本发明涉及领域游戏设计领域，更具体地说，涉及一种游戏设计的质量评估方法及系统。
背景技术：
随着电子竞技的发展，无论是端游还是手游近些年均存在较大发展。在游戏成型之前，游戏开发方会对游戏进行测试，以对游戏进行评估和改进，如采用封测、内测等方式，然而这些测试方式的工作形式一般是通过网上的反馈渠道进行反馈，玩家进行游戏，找出游戏的bug反馈给游戏开发方，但是这这种方式很难得到游戏设计非错误性的游戏反馈，如可能玩家对某一部分的故事情节不满意或者对某一部分的游戏画面风格不满意等。部分玩家也会对游戏中提出一些改进意见，但一般需要进行文字性描述、需要提供游戏截图等繁杂的反馈流程，反馈至游戏开发方后，工作人员需要逐一进行阅读并进行统计，工作量十分巨大。
技术实现要素：
本发明要解决的技术问题在于，针对现有技术的上述现有的游戏测试方式方法很难得到游戏设计非错误性的游戏反馈、反馈流程复杂以及反馈后游戏开发方工作量大的缺陷，提供一种游戏设计的质量评估方法及系统。
根据本发明的其中一方面，本发明解决其技术问题，所采用的游戏设计的质量评估方法包含如下步骤：
s1、获取游戏端的拍摄装置所拍摄的玩家进行游戏时的面部的表情图像；
s2、分别对各个拍摄装置的表情图像进行处理；对任一个拍摄装置的表情图像进行处理的方法如下：先将表情图像进行表情分类处理，再将表情图像输入至分类到的表情所对应的强度处理子模型进行处理，得到分类到的表情的强度，其中一个表情分类下的强度处理子模型中具有该表情分类的多个强度；
s3、根据预设的转换关系，将步骤s2得到各表情分类以及对应的表情的强度进行整体数据分析，得到游戏设计的质量评估。
优选地，在本发明的游戏设计的质量评估方法中，在步骤s1中还获取与表情图像所实时对应的游戏进度识别信息，所述步骤s3具体为得到游戏中各个进度处所对应游戏设计的质量评估。
优选地，在本发明的游戏设计的质量评估方法中，还包括分别训练各个强度处理子模型的步骤，任意一个强度处理子模型的训练步骤包括：
a1、获取某一表情分类下的用于训练的包含人面部分的表情数据库，所述表情数据库包含具有面部表情强度标签的数据库与无面部表情强度标签的数据库；
a2、对所述表情数据库中的图像数据进行预处理，提取出人面部分的数据；
a3、对提取出的人面部分的数据分别进行面部几何特征、局部二值模式和gabor小波变换三种模式的特征提取；
a4、分别使用全监督模式、半监督模式和无监督模式对步骤a3输出的数据进行训练，得到特征与面部表情强度的关系；
a5、将所述训练后形成的数据分别作为序数随机森林算法的输入进行训练，分别得出面部表情强度处理子模型，将k1*b1+k2*b2+k3*b3作为最终的面部表情强度计算模型，其中系数k1、k2、k3的取值范围均为(0，1)，且k1+k2+k3＝1，b1、b2、b3分别为同一输入条件下全监督模式、半监督模式和无监督模式对应的输出值；
其中，全监督模式是指采用带有强度标签的图像数据作为该模式的表情数据库进行训练；半监督模式是指采用部分带有强度标签部分不带有强度标签的图像数据作为该模式的表情数据库进行训练；无监督模式是指采用不带有强度标签的图像数据作为该模式的表情数据库进行训练。
优选地，在本发明的游戏设计的质量评估方法中，步骤a2中预处理包括：人脸特征点定位、人脸识别、图像剪切和直方图均衡化；方案采用主动形状模型asm获取面部特征点，利用瞳孔间的连线与水平线的夹角，旋转图像使得瞳孔间连线为水平，之后调用opencv库中人脸识别框架获取图像数据中人面部分，并且剪切面部区域为m*n像素，最后对剪切后的所有图像数据进行直方图均衡化处理；其中，m、n均为正整数且均大于3。
优选地，在本发明的游戏设计的质量评估方法中，步骤a3中还包括步骤：采用主成分分析方法，分别对三种模式提取的特征进行处理以降低特征数据的维度。
优选地，在本发明的游戏设计的质量评估方法中，步骤a3中对于任意一帧：是以该帧中下巴与鼻尖的像素间距离为标准值，将嘴角、下巴、眼角、上下眼皮之间的像素间的相互距离与该帧的标准值的比值作为面部几何特征。
优选地，在本发明的游戏设计的质量评估方法中，步骤a3中采用局部二值模式提取图像特征时，具体是指将步骤a2中提取出的人面部分的数据分割得到的面部图像均匀分为p*q块，得到p*q块(m/p)*(n/q)的区域，对每一区域进行3*3邻域像素的处理，对比所有像素临近的8个像素的灰度值，若周围像素值大于中心像素值，则该像素点的位置被标记为1，否则为0，得到8个二进制数，将8位二进制数转换为10进制，得到该像素点的lbp值，最终按行拼接p*q块图像的lbp值，得到图像的局部二值模式特征；其中，p、q、m、n均为正整数，m、n分别为人面部分的图像数据的横向、纵向的像素大小。
