在实际应用中，比如，在射击类游戏场景中，如果某个游戏用户持续瞄准假人、或者多次瞄准假人时，可以判定该游戏用户为作弊用户。因此，可以对游戏用户瞄准假人的情况进行检测。可以首先确定出每个作弊参考视频帧对应的作弊判定区域，由于射击类游戏中假人为黄色，因此，可以对作弊判定区域中黄色像素点进行检测，检测得到黄色像素点对应的像素点参数，如图4所示，当该像素点参数满足预设像素点参数条件时，可以将该作弊判定区域所对应的作弊参考视频帧，确定为目标作弊视频帧。

在一实施例中，本申请实施例中预设类型的像素点不仅限于黄色的像素点，当游戏中作弊参考对象的形式发生变化时，可以相应地对预设类型的像素点进行调整。

在一实施例中，可以利用神经网络对作弊判定区域中预设类型的像素点所对应的像素点参数进行检测，以提升作弊用户检测方法的效率。具体地，步骤“当检测到所述作弊参考视频帧里的作弊判定区域中，预设类型的像素点所对应的像素点参数满足预设像素点参数条件时，将所述作弊参考视频帧确定为目标作弊视频帧”，可以包括：

确定每个作弊参考视频帧对应的作弊判定区域；

检测所述作弊判定区域中预设类型的像素点所对应的像素点参数；

当所述像素点参数满足预设像素点参数条件时，将所述作弊参考视频帧确定为目标作弊视频帧。

在实际应用中，比如，如图10所示，可以首先确定每个作弊参考视频帧对应的作弊判定区域，然后利用像素检测网络opencv，对作弊判定区域中黄色像素点所对应的像素点参数进行检测，其中，检测得到的像素点参数可以为作弊判定区域中黄色像素点的个数。当检测得到作弊判定区域中黄色像素点的个数满足要求时，说明此时游戏用户正在瞄准假人，因此，可以将该作弊判定区域对应的作弊参考视频帧确定为目标作弊视频帧。其中，本申请实施例不对像素检测网络的网络类型进行限定，只要能够检测出作弊判定区域中黄色像素点所对应的像素点参数的网络模型即可。

其中，opencv是基于bsd许可发行的跨平台计算机视觉库，可以运行在多种操作系统上，opencv具有轻量级以及搞笑的特点，能够实现图像处理和计算机视觉等多方面的计算。本申请实施例中可以利用opencv，对作弊参考视频帧对应的作弊判定区域中，预设类型的像素点所对应的像素点参数进行检测。

在一实施例中，像素点参数可以根据实际情况进行调整，比如，像素点参数还可以为作弊判定区域中黄色像素点的占比，当检测得到作弊判定区域中黄色像素点的占比满足要求是，说明此时游戏用户正在瞄准假人，因此，可以将该作弊判定区域对应的作弊参考视频帧确定为目标作弊视频帧。

在一实施例中，由于在瞄准假人的过程中，镜头会随着假人不断移动，因此，镜头中心会不时地落在假人身上，又由于镜头中心位于视频帧中心附近，假人会不时地进入视频帧中心区域，因此，可以利用视频帧中心点确定作弊判定区域中心点。具体地，步骤“确定每个作弊参考视频帧对应的作弊判定区域”，可以包括：

根据所述作弊参考视频帧中视频帧参考点的位置信息，确定作弊判定区域参考点的位置信息；

基于所述作弊判定区域参考点的位置信息，在所述作弊参考视频帧中确定作弊判定区域。

在实际应用中，由于在射击类游戏场景中，游戏用户的瞄准行为是使得开镜的镜头中心落在人身上，因此，游戏中的作弊行为可以确定为：使得开镜的镜头中心不断地落在假人身上。由于在射击类游戏中，如果假人在静止，随着动作的移动幅度逐渐变小，开镜的镜头中心会与视频帧中心逐渐重合；如果假人在移动，开镜的镜头也会随着假人不断移动，那么开镜的镜头中心会时不时地落在假人身上，由于开镜的镜头中心与视频帧的中心位置大致相同，因此，视频帧的中心也会时不时地落在假人身上。

所以，如图9所示，作弊参考视频帧中视频帧参考点可以确定为视频帧的中心点，可以将作弊参考视频帧中心点的位置，确定为作弊判定区域参考点的位置，并且根据预先设置10*10的区域尺寸，构建作弊参考视频帧对应的作弊判定区域。其中，本申请实施例不对作弊判定区域的区域尺寸、以及区域形状进行限制，能够满足检测要求的区域尺寸都可以。

