1.本技术涉及游戏领域，尤其涉及一种游戏图像的处理方法、装置、设备及存储介质。


背景技术：

2.非对称对抗竞技类(asymmetrical battle arena，简称：aba)游戏是指在游戏过程中，对抗双方在人数、资源、信息和规则等方面均不对等的游戏，比如，捉迷藏游戏。
3.网络游戏领域的技术人员提出了可以在aba游戏中引入人工智能(artificial intelligence，简称：ai)玩家的设想，以通过ai玩家和新手玩家的对抗使得新手玩家熟悉aba游戏中的游戏机制。但是，该领域的技术人员并没有进一步指出如何在aba游戏中引入ai玩家的技术方案的实现方式，即该领域技术人员并没有进一步指出应如何实现ai玩家的游戏行为的技术方案。
4.因此，如何在aba游戏中引入ai玩家称为亟待解决的技术问题。


技术实现要素：

5.在现有技术中，在aba模式的网络游戏中引入ai玩家的技术较少，实现起来较为困难，反而在对称式对抗竞技类游戏中引入ai玩家的技术较为成熟。在对称式对抗竞技类游戏中引入ai玩家通常是使用有限状态机或者行为树等专家规则系统对ai玩家进行训练来实现。若按照在对称式对抗竞技游戏中引入ai玩家的技术实现在aba模式的网络游戏中引入ai玩家，则由于专家规则系统的局限性，训练出来的ai玩家在aba游戏中无法表现出多元化，导致真实玩家非常容易就可以识别到ai玩家，降低真实玩家的游戏体验，从而导致训练后的ai玩家的拟人化程度较低。因此，目前现有技术中存在如何在aba游戏中引入ai玩家，且保证引入的ai玩家的拟人化程度较高的问题。
6.本技术实施例提供一种游戏图像的处理方法、装置、设备及存储介质，用于解决如何在aba游戏中引入ai玩家，且保证引入的ai玩家的拟人化程度较高的问题。
7.第一方面，本技术实施例提供一种游戏图像的处理方法，该方法包括：获取游戏场景图像中位于第一虚拟角色的视野范围内、且与视野范围的中线位置距离最近的第二虚拟角色的特征信息；获取第一虚拟角色在游戏场景图像中的技能落点位置；根据游戏场景图像、第二虚拟角色的特征信息和技能落点位置对神经网络模型进行训练，其中，第二虚拟角色的特征信息和技能落点位置作为游戏场景图像的标签数据。
8.本技术实施例提供的技术方案可以包括以下有益效果：通过获取第二虚拟角色的特征信息和第一虚拟角色的技能落点位置，并作为真实标签，以训练神经网络模型，可以得到监督学习模型，这样监督学习得到的ai玩家就可以具有高拟人化程度的效果，从而实现在aba游戏中引入ai玩家，且保证ai玩家的拟人化程度较高的目的。
9.在一种可能的实施方式中，获取游戏场景图像中位于第一虚拟角色的视野范围内、且与视野范围的中线位置距离最近的第二虚拟角色的特征信息，包括：确定游戏场景图
像中的目标虚拟角色；获取目标虚拟角色上的多个目标点；对第一虚拟角色与多个目标点进行射线检测，确定第一虚拟角色与目标点之间是否存在碰撞体；若第一虚拟角色与至少一个目标点之间不存在碰撞体，则确定目标虚拟角色处于视野范围内；获取处于视野范围内的每个目标虚拟角色与视野范围的中线位置之间的距离；将与视野范围的中线位置之间的距离最小的目标虚拟角色确定为第二虚拟角色；获取第二虚拟角色的特征信息。
10.本技术实施例提供的技术方案可以包括以下有益效果：第一虚拟角色要选择的第二虚拟角色必须在其视野范围内，确定出所有位于第一虚拟对象的视野范围内的目标，这样得到的ai玩家就不会对视野范围外的目标进行攻击，从而也就不会出现反人类行为；并且，第一虚拟角色不会同时向多个距离较远的不同位置的第二虚拟角色发起攻击，因此，需要在视野范围内确定一个第二虚拟角色，而对于真实的玩家来说，其要选择的第二虚拟角色一般是位于其视野中部的目标，因此，第一虚拟角色待选择的第二虚拟角色应该是位于其视野中部的目标，从而可以提高ai玩家的拟人化程度，避免训练好的ai玩家出现反人类行为。
11.在一种可能的实施方式中，该方法还包括：若所述第一虚拟角色与多个所述目标点之间均存在碰撞体，则确定所述目标虚拟角色不处于所述视野范围内。
12.本技术实施例提供的技术方案可以包括以下有益效果：对于不处于第一虚拟角色的视野范围内的第二虚拟角色，可以忽略不处理，这样就可以避免ai玩家对视野范围外的目标进行攻击导致的出现反人类行为的问题，从而可以提高ai玩家的拟人化程度。