优选地，在本发明的游戏设计的质量评估方法中，步骤a3中采用gabor小波变换进行特征提取具体是指，将剪切后形成的m*n像素的面部图像进行多尺度多方向的gabor小波变换，每幅图像得到(v*r)*m*n维的特征,v为尺度数，r为方向数。
优选地，在本发明的游戏设计的质量评估方法中，序数随机森林算法中：对于参与训练的数据库中的图像序列中每一帧，首先进行序数回归分析，预测该帧在各个强度值上的分布比，然后在随机森林算法对该图像序列中的帧进行回归分析时，对每个决策树得到的强度值q进行加权，所加权重为该帧在单独进行序数回归分析时，分析结果中强度值q所占的比例。
根据本发明的另一方面，本发明为解决其技术问题，还提供了一种游戏设计的质量评估系统，采用如上述任一项的游戏设计的质量评估方法获取游戏设计的质量。
实施本发明的游戏设计的质量评估方法及系统，首先获取游戏端的拍摄装置所拍摄的玩家进行游戏时的面部的表情图像，然后分别对各个拍摄装置的表情图像进行处理，对任一个拍摄装置的表情图像进行处理的方法如下：先将表情图像进行表情分类处理，再将表情图像输入至分类到的表情所对应的强度处理子模型进行处理，得到分类到的表情的强度，其中一个表情分类下的强度处理子模型中具有该表情分类的多个强度，再根据预设的转换关系，根据预设的转换关系，将步骤得到的各表情分类以及对应的表情的强度进行整体数据分析，得到游戏设计的质量评估。本发明基于表情识别做出表情强度的估计，准确获知玩家的表情类别和强度水平后，将玩家在体验游戏时每个时间点的表情数据(包括表情类别和表情强度信息)用以评估游戏的设计优劣，在此基础上进行优化，达到更好的玩家体验效果。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1是本发明的游戏设计的质量评估方法的一实施例的流程图；
图2是本发明的游戏设计的质量评估方法中的强度处理子模型的训练流程图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图详细说明本发明的具体实施方式。
参考图1，其为本发明的游戏设计的质量评估方法的一实施例的流程图，在本实施例中该获取方法包含如下步骤：
s1、获取游戏端的拍摄装置所拍摄的玩家进行游戏时的面部的表情图像。对于玩家而言，玩游戏可以通过电脑或者手机进行，然后通过电脑配置的摄像头或者手机上安装的摄像头获取玩家面部的表情图像，并优选的在游戏时实时获取玩家的面部的表情图像，拍摄装置可被位于远程控制以进行打开，或者进行本地打开。
s2、分别对各个拍摄装置的表情图像进行处理；对任一个拍摄装置的表情图像进行处理的方法如下：s21、先将表情图像进行表情分类处理，s22、再将表情图像输入至分类到的表情所对应的强度处理子模型进行处理，得到分类到的表情的强度，其中强度处理子模型中一个表情分类下具有该表情分类的多个强度。在本实施例中，在获取到各游戏端玩家的面部图像数据后，将表情图像进行表情分类处理，分类的所有类型包括：满意、适中及不满意，相应的，存在与之一一对应的强度处理子模型：满意强度处理子模型、适中强度处理子模型、不满意强度处理子模型。具有哪些类型可以人为的设置，不限于上述的三种方式，且优选地，所有的表情分类组合起来应该可以概括出玩家游戏时所有的对游戏设计的可能评估情况，在本实施例中每个表情分类下具有6个强度值，分别记为0-5。各个游戏端的数据可以并行或者串行处理，处理后分别得到各个游戏端的表情分类以及对应的表情的强度，如以满意.2表示高兴表情分类下的强度值2。
s3、根据预设的转换关系，将步骤s2得到的各表情分类以及对应的表情的强度进行整体数据分析，得到游戏设计的质量评估。本实施例中，如满意.0至满意.5依次记为分数0至5，适中.0至适中.5(满意程度依次降低)依次记为分数6至11，不满意.0至不满意.5依次记为分数12至17，得出每个游戏端的分数后，把在同一时刻的游戏端的分数求平均值，该平均值的大小即可作为游戏设计的质量评估，该值越小游戏设计质量越好。应当理解的是，本发明不限于此种实现方式。
在本实施例中，进一步的在步骤s1中还获取与表情图像所实时对应的游戏进度识别信息，所述步骤s3具体为得到游戏中各个进度处所对应游戏设计的质量评估。