205、当目标作弊视频帧的视频帧数量满足预设数量条件时，确定游戏视频对应的游戏用户为作弊用户。

在实际应用中，比如，在射击类游戏中，正常的游戏用户应当不断地瞄准真人，并对真人进行射击，但是如果某个游戏用户持续对假人进行瞄准、或者多次对假人进行瞄准，则可以认为该游戏用户能够确定游戏中假人的位置，并对假人进行了瞄准行为，这是不合乎常理的行为，因此，此时游戏用户的瞄准行为可以认为是作弊行为，也即该游戏用户使用了透视外挂，该游戏用户为作弊用户。因此，确定出多个瞄准假人的目标作弊视频帧后，如果目标作弊视频帧的数量满足预设数量条件，就可以确定游戏用户为作弊用户。

在一实施例中，由于游戏过程是一个持续的过程，因此，多个预设事件视频帧可以对应开镜状态的多个视频片段，多个作弊参考视频帧可以对应仅有假人的多个视频片段，如果在一个仅有假人的视频片段中，游戏用户依旧多次或者持续瞄准假人，则可以判定该游戏用户为作弊用户。具体地，步骤“当所述目标作弊视频帧的视频帧数量满足预设数量条件时，确定所述游戏视频对应的游戏用户为作弊用户”，可以包括：

基于多个作弊参考视频帧，构建多个作弊参考视频帧序列；

确定每个作弊参考视频帧序列中，所述目标作弊视频帧的视频帧数量；

当所述视频帧数量满足预设数量条件时，确定所述游戏视频对应的游戏用户为作弊用户。

在实际应用中，比如，多个作弊参考视频帧可以对应着多个由作弊参考视频帧序列构成的视频片段，这些视频片段中仅有假人，如果一个视频片段中目标作弊视频帧的数量大于5时，可以说明游戏用户不断地对假人进行瞄准，从而确定该游戏用户为作弊用户。其中，本申请实施例不对一个作弊参考视频帧序列中目标作弊视频帧的视频帧数量进行限制，可以根据实际情况进行调整。

在一实施例中，确定出仅有假人的作弊参考视频帧后，可以对游戏用户在作弊参考视频帧所对应的游戏时间内的行为参数进行检测，以判定游戏用户是否进行了作弊行为。具体地，所述作弊用户检测方法还可以包括：

基于多个作弊参考视频帧，构建多个作弊参考视频帧序列；

检测所述作弊参考视频帧序列对应的游戏参数信息；

当所述游戏参数信息满足预设参数条件时，确定所述游戏视频对应的游戏用户为作弊用户。

在实际应用中，比如，多个作弊参考视频帧可以对应着多个由作弊参考视频帧序列构成的视频片段，这些视频片段中仅有假人，可以利用网络模型检测出每个视频片段对应的游戏参数信息，其中，该游戏参数信息可以为用户进行的游戏行为信息、以及游戏中虚拟物品的数量信息，等等。当游戏参数信息满足预设参数条件时，可以确定游戏视频对应的游戏用户为作弊用户。

在一实施例中，比如，多个作弊参考视频帧可以对应着多个由作弊参考视频帧序列构成的视频片段，这些视频片段中仅有假人，还可以确定每个视频片段所对应的游戏视频时间，并获取该游戏视频对应的游戏日志。然后，根据游戏视频时间，从游戏日志中获取到相应的游戏参数信息，当游戏视频时间对应的游戏参数信息满足参数条件时，可以确定游戏视频对应的游戏用户为作弊用户。

在一实施例中，如果游戏用户在仅有假人的情形下，依旧进行击杀等技能释放行为时，可以认为该游戏用户为作弊用户。具体地，步骤“当所述游戏参数信息满足预设参数条件时，确定所述游戏视频对应的游戏用户为作弊用户”，可以包括：