13.在一种可能的实施方式中，获取第一虚拟角色在游戏场景图像中的技能落点位置，包括：将游戏场景图像所在的游戏场景地图划分为多个区域，其中，多个区域的形状和大小均相同；确定第一虚拟角色的游戏技能在多个区域中的落点区域；将落点区域确定为技能落点位置。
14.本技术实施例提供的技术方案可以包括以下有益效果：若直接将第一虚拟角色的游戏技能在游戏场景地图中的落点位置作为其技能落点位置的话，由于游戏场景地图中的落点位置有无限多个，训练神经网络模型会演化成回归模型，从而会增加对神经网络模型的训练难度，而将游戏场景地图划分为多个区域，由于划分的区域是有限的，这样将游戏技能的落点区域作为技能落点位置会将训练神经网络模型演化为分类模型，这样就可以降低对神经网络模型的训练难度，从而减少对ai玩家的训练时间，提高游戏的更新速度。
15.在一种可能的实施方式中，根据游戏场景图像、第二虚拟角色的特征信息和技能落点位置对神经网络模型进行训练，包括：根据数字特征和图像特征对神经网络模型进行训练，其中，数字特征包括第二虚拟角色的特征信息和技能落点位置，图像特征包括游戏场景图像和游戏场景图像所在的游戏场景地图。
16.本技术实施例提供的技术方案可以包括以下有益效果：数字特征除了包括第二虚拟角色的特征信息和技能落点位置之外，还包括有其他游戏中的特征信息，比如第一虚拟角色的特征信息、环境特征等，这样训练得到的ai玩家就可以更加贴合真实玩家，从而提高ai玩家的拟人化程度。
17.在一种可能的实施方式中，根据数字特征和图像特征对神经网络模型进行训练，包括：将图像特征进行一维化处理，得到多个一维数组；对多个一维数组和数字特征进行融合，得到目标数组；将目标数组输入至神经网络模型中进行分类处理，得到第二虚拟角色的
特征信息和技能落点位置。
18.本技术实施例提供的技术方案可以包括以下有益效果：通过这种方式对神经网络模型进行训练，可以提高训练得到的ai玩家的拟人化程度，并且在实现相同水平的ai玩家的前提下，该技术方案相比于其他强化学习可以减少训练时间，从而提升游戏的更新速度。
19.在一种可能的实施方式中，将图像特征进行一维化处理之前，该方法还包括：采用卷积神经网络对图像特征进行处理。
20.本技术实施例提供的技术方案可以包括以下有益效果：将图像特征通过卷积神经网络(convolutional neural network，简称：cnn)进行处理，可以更加关注到图像中的一些局部特征，从而减少对图像处理的运算量，减少ai玩家的训练时间，进而可以提高游戏更新速度。
21.在一种可能的实施方式中，数字特征还包括：第一虚拟角色的特征信息、游戏场景图像的环境特征以及游戏场景地图的地图特征。
22.本技术实施例提供的技术方案可以包括以下有益效果：数字特征除了包括第二虚拟角色的特征信息和技能落点位置之外，还包括有其他游戏中的特征信息，比如第一虚拟角色的特征信息、游戏场景图像的环境特征以及游戏场景地图的地图特征等，这样训练得到的ai玩家就可以更加贴合真实玩家，从而提高ai玩家的拟人化程度。
23.第二方面，本技术实施例提供一种游戏图像的处理方法，通过终端设备提供图形用户界面，图形用户界面包括游戏场景图像，游戏场景图像中包括多个虚拟角色，该方法包括：将游戏场景图像输入至训练好的神经网络模型中进行处理，得到多个虚拟角色中的第二虚拟角色的特征信息，以及多个虚拟角色中的第一虚拟角色的技能落点位置，其中，第二虚拟角色位于第一虚拟角色的视野范围内、且与视野范围的中线位置距离最近。
24.本技术实施例提供的技术方案可以包括以下有益效果：在训练好神经网络模型之后，只需要将游戏场景图像输入至训练好的神经网络模型中，就可以得到一个具有拟人化程度较高的ai玩家，该ai玩家可以按照真实玩家在游戏过程中选择第二虚拟对象并释放游戏技能的方式进行游戏，从而智能地选择第二虚拟角色并在合理的技能落点位置释放游戏技能，这样在新手玩家与ai玩家对战时，就不容易识别出ai玩家，提高了ai玩家的拟人化程度，也提高了新手玩家的游戏体验。
25.在一种可能的实施方式中，将游戏场景图像输入至训练好的神经网络模型中进行处理之前，该方法还包括：根据游戏场景图像、第二虚拟角色的特征信息和技能落点位置对神经网络模型进行训练，得到训练好的神经网络模型，其中，第二虚拟角色的特征信息和技能落点位置作为游戏场景图像的标签数据。