如图2所示，其为本发明的游戏设计的质量评估方法的强度处理子模型的训练流程图。下述仅以高兴表情分类所对应的高兴强度处理子模型的训练形成方法为例进行说明，其他表情分类的处理方式与此相同，下述不再进行重复叙述。
a1、获取高兴表情分类下用于训练的包含人面部分的表情数据库，数据库包含具有面部表情强度标签的数据库与无面部表情强度标签的数据库。数据库是人工采集的包含不同游戏玩家三种表情(满意、适中及不满意)的图像序列，并且由专业人员制作图像序列每一帧对应的强度标签和分类标签，然后作为表情数据库用于训练。
a2、对表情数据库中的图像数据进行预处理，提取出人面部分的数据。在本步骤中，由于在数据库中图像数据所包含的玩家的头部姿势、拍摄光照强度等因素会导致图像质量有差别，因此首先要进行图像预处理，包括人脸特征点定位、人脸识别、图像剪切和直方图均衡化。方案采用主动形状模型asm获取面部特征点，利用瞳孔间的连线与水平线的夹角，旋转图像使得瞳孔间连线为水平，之后采用opencv库中人脸识别框架获取图像中人面部分，并剪切面部区域为100*100像素，最后对所有图像数据进行直方图均衡化处理，以此减弱光照等干扰因素的影响。
a3、对提取出的人面部分的数据分别进行面部几何特征、局部二值模式和gabor小波变换三种模式的特征提取，然后采用主成分分析方法，分别对三种模式提取的特征进行处理以降低特征数据的维度。本实施例对于任意一帧以下巴与鼻尖的距离为标准，将嘴角、下巴、眼角、上下眼皮之间的相互距离与该帧的标准的比值作为面部几何特征；对于任意两帧，其各自的标准值可能相同，也可能不同，具体视每一帧中内容而定。局部二值模式提取图像特征时，将前面步骤分割得到的100*100的面部图像均匀分为5*5块，得到25块20*20的区域，对每一区域进行3*3邻域像素的处理，即对比所有像素临近的8个像素的灰度值，若周围像素值大于中心像素值，则该像素点的位置被标记为1，否则为0，得到8个二进制数，将8位二进制数转换为10进制，得到该像素点的lbp值，最终按行拼接25块图像的lbp值，得到图像的局部二值模式特征。在提取图像gabor小波变换特征时，我们将100*100的面部图像进行5尺度(v＝0，1，2，3，4)8方向
a4、分别使用全监督模式、半监督模式和无监督模式对步骤s3输出的数据进行训练，得到特征与面部表情强度的关系。全监督模式是指采用带有强度标签的图像数据作为该模式的表情数据库；半监督模式是指，采用部分带有强度标签部分不带有强度标签的图像数据作为该模式的表情数据库；无监督模式是指，采用不带有强度标签的图像数据作为该模式的表情数据库。在无监督试验中，利用训练用的数据库中的某一帧距离顶点帧的相对距离来计算该帧的相对强度值，具体做法是：图像序列的每一帧均有一个序列号j，将图像序列的起点帧(序列号为1)和顶点帧(序列号为p)的强度分别标识为min和max(本实施例中min＝0，max＝10)，那么图像序列中序列号为j的帧的强度q定义为
a5、将所述训练后形成的数据分别作为序数随机森林算法的输入进行训练，分别得出面部表情强度处理子模型，将k1*b1+k2*b2+k3*b3作为最终的面部表情强度计算模型，其中系数k1、k2、k3的取值范围均为(0，1)，且k1+k2+k3＝1，b1、b2、b3分别为同一输入条件下全监督模式、半监督模式和无监督模式对应的输出值。在训练表情强度估计模型时，我们秉承了传统机器学习分类方法中的随机森林，将关注图像帧间序列关系的序数回归与随机森林相结合，提出序数随机森林算法。随机森林是由多个决策树组成，每个决策树由强度值信息生成，在回归分析时对每个输入数据得到一个预测值，最终的回归结果为所有决策树预测值的平均值。而序数回归是利用序列的顺序关系进行回归分析，不考虑序列的值(也就是随机森林回归分析时所关心的强度值信息)。本发明将两者结合，对于图像序列中某一帧，首先进行序数回归分析，预测该帧的强度值在min～max之间的分布比，然后在随机森林对图像序列中任意一帧进行回归分析时，对每个决策树得到的强度值q进行加权，所加权重为该帧在单独进行序数回归分析时，分析结果中强度值q所占的比例。本实施例通过寻找最优的参数和回归范围等，训练出了既注重标签信息又注重图像序列关系的模型。
上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。