获取所述游戏视频时间对应的用户游戏行为；

当所述用户游戏行为是技能释放行为时，确定游戏参数信息满足参数条件；

确定所述游戏视频对应的游戏用户为作弊用户。

在实际应用中，比如，多个作弊参考视频帧可以对应着多个由作弊参考视频帧序列构成的视频片段，这些视频片段中仅有假人，可以确定每个视频片段所对应的游戏视频时间，并获取该游戏视频对应的游戏日志。当游戏日志中所记录的在游戏视频时间内，游戏用户进行了技能释放行为，如游戏用户在游戏视频时间内进行了击杀行为，可以确定游戏用户针对仅有假人的游戏场景进行了击杀行为，此击杀行为可以判定是作弊行为，也即该游戏用户为作弊用户。

在一实施例中，比如，如图10所示，还可以利用mobilenetv3网络模型对多个作弊参考视频帧进行检测，并检测得到作弊参考视频帧所对应的视频片段中，是否存在击杀行为，进而确定游戏用户是否为作弊用户。

在一实施例中，如果游戏用户在仅有假人的情形下，子弹等虚拟物品的数量减少，可以认为游戏用户进行了作弊行为。具体地，步骤“当所述游戏参数信息满足预设参数条件时，确定所述游戏视频对应的游戏用户为作弊用户”，可以包括：

获取所述游戏视频时间对应的虚拟物品数量信息；

基于所述虚拟物品数量信息，确定在所述游戏视频时间内虚拟物品的数量变化信息；

当所述数量变化信息满足预设变化条件时，确定游戏参数信息满足参数条件；

确定所述游戏视频对应的游戏用户为作弊用户。

在实际应用中，比如，多个作弊参考视频帧可以对应着多个由作弊参考视频帧序列构成的视频片段，这些视频片段中仅有假人，可以确定每个视频片段所对应的游戏视频时间，并获取该游戏视频对应的游戏日志。当游戏日志中所记录的在游戏视频时间内，虚拟物品的数量发生了变化，如子弹数量减少，可以确定游戏用户针对仅有假人的游戏场景进行了射击行为，此射击行为可以判定是作弊行为，也即该游戏用户为作弊用户。

在一实施例中，比如，如图10所示，还可以利用cnn网络模型对多个作弊参考视频帧进行检测，并检测得到作弊参考视频帧所对应的视频片段中，子弹数量是否减少，进而确定游戏用户是否为作弊用户。

本申请实施例中的作弊用户检测方法，利用了多个网络模型对游戏视频进行检测，定位出可能产生作弊行为的作弊参考视频帧，并确定出游戏用户是否为作弊用户，然后将作弊用户对应的游戏视频提供给人工，从而能够提高人工处理外挂行为的效率，打击外挂行为，保护游戏环境。

由上可知，本申请实施例可以获取游戏视频对应的视频帧序列，从视频帧序列中选取出预设游戏操作事件所作用的多个预设事件视频帧序列，其中，预设事件视频帧序列中包括多个预设事件视频帧，当检测到预设事件视频帧里的对象检测区域中，仅存在作弊参考对象时，将预设事件视频帧确定为作弊参考视频帧，当检测到作弊参考视频帧里的作弊判定区域中，预设类型的像素点所对应的像素点参数满足预设像素点参数条件时，将作弊参考视频帧确定为目标作弊视频帧，当目标作弊视频帧的视频帧数量满足预设数量条件时，确定游戏视频对应的游戏用户为作弊用户。本方案可以直接将视频帧的中心点确定为开镜的镜头中心点，减少了定位镜头所需的时间。并且通过检测预设事件视频帧的对象检测区域内是否只存在假人，而确定出可能产生作弊行为的作弊参考视频帧。然后通过检测作弊判定区域，确定用户是否不断地对假人进行瞄准，以识别用户的作弊行为。利用该作弊用户检测方法，可以减少定位多个目标所需的时间，大大提升了作弊用户检测的效率。

根据前面实施例所描述的方法，以下将以该作弊用户检测装置具体集成在电子设备举例作进一步详细说明。

参考图3，本申请实施例的作弊用户检测方法的具体流程可以如下：

301、获取游戏视频对应的视频帧序列。

在实际应用中，比如，可以获取游戏用户对应的游戏视频，并将游戏视频解析为一帧一帧的视频帧，多个视频帧可以构成游戏视频对应的视频帧序列。

302、从视频帧序列中选取出开镜状态下的多个开镜视频帧序列。

在实际应用中，比如，可以利用mobilenetv3，对视频帧序列进行每10帧一次的判定，并根据判定结果，从视频帧序列中确定出开镜状态下的开镜视频帧，这些开镜视频帧可以组成多个开镜视频帧序列，每个开镜视频帧序列对应着游戏视频中的一段开镜状态。