26.本技术实施例提供的技术方案可以包括以下有益效果：通过获取第二虚拟角色的特征信息和第一虚拟角色的技能落点位置，并作为真实标签，以训练神经网络模型，可以得到监督学习模型，这样监督学习得到的ai玩家就可以具有高拟人化程度的效果，从而实现在aba游戏中引入ai玩家，且保证ai玩家的拟人化程度较高的目的。
27.第三方面，本技术实施例提供一种游戏图像的处理装置，包括：第一获取模块，用于获取游戏场景图像中位于第一虚拟角色的视野范围内、且与视野范围的中线位置距离最近的第二虚拟角色的特征信息；第二获取模块，用于获取第一虚拟角色在游戏场景图像中的技能落点位置；训练模块，用于根据游戏场景图像、第二虚拟角色的特征信息和技能落点
位置对神经网络模型进行训练，其中，第二虚拟角色的特征信息和技能落点位置作为游戏场景图像的标签数据。
28.本技术实施例提供的技术方案可以包括以下有益效果：通过获取第二虚拟角色的特征信息和第一虚拟角色的技能落点位置，并作为真实标签，以训练神经网络模型，可以得到监督学习模型，这样监督学习得到的ai玩家就可以具有高拟人化程度的效果，从而实现在aba游戏中引入ai玩家，且保证ai玩家的拟人化程度较高的目的。
29.第四方面，本技术实施例提供一种游戏图像的处理，包括：处理模块和显示模块，显示模块用于显示图形用户界面，图形用户界面包括游戏场景图像，游戏场景图像中包括多个虚拟角色；处理模块用于将游戏场景图像输入至训练好的神经网络模型中进行处理，得到多个虚拟角色中的第二虚拟角色的特征信息，以及多个虚拟角色中的第一虚拟角色的技能落点位置，其中，第二虚拟角色位于第一虚拟角色的视野范围内、且与视野范围的中线位置距离最近。
30.本技术实施例提供的技术方案可以包括以下有益效果：在训练好神经网络模型之后，只需要将游戏场景图像输入至训练好的神经网络模型中，就可以得到一个具有拟人化程度较高的ai玩家，该ai玩家可以按照真实玩家在游戏过程中选择第二虚拟对象并释放游戏技能的方式进行游戏，从而智能地选择第二虚拟角色并在合理的技能落点位置释放游戏技能，这样在新手玩家与ai玩家对战时，就不容易识别出ai玩家，提高了ai玩家的拟人化程度，也提高了新手玩家的游戏体验。
31.第五方面，本技术实施例提供一种训练设备，包括：处理器、存储器、显示器；存储器用于存储程序和数据，处理器调用存储器存储的程序，以执行第一方面的游戏图像的处理方法。
32.本技术实施例提供的技术方案可以包括以下有益效果：该终端设备通过获取第二虚拟角色的特征信息和第一虚拟角色的技能落点位置，并作为真实标签，以训练神经网络模型，可以得到监督学习模型，这样监督学习得到的ai玩家就可以具有高拟人化程度的效果，从而实现在aba游戏中引入ai玩家，且保证ai玩家的拟人化程度较高的目的；并且在训练好神经网络模型之后，只需要将游戏场景图像输入至训练好的神经网络模型中，就可以得到一个具有拟人化程度较高的ai玩家，该ai玩家可以按照真实玩家在游戏过程中选择第二虚拟对象并释放游戏技能的方式进行游戏，从而智能地选择第二虚拟角色并在合理的技能落点位置释放游戏技能，这样在新手玩家与ai玩家对战时，就不容易识别出ai玩家，提高了ai玩家的拟人化程度，也提高了新手玩家的游戏体验。
33.第六方面，本技术实施例提供一种终端设备，包括：处理器、存储器、显示器；存储器用于存储程序和数据，处理器调用存储器存储的程序，以执行第二方面的游戏图像的处理方法。
34.本技术实施例提供的技术方案可以包括以下有益效果：该终端设备通过获取第二虚拟角色的特征信息和第一虚拟角色的技能落点位置，并作为真实标签，以训练神经网络模型，可以得到监督学习模型，这样监督学习得到的ai玩家就可以具有高拟人化程度的效果，从而实现在aba游戏中引入ai玩家，且保证ai玩家的拟人化程度较高的目的；并且在训练好神经网络模型之后，只需要将游戏场景图像输入至训练好的神经网络模型中，就可以得到一个具有拟人化程度较高的ai玩家，该ai玩家可以按照真实玩家在游戏过程中选择第
二虚拟对象并释放游戏技能的方式进行游戏，从而智能地选择第二虚拟角色并在合理的技能落点位置释放游戏技能，这样在新手玩家与ai玩家对战时，就不容易识别出ai玩家，提高了ai玩家的拟人化程度，也提高了新手玩家的游戏体验。
35.第七方面，本技术实施例提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现第一方面或第二方面的游戏图像的处理方法。
36.本技术实施例提供的技术方案可以包括以下有益效果：该终端设备通过获取第二虚拟角色的特征信息和第一虚拟角色的技能落点位置，并作为真实标签，以训练神经网络模型，可以得到监督学习模型，这样监督学习得到的ai玩家就可以具有高拟人化程度的效果，从而实现在aba游戏中引入ai玩家，且保证ai玩家的拟人化程度较高的目的；并且在训练好神经网络模型之后，只需要将游戏场景图像输入至训练好的神经网络模型中，就可以得到一个具有拟人化程度较高的ai玩家，该ai玩家可以按照真实玩家在游戏过程中选择第二虚拟对象并释放游戏技能的方式进行游戏，从而智能地选择第二虚拟角色并在合理的技能落点位置释放游戏技能，这样在新手玩家与ai玩家对战时，就不容易识别出ai玩家，提高了ai玩家的拟人化程度，也提高了新手玩家的游戏体验。
37.第八方面，本技术实施例提供一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现第一方面或第二方面的游戏图像的处理方法。
38.本技术实施例提供的技术方案可以包括以下有益效果：该终端设备通过获取第二虚拟角色的特征信息和第一虚拟角色的技能落点位置，并作为真实标签，以训练神经网络模型，可以得到监督学习模型，这样监督学习得到的ai玩家就可以具有高拟人化程度的效果，从而实现在aba游戏中引入ai玩家，且保证ai玩家的拟人化程度较高的目的；并且在训练好神经网络模型之后，只需要将游戏场景图像输入至训练好的神经网络模型中，就可以得到一个具有拟人化程度较高的ai玩家，该ai玩家可以按照真实玩家在游戏过程中选择第二虚拟对象并释放游戏技能的方式进行游戏，从而智能地选择第二虚拟角色并在合理的技能落点位置释放游戏技能，这样在新手玩家与ai玩家对战时，就不容易识别出ai玩家，提高了ai玩家的拟人化程度，也提高了新手玩家的游戏体验。
附图说明
39.为了更清楚地说明本技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
40.图1为本技术实施例提供的游戏图像的处理系统的结构示意图；
41.图2为本技术实施例提供的游戏图像的处理方法实施例一的流程图；
42.图3为本技术实施例提供的游戏图像的处理方法实施例二的流程图；
43.图4为本技术实施例提供的监督学习模型的示意图；
44.图5为本技术实施例提供的第二虚拟角色处于第一虚拟角色的视野范围内的示意图；
45.图6为本技术实施例提供的距离第一虚拟角色视野范围的中线位置最近的第二虚拟角色的示意图；
46.图7为本技术实施例提供的技能落点位置的示意图；
47.图8为本技术实施例提供的训练神经网络模型的示意图；
48.图9为本技术实施例提供的游戏图像的处理装置实施例一的结构示意图；
49.图10为本技术实施例提供的游戏图像的处理装置实施例二的结构示意图；
50.图11为本技术实施例提供的一种终端设备的结构示意图；
51.图12为本技术实施例提供的一种训练设备的结构示意图。
具体实施方式
52.为使本技术实施例的目的、技术方案和优点更加清楚，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在根据本实施例的启示下做出的所有其他实施例，都属于本技术保护的范围。
53.本技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本技术的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
54.背景技术中提供的现有技术中，至少存在以下技术问题：
55.网络游戏领域的技术人员提出了可以在aba游戏中引入ai玩家的设想，以通过ai玩家和新手玩家的对抗使得新手玩家熟悉aba游戏中的游戏机制。但是，该领域的技术人员并没有进一步指出如何在aba游戏中引入ai玩家的技术方案的实现方式，反而在对称式对抗竞技类游戏中引入ai玩家的技术较为成熟。在对称式对抗竞技类游戏中引入ai玩家通常是使用有限状态机或者行为树等专家规则系统对ai玩家进行训练来实现。若按照在对称式对抗竞技游戏中引入ai玩家的技术实现在aba模式的网络游戏中引入ai玩家，则由于专家规则系统的局限性，训练出来的ai玩家在aba游戏中无法表现出多元化，导致真实玩家非常容易就可以识别到ai玩家，降低真实玩家的游戏体验，从而导致训练后的ai玩家的拟人化程度较低。因此，目前现有技术中存在如何在aba游戏中引入ai玩家，且保证引入的ai玩家的拟人化程度较高的问题。