303、确定每个开镜视频帧对应的对象检测区域。

在实际应用中，比如，可以将每个开镜视频帧的视频帧中心点确定为对象检测区域的区域中心点，并且预先设置对象检测区域的区域尺寸为200*200，根据对象检测区域的区域中心点、以及对象检测区域的区域尺寸，构建正方形区域的对象检测区域，其中，每个开镜视频帧都对应着一个对象检测区域。

304、从多个开镜视频帧序列中，选取出对象检测区域中仅包括假人的多个作弊参考视频帧序列。

在实际应用中，比如，由于在射击类游戏中，真人为红色，假人为黄色，因此可以构建针对对象检测区域的虚拟对象检测网络mobilenetv3，其中，该虚拟对象检测网络可以检测出对象检测区域中“人”的种类，该虚拟对象检测网络可以将“人”分为4个种类“无人”、“真人”、“假人”、“准心落在人身上”。基于虚拟对象检测网络，对每个开镜视频帧对应的对象检测区域进行检测后，可以得到对象检测区域中每个“人”对应的种类，并且可以将“准心落在人身上”的种类视为只有假人的情况来进行一个容错。然后可以确定出多个开镜视频帧中，仅存在假人的多个作弊参考视频帧，并且，这些作弊参考视频帧可以组成多个作弊参考视频帧序列，每个作弊参考视频帧序列，都对应着游戏视频中对象检测区域里，仅存在假人的一段游戏时间。

305、确定每个作弊参考视频帧对应的作弊判定区域。

在实际应用中，比如，可以将每个作弊参考视频帧的视频帧中心点确定为作弊判定区域的区域中心点，并且预先设置作弊判定区域的区域尺寸为10*10，根据作弊判定区域的区域中心点、以及作弊判定区域的区域尺寸，构建正方形区域的作弊判定区域，其中，每个作弊参考视频帧都对应着一个作弊判定区域。

306、从多个作弊参考视频帧中，选取出作弊判定区域中包括黄色像素点的多个目标作弊视频帧。

在实际应用中，比如，由于在射击类游戏中，假人为黄色，因此检测到黄色像素点可以确定为检测到假人，因此可以利用opencv，对多个作弊参考视频帧进行检测，检测每个作弊参考视频帧中作弊判定区域内是否存在黄色像素点，并将作弊判定区域内包括黄色像素点的作弊参考视频帧，确定为目标作弊视频帧。

在一实施例中，还可以利用网络模型，检测每个作弊参考视频帧中作弊判定区域内，黄色像素点的占比或者个数等像素点参数，以便确定出目标作弊视频帧。

307、当作弊参考视频帧序列中的目标作弊视频帧的视频帧数量大于5时，确定游戏视频对应的游戏用户为作弊用户。

在实际应用中，比如，如图5所示，确定出多个目标作弊视频帧之后，可以确定出每个作弊参考视频帧序列中目标作弊视频帧的视频帧数量，当存在某个作弊参考视频帧序列中的目标作弊视频帧的视频帧数量大于5时，说明游戏用户在仅存在假人的情况下，依旧不断地对假人进行瞄准。由于正常的游戏用户会不断地对真人进行瞄准，如果不小心瞄准到了假人，也会迅速地将镜头转移至真人身上，并瞄准真人，因此，不断地瞄准假人是不合乎常理的行为，可以认为此时该游戏用户能够确定假人的位置，也即该游戏用户进行了透视外挂，从而可以确定该游戏视频对应的游戏用户为作弊用户。

308、当检测到作弊参考视频帧序列中存在击杀行为时，确定游戏视频对应的游戏用户为作弊用户。

在实际应用中，比如，如图5所示，确定出游戏视频中对象检测区域里仅存在假人的多个作弊参考视频帧序列后，可以利用mobilenetv3对作弊参考视频帧序列进行检测，当检测得到作弊参考视频帧序列中存在击杀对应的视频帧，也即在该作弊参考视频帧序列对应的游戏时间内发生了击杀行为时，说明游戏用户在仅存在假人的情况下，依旧对假人进行了击杀行为。由于正常的游戏用户不会对假人进行击杀行为，因此，在只有假人的情境下进行击杀行为是不合乎常理的，可以认为此时该游戏用户的击杀行为是作弊行为，也即该游戏用户进行了透视外挂，该游戏视频对应的游戏用户为作弊用户。

309、当检测到作弊参考视频帧序列中的子弹数减少时，确定游戏视频对应的游戏用户为作弊用户。

在实际应用中，比如，如图5所示，确定出游戏视频中对象检测区域里仅存在假人的多个作弊参考视频帧序列后，可以利用cnn对作弊参考视频帧序列进行检测，当检测得到作弊参考视频帧序列中两帧之间的子弹数量发生变化时，也即在该作弊参考视频帧序列对应的游戏时间内子弹数减少时，可以认为在该作弊参考视频帧序列对应的游戏时间内发生了射击行为，说明游戏用户在仅存在假人的情况下，依旧对假人进行了射击行为。由于正常的游戏用户不会对假人进行射击行为，因此，在只有假人的情境下进行射击行为是不合乎常理的，可以认为此时该游戏用户的射击行为是作弊行为，该游戏视频对应的游戏用户为作弊用户。

由上可知，本申请实施例可以通过电子设备获取游戏视频对应的视频帧序列，从视频帧序列中选取出开镜状态下的多个开镜视频帧序列，确定每个开镜视频帧对应的对象检测区域，从多个开镜视频帧序列中，选取出对象检测区域中仅包括假人的多个作弊参考视频帧序列，确定每个作弊参考视频帧对应的作弊判定区域，从多个作弊参考视频帧中，选取从作弊判定区域中包括黄色像素点的多个目标作弊视频帧，当作弊参考视频帧序列中的目标作弊视频帧的视频帧数量大于5时，确定游戏视频对应的游戏用户为作弊用户，当检测到作弊参考视频帧序列中存在击杀行为时，确定游戏视频对应的游戏用户为作弊用户，当检测到作弊参考视频帧序列中的子弹数减少时，确定游戏视频对应的游戏用户为作弊用户。

本方案可以直接将视频帧的中心点确定为开镜的镜头中心点，减少了定位镜头所需的时间。并且通过检测预设事件视频帧的对象检测区域内是否只存在假人，而确定出可能产生作弊行为的作弊参考视频帧。然后通过检测作弊判定区域，确定用户是否不断地对假人进行瞄准，以识别用户的作弊行为。利用该作弊用户检测方法，可以减少定位多个目标所需的时间，大大提升了作弊用户检测的效率。

为了更好地实施以上方法，相应的，本申请实施例还提供一种作弊用户检测装置，该作弊用户检测装置可以集成在服务器中，例如，如图11所示，该作弊用户检测装置可以包括获取模块111、选取模块112、第一确定模块113、第二确定模块114和第三确定模块115，如下：

获取模块111，用于获取游戏视频对应的视频帧序列；

选取模块112，用于从所述视频帧序列中选取出预设游戏操作事件所作用的多个预设事件视频帧序列，其中，所述预设事件视频帧序列中包括多个预设事件视频帧；

第一确定模块113，用于当检测到所述预设事件视频帧里的对象检测区域中仅存在作弊参考对象时，将所述预设事件视频帧确定为作弊参考视频帧；

第二确定模块114，用于当检测到所述作弊参考视频帧里的作弊判定区域中，预设类型的像素点所对应的像素点参数满足预设像素点参数条件时，将所述作弊参考视频帧确定为目标作弊视频帧；