56.针对上述的问题，本技术提出一种游戏图像的处理方法，通过获取真实玩家在游戏过程中的录像数据，对录像数据进行解析，确定出真实玩家的视野范围内距离视野范围中线最近的目标玩家的特征数据，该特征数据用于表征真实玩家的视野范围内距离视野范围中线最近的目标玩家，将该目标玩家的特征数据作为一个真实标签；然后将游戏场景地图划分为大小形状均相同的多个区域，并将真实玩家的游戏技能在游戏场景地图中的落点区域确定为其技能落点位置，将该技能落点位置作为另一个真实标签，然后采用大量真实玩家的录像数据、目标玩家的特征数据和技能落点位置对神经网络模型进行训练，这样就可以得到一个监督学习模型，从而可以得到训练出来的具有高度拟人化的ai玩家。并且，通过监督学习的方式训练ai玩家的效率较高，也满足了目前游戏更新速度较快的需求。下面
首先对本技术中涉及的名词进行解释。
57.图形用户界面(graphical user interface，简称：gui)：又称图形用户接口，是指采用图形方式显示的计算机操作用户界面。
58.神经网络模型：神经网络(neural networks，简称：nn)是由大量的、简单的处理单元(称为神经元)广泛地互相连接而形成的复杂网络系统，它反映了人脑功能的许多基本特征，是一个高度复杂的非线性动力学习系统。神经网络具有大规模并行、分布式存储和处理、自组织、自适应和自学能力，特别适合处理需要同时考虑许多因素和条件的、不精确和模糊的信息处理问题。神经网络模型是以神经元的数学模型为基础来描述的。神经网络模型由网络拓扑节点特点和学习规则来表示。
59.卷积神经网络(convolutional neural networks，简称：cnn)：是一类包含卷积计算且具有深度结构的前馈神经网络(feedforward neural networks)，是深度学习(deep learning)的代表算法之一。卷积神经网络具有表征学习(representation learning)能力，能够按其阶层结构对输入信息进行平移不变分类。
60.本技术提供的游戏图像的处理方法，其核心思想是通过采用监督学习的方式训练得到ai玩家，首先获取大量真实玩家的游戏录像数据，对这些录像数据进行解析处理，就可以得到每个时刻的任务、场景状态以及发生的事件，从而就可以得到真实玩家视野范围内距离视野范围中线最近的目标玩家的特征数据，将该目标玩家的特征数据作为一个真实标签；然后将游戏场景地图划分为大小形状均相同的多个区域，确定出真实玩家的游戏技能在多个区域中的落点区域，将该落点区域确定为技能落点位置，并将该技能落点位置作为另一个真实标签，然后采用录像数据、目标玩家和技能落点位置对神经网络模型进行训练，从而得到监督学习模型，进而就可以得到具有高度拟人化的ai玩家，使得该ai玩家在游戏中的游戏行为贴合于真实玩家的游戏行为。因此，本技术的技术方案可以提高ai玩家的拟人化程度，并提高对ai玩家的训练速度，提升游戏的更新速度。
61.在一种实施例中，本技术其中一种实施例中的游戏图像的处理方法可以运行于本地终端设备或者是服务器。当游戏图像的处理方法运行于服务器时，该游戏图像的处理方法则可以基于云交互系统来实现与执行，其中，云交互系统包括服务器和客户端设备。
62.在一可选的实施方式中，云交互系统下可以运行各种云应用，例如：云游戏。以云游戏为例，云游戏是指以云计算为基础的游戏方式。在云游戏的运行模式下，游戏程序的运行主体和游戏画面呈现主体是分离的，游戏图像的处理方法的储存与运行是在云游戏服务器上完成的，客户端设备的作用用于数据的接收、发送以及游戏画面的呈现，举例而言，客户端设备可以是靠近用户侧的具有数据传输功能的显示设备，如，移动终端、电视机、计算机、掌上电脑等；但是进行信息处理的为云端的云游戏服务器。在进行游戏时，玩家操作客户端设备向云游戏服务器发送操作指令，云游戏服务器根据操作指令运行游戏，将游戏画面等数据进行编码压缩，通过网络返回客户端设备，最后，通过客户端设备进行解码并输出游戏画面。