第三确定模块115，用于当所述目标作弊视频帧的视频帧数量满足预设数量条件时，确定所述游戏视频对应的游戏用户为作弊用户。

在一实施例中，所述选取模块112可以具体用于：

将所述视频帧序列划分为多个视频帧子序列；

检测每个视频帧子序列中各个视频帧所对应的游戏操作事件，得到每个视频帧对应的事件检测结果；

基于所述事件检测结果，从多个视频帧中确定出预设游戏操作事件所作用的多个预设事件视频帧；

基于所述多个预设事件视频帧，构建多个预设事件视频帧序列。

在一实施例中，所述第一确定模块113可以包括第一区域确定子模块1131、对象检测子模块1132和视频帧确定子模块1133，如下：

第一区域确定子模块1131，用于确定每个预设事件视频帧对应的对象检测区域；

对象检测子模块1132，用于检测所述对象检测区域中的虚拟对象，得到所述对象检测区域对应的对象检测结果；

视频帧确定子模块1133，用于当所述对象检测结果确定所述对象检测区域中仅存在作弊参考对象时，将所述预设事件视频帧确定为作弊参考视频帧。

在一实施例中，所述第一区域确定子模块1131可以具体用于：

根据所述预设事件视频帧中视频帧参考点的位置信息，确定对象检测区域参考点的位置信息；

基于所述对象检测区域参考点的位置信息，在所述预设事件视频帧中确定对象检测区域。

在一实施例中，所述第二确定模块114可以包括第二区域确定子模块1141、参数检测子模块1142和第二视频帧确定子模块1143，如下：

第二区域确定子模块1141，用于确定每个作弊参考视频帧对应的作弊判定区域；

参数检测子模块1142，用于检测所述作弊判定区域中预设类型的像素点所对应的像素点参数；

第二视频帧确定子模块1143，用于当所述像素点参数满足预设像素点参数条件时，将所述作弊参考视频帧确定为目标作弊视频帧。

在一实施例中，所述第二区域确定子模块1141可以具体用于：

根据所述作弊参考视频帧中视频帧参考点的位置信息，确定作弊判定区域参考点的位置信息；

基于所述作弊判定区域参考点的位置信息，在所述作弊参考视频帧中确定作弊判定区域。

在一实施例中，所述第三确定模块115可以具体用于：

基于多个作弊参考视频帧，构建多个作弊参考视频帧序列；

确定每个作弊参考视频帧序列中，所述目标作弊视频帧的视频帧数量；

当所述视频帧数量满足预设数量条件时，确定所述游戏视频对应的游戏用户为作弊用户。

在一实施例中，所述作弊用户检测方法还可以包括构建模块116、检测模块117和第四确定模块118，如下：

构建模块116，用于基于多个作弊参考视频帧，构建多个作弊参考视频帧序列；

检测模块117，用于检测所述作弊参考视频帧序列对应的游戏参数信息；

第四确定模块118，用于当所述游戏参数信息满足预设参数条件时，确定所述游戏视频对应的游戏用户为作弊用户。

具体实施时，以上各个单元可以作为独立的实体来实现，也可以进行任意组合，作为同一或若干个实体来实现，以上各个单元的具体实施可参见前面的方法实施例，在此不再赘述。

由上可知，本申请实施例可以通过获取模块111获取游戏视频对应的视频帧序列，通过选取模块112从视频帧序列中选取出预设游戏操作事件所作用的多个预设事件视频帧序列，其中，预设事件视频帧序列中包括多个预设事件视频帧，当检测到预设事件视频帧里的对象检测区域中仅存在作弊参考对象时，通过第一确定模块113将预设事件视频帧确定为作弊参考视频帧，当检测到作弊参考视频帧里的作弊判定区域中，预设类型的像素点所对应的像素点参数满足预设像素点参数条件时，通过第二确定模块114将作弊参考视频帧确定为目标作弊视频帧，当目标作弊视频帧的视频帧数量满足预设数量条件时，通过第三确定模块115确定游戏视频对应的游戏用户为作弊用户。本方案可以直接将视频帧的中心点确定为开镜的镜头中心点，减少了定位镜头所需的时间。并且通过检测预设事件视频帧的对象检测区域内是否只存在假人，而确定出可能产生作弊行为的作弊参考视频帧。然后通过检测作弊判定区域，确定用户是否不断地对假人进行瞄准，以识别用户的作弊行为。利用该作弊用户检测方法，可以减少定位多个目标所需的时间，大大提升了作弊用户检测的效率。

本申请实施例还提供一种电子设备，该电子设备可以集成本申请实施例所提供的任一种作弊用户检测装置。

例如，如图12所示，其示出了本申请实施例所涉及的电子设备的结构示意图，具体来讲：

该电子设备可以包括一个或者一个以上处理核心的处理器121、一个或一个以上计算机可读存储介质的存储器122、电源123和输入单元124等部件。本领域技术人员可以理解，图12中示出的电子设备结构并不构成对电子设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。其中：

处理器121是该电子设备的控制中心，利用各种接口和线路连接整个电子设备的各个部分，通过运行或执行存储在存储器122内的软件程序和/或模块，以及调用存储在存储器122内的数据，执行电子设备的各种功能和处理数据，从而对电子设备进行整体监控。可选的，处理器121可包括一个或多个处理核心；优选的，处理器121可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器121中。