63.在一可选的实施方式中，以游戏为例，本地终端设备存储有游戏程序并用于呈现游戏画面。本地终端设备用于通过图形用户界面与玩家进行交互，即，常规的通过电子设备下载安装游戏程序并运行。该本地终端设备将图形用户界面提供给玩家的方式可以包括多种，例如，可以渲染显示在终端的显示屏上，或者，通过全息投影提供给玩家。举例而言，本
地终端设备可以包括显示屏和处理器，该显示屏用于呈现图形用户界面，该图形用户界面包括游戏画面，该处理器用于运行该游戏、生成图形用户界面以及控制图形用户界面在显示屏上的显示。
64.在一种实施例中，可以在一种应用场景中应用该游戏图像的处理方法。图1为本技术实施例提供的游戏图像的处理系统的结构示意图，如图1所示，在该场景中，游戏图像的处理系统可以包括数据采集设备101、数据库102、训练设备103、执行设备104、数据存储系统105以及用户设备106，其中，执行设备103中包括计算模块107和i/o接口108，计算模块107中包括目标模型/规则109。
65.数据采集设备101可以用于获取游戏场景图像中位于第一虚拟角色的视野范围内、且与视野范围的中线位置距离最近的第二虚拟角色的特征信息，以及获取第一虚拟角色在游戏场景图像中的技能落点位置，并将游戏场景图像、第二虚拟角色的特征信息和第一虚拟角色在游戏场景图像中的技能落点位置存储至数据库102中，其中，第二虚拟角色的特征信息和第一虚拟角色的技能落点位置可以作为游戏场景图像的标签数据。
66.数据采集设备101可以通过获取真实玩家的游戏场景图像确定上述第二虚拟角色的特征信息和第一虚拟角色的技能落点位置，数据库102中存储了大量的真实玩家的游戏场景图像、第二虚拟角色的特征信息和第一虚拟角色的技能落点位置，游戏场景图像可以是游戏视频和/或游戏图片。
67.训练设备103基于数据库102中的游戏场景图像、第二虚拟角色的特征信息和第一虚拟角色的技能落点位置生成目标模型/规则109。其中，第二虚拟角色的特征信息可以包括：角色职业、技能冷却状态、角色状态(现有血量，是否被挂在火箭椅上等)、移速、位置、朝向、天赋、治疗速度等；目标模型/规则109可以为监督学习模型等。
68.训练设备103可以执行本技术实施例中的游戏图像的处理方法，从而训练得到用于获取ai玩家的目标模型/规则109。训练设备103得到的目标模型/规则109可以应用于不同的系统或者设备中。
69.执行设备104配置有i/o接口108，可以与用户设备106进行数据交互，用户可以通过用户设备106向i/o接口108输入游戏场景图像；执行设备104中的计算模块107对目标模型/规则109输入的游戏场景图像进行处理，从而得到第二虚拟角色的特征信息和第一虚拟角色的技能落点位置；i/o接口108将第二虚拟角色的特征信息和第一虚拟角色的技能落点位置返回至用户设备106，由用户设备106提供给用户。该用户可以为游戏开发人员或者游戏策划人员。
70.执行设备104可以调用数据存储系统105中的数据、代码等，也可以将数据、指令等存储至数据存储系统105中。
71.在上述场景中，在一种情况下，用户可以通过用户设备106向i/o接口108手动输入游戏场景图像，比如，在i/o接口108提供的界面中操作；在另一种情况下，用户设备106可以自动地向i/o接口108中输入游戏场景图像并获取到i/o接口108返回的第二虚拟角色的特征信息和第一虚拟角色的技能落点位置。需要注意的是，若用户设备106自动地向i/o接口108中输入数据并获取到i/o接口108返回的结果，则用户设备106需要得到用户的授权，用户可以在用户设备106中设置响应的权限。
72.在上述场景中，用户设备106也可以作为数据采集端将采集到的大量的真实玩家
的游戏场景图像、第二虚拟角色的特征信息和第一虚拟角色的技能落点位置存储至数据库102中。
73.需要注意的是，图1中所示的游戏图像的处理系统的结构仅是一种示意图，图中所示的设备、器件、模块等之间的位置关系不构成任何限制，比如，在图1中，数据存储系统105相对于执行设备104是外部存储器，在其他情况下，也可以将数据存储系统105置于执行设备104中；数据库102相对于训练设备103是外部存储器，在其他情况下，也可以将数据库102置于训练设备103中。
74.结合上述场景，下面通过几个具体实施例对本技术提供的游戏图像的处理方法的技术方案进行详细说明。
75.图2为本技术实施例提供的游戏图像的处理方法实施例一的流程图，如图2所示，该方法可以由图1中的训练设备执行，该方法包括以下步骤：
76.s201：获取游戏场景图像中位于第一虚拟角色的视野范围内、且与视野范围的中线位置距离最近的第二虚拟角色的特征信息。
77.在本步骤中，可以通过图1中的训练设备获取大量真实玩家的游戏场景图像，从而获取第二虚拟角色的特征信息。游戏场景图像中包括多个虚拟角色，这些虚拟角色可以为真实玩家控制的虚拟角色。在训练ai玩家时，最关键的两部分内容为ai玩家所要选取的目标对象(也即第二虚拟角色)的特征信息，以及ai玩家的游戏技能的技能落点位置，因此，需要获取游戏场景图像中的第二虚拟角色的特征信息，并将获取到的第二虚拟角色的特征信息作为一个真实标签。第二虚拟角色的特征信息用于表征第二虚拟角色。
78.在上述方案中，对于真实玩家而言，在游戏过程中，不可能会选择在其视野范围之外的目标对象进行释放游戏技能，因此，要选择的目标对象必须在其视野范围内，也即，第二虚拟角色必须在第一虚拟角色的视野范围内，这样训练得到的ai玩家就不会对视野范围外的目标对象进行攻击，从而也就不会使ai玩家出现反人类行为。并且，对于真实玩家来说，其控制的虚拟角色在释放某一个游戏技能时，不会同时向多个距离较远的不同位置的目标对象发起攻击，因此，需要确定出一个第二虚拟角色，或者确定出在第一虚拟角色的技能攻击范围内的多个第二虚拟角色。同时，对于真实的玩家来说，其要选择的目标对象一般是位于其视野范围中部，因此，第二虚拟角色需要同时满足在第一虚拟角色的视野范围内以及与视野范围的中线位置距离最近这两个条件，这样训练得到的ai玩家不仅不会出现反人类行为，还更加贴合真实玩家的游戏行为，因此，训练得到的ai玩家具有高拟人化程度。
79.在上述方案中，游戏场景图像可以为游戏视频图像，也可以为游戏图片图像，以游戏视频图像为例，真实玩家在游戏过程中进行录像，得到录像视频，真实玩家的游戏数据就会以录像形式保存。录像本质是帧快照加上事件触发，只需要把录像进行相应的解析和处理，就能获得每个时刻人物、场景状态以及发生的事件。
80.s202：获取第一虚拟角色在游戏场景图像中的技能落点位置。
81.在本步骤中，在训练ai玩家时，最关键的另一部分内容为ai玩家的游戏技能的技能落点位置。对于真实玩家来说，在确定好了其选择的第二虚拟角色之后，需要控制第一虚拟角色释放游戏技能进行攻击，因此，可以通过图1中的训练设备获取到第一虚拟角色在游戏场景图像中的技能落点位置，并将获取到的技能落点位置作为另一个真实标签。
82.s203：根据游戏场景图像、第二虚拟角色的特征信息和技能落点位置对神经网络
模型进行训练。
83.在本步骤中，第二虚拟角色的特征信息和技能落点位置作为游戏场景图像的标签数据，训练设备在根据游戏场景图像、第二虚拟角色的特征信息和技能落点位置对神经网络模型进行训练之后，可以得到一个监督学习模型，从而得到一个训练好的ai玩家。图4为本技术实施例提供的监督学习模型的示意图，如图4所示，监督学习模型(supervised learning model，简称：sl model)的训练需要(x(i)，y(i))，其中，x(i)为样本特征，y(i)为图4中的y
target
，也即真实标签，y
pred
为监督学习模型预测出的结果。通过优化器不断使y
target
和y
pred
之间的差值减小，最终使得监督学习模型输出的y
pred
近似于y
target
。对于游戏中的第一虚拟角色来说，一笔训练资料(x(i)，y(i))中的)中的其中，为某一维度的特征。该特征主要分为图像特征和数字特征两大部分。对于图像特征和数字特征将在后续进行介绍。
84.在上述步骤中，在将训练好的ai玩家引入游戏中时，就可以根据游戏场景图像，确定出ai玩家要选择的第二虚拟角色的特征信息以及技能落点位置，因此，ai玩家在实际的游戏过程中，就可以合理的确定出具体的第二虚拟角色，以及其游戏技能的技能落点位置，因此，训练得到的ai玩家具有高拟人化程度。
85.在上述步骤中，在对神经网络模型进行训练时，可以使用大量真实玩家的游戏图像数据，这样训练出来的ai玩家会更加贴合真实玩家的游戏行为。