存储器122可用于存储软件程序以及模块，处理器121通过运行存储在存储器122的软件程序以及模块，从而执行各种功能应用以及数据处理。存储器122可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据电子设备的使用所创建的数据等。此外，存储器122可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地，存储器122还可以包括存储器控制器，以提供处理器121对存储器122的访问。

电子设备还包括给各个部件供电的电源123，优选的，电源123可以通过电源管理系统与处理器121逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源123还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。

该电子设备还可包括输入单元124，该输入单元124可用于接收输入的数字或字符信息，以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。

尽管未示出，电子设备还可以包括显示单元等，在此不再赘述。具体在本实施例中，电子设备中的处理器121会按照如下的指令，将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器122中，并由处理器121来运行存储在存储器122中的应用程序，从而实现各种功能，如下：

获取游戏视频对应的视频帧序列，从视频帧序列中选取出预设游戏操作事件所作用的多个预设事件视频帧序列，其中，预设事件视频帧序列中包括多个预设事件视频帧，当检测到预设事件视频帧里的对象检测区域中，仅存在作弊参考对象时，将预设事件视频帧确定为作弊参考视频帧，当检测到作弊参考视频帧里的作弊判定区域中，预设类型的像素点所对应的像素点参数满足预设像素点参数条件时，将作弊参考视频帧确定为目标作弊视频帧，当目标作弊视频帧的视频帧数量满足预设数量条件时，确定游戏视频对应的游戏用户为作弊用户。

以上各个操作的具体实施可参见前面的实施例，在此不再赘述。

由上可知，本申请实施例可以获取游戏视频对应的视频帧序列，从视频帧序列中选取出预设游戏操作事件所作用的多个预设事件视频帧序列，其中，预设事件视频帧序列中包括多个预设事件视频帧，当检测到预设事件视频帧里的对象检测区域中，仅存在作弊参考对象时，将预设事件视频帧确定为作弊参考视频帧，当检测到作弊参考视频帧里的作弊判定区域中，预设类型的像素点所对应的像素点参数满足预设像素点参数条件时，将作弊参考视频帧确定为目标作弊视频帧，当目标作弊视频帧的视频帧数量满足预设数量条件时，确定游戏视频对应的游戏用户为作弊用户。本方案可以直接将视频帧的中心点确定为开镜的镜头中心点，减少了定位镜头所需的时间。并且通过检测预设事件视频帧的对象检测区域内是否只存在假人，而确定出可能产生作弊行为的作弊参考视频帧。然后通过检测作弊判定区域，确定用户是否不断地对假人进行瞄准，以识别用户的作弊行为。利用该作弊用户检测方法，可以减少定位多个目标所需的时间，大大提升了作弊用户检测的效率。

本领域普通技术人员可以理解，上述实施例的各种方法中的全部或部分步骤可以通过指令来完成，或通过指令控制相关的硬件来完成，该指令可以存储于一计算机可读存储介质中，并由处理器进行加载和执行。

为此，本申请实施例提供一种电子设备，其中存储有多条指令，该指令能够被处理器进行加载，以执行本申请实施例所提供的任一种作弊用户检测方法中的步骤。例如，该指令可以执行如下步骤：

获取游戏视频对应的视频帧序列，从视频帧序列中选取出预设游戏操作事件所作用的多个预设事件视频帧序列，其中，预设事件视频帧序列中包括多个预设事件视频帧，当检测到预设事件视频帧里的对象检测区域中，仅存在作弊参考对象时，将预设事件视频帧确定为作弊参考视频帧，当检测到作弊参考视频帧里的作弊判定区域中，预设类型的像素点所对应的像素点参数满足预设像素点参数条件时，将作弊参考视频帧确定为目标作弊视频帧，当目标作弊视频帧的视频帧数量满足预设数量条件时，确定游戏视频对应的游戏用户为作弊用户。

以上各个操作的具体实施可参见前面的实施例，在此不再赘述。

其中，该存储介质可以包括：只读存储器(rom，readotlymemory)、随机存取记忆体(ram，ratdomaccessmemory)、磁盘或光盘等。

由于该存储介质中所存储的指令，可以执行本申请实施例所提供的任一种作弊用户检测方法中的步骤，因此，可以实现本申请实施例所提供的任一种作弊用户检测方法所能实现的有益效果，详见前面的实施例，在此不再赘述。

以上对本申请实施例所提供的一种作弊用户检测方法、装置、存储介质和电子设备进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。