86.本实施例提供的游戏图像的处理方法，通过获取第二虚拟角色的特征信息和第一虚拟角色的技能落点位置，并作为真实标签，以训练神经网络模型，可以得到监督学习模型，这样监督学习得到的ai玩家就可以具有高拟人化程度的效果，从而实现在aba游戏中引入ai玩家，且保证ai玩家的拟人化程度较高的目的。
87.在一种实施例中，获取游戏场景图像中位于第一虚拟角色的视野范围内、且与视野范围的中线位置距离最近的第二虚拟角色的特征信息，包括：确定游戏场景图像中的目标虚拟角色；获取目标虚拟角色上的多个目标点；对第一虚拟角色与多个目标点进行射线检测，确定第一虚拟角色与目标点之间是否存在碰撞体；若第一虚拟角色与至少一个目标点之间不存在碰撞体，则确定目标虚拟角色处于视野范围内；获取处于视野范围内的每个目标虚拟角色与视野范围的中线位置之间的距离；将与视野范围的中线位置之间的距离最小的目标虚拟角色确定为第二虚拟角色；获取第二虚拟角色的特征信息。
88.在该方案中，游戏场景图像中除了有一个第一虚拟角色之外，还包括有多个目标虚拟角色，而第一虚拟角色要选择的目标对象是需要在其视野范围内的，因此，需要先确定出在其视野内的多个目标虚拟角色，然后在该处于视野范围内的多个目标虚拟角色中确定出与视野范围的中线位置距离最近的目标虚拟角色，将该目标虚拟角色确定为第二虚拟角色。
89.在上述方案中，在确定位于第一虚拟角色的视野范围内的目标虚拟角色时，可以先在目标虚拟角色上选取多个目标点，然后以第一虚拟角色为起点，以目标虚拟角色上的多个目标点为终点进行射线检测，确定每一条射线是否检测到碰撞体，若有任意一条射线未检测到碰撞体，则说明该目标虚拟角色位于第一虚拟角色的视野范围内，如图5所示。其中，碰撞体可以为游戏场景图像中的建筑、树木、石头、箱子等任何具有遮挡效果的物体，比如，当某一条射线检未测到第一虚拟角色与目标虚拟角色之间有墙壁遮挡，而其他几条射
线检测到第一虚拟角色与目标虚拟角色之间有墙壁遮挡，那么说明第一虚拟角色至少可以看到目标虚拟角色上的某一个目标点所在部位，因此，目标虚拟角色位于第一虚拟角色的视野范围内。
90.图5为本技术实施例提供的第二虚拟角色处于第一虚拟角色的视野范围内的示意图。在图5中，以当前游戏屏幕上显示出的游戏场景为第一虚拟角色的视野范围，对于计算机来说，需要采用射线检测的方法确定游戏场景图像中的哪些虚拟角色是处于第一虚拟角色的视野范围内的，因此，可以在目标虚拟角色上设置5个目标点，然后以第一虚拟角色为起点，以5个目标点为终点，分别进行射线检测，当起点和终点之间存在碰撞体的时候，会向计算机返回false，当起点和终点之间不存在碰撞体的时候返回true。当计算机检测到有任意一条射线返回了true，则说明目标虚拟角色处于第一虚拟角色的视野范围内，若所有射线都返回了false，则说明目标虚拟角色不处于第一虚拟角色的视野范围内。
91.在上述方案中，对于真实玩家来说，其控制的虚拟角色在释放某一个游戏技能时，不会同时向多个距离较远的不同位置的目标对象发起攻击，因此，需要确定出一个第二虚拟角色，或者确定出在第一虚拟角色的技能攻击范围内的多个第二虚拟角色。同时，对于真实的玩家来说，其要选择的目标对象一般是位于其视野范围中部，因此，第二虚拟角色需要同时满足在第一虚拟角色的视野范围内以及与视野范围的中线位置距离最近这两个条件，这样训练得到的ai玩家不仅不会出现反人类行为，还更加贴合真实玩家的游戏行为，因此，训练得到的ai玩家具有高拟人化程度，如图6所示。
92.图6为本技术实施例提供的距离第一虚拟角色视野范围的中线位置最近的第二虚拟角色的示意图。在图6中，以当前游戏屏幕上显示出的游戏场景为第一虚拟角色的视野范围为例，则视野范围的中线位置即为图6中的黑色实线所示。一般来说玩家选择的目标对象一般会在玩家视野范围的中部，极少可能会出现目标对象在正前方，但玩家却是背对着目标对象走的情况，当玩家发现其视野范围内有多个目标对象时，会优先攻击其视野中部的目标对象，因此需要确定与视野范围的中线位置距离最近的目标对象。如图6所示，目标虚拟角色a与黑色实线之间的距离a大于目标虚拟角色b与黑色实线之间的距离b，因此，目标虚拟角色b即为最终确定出的位于第一虚拟角色的视野范围内、且与视野范围的中线位置距离最近的第二虚拟角色。
93.在上述方案中，若第一虚拟角色与多个目标点之间均存在碰撞体，则确定目标虚拟角色不处于视野范围内。也即，若有所有的射线均检测到了碰撞体，则说明该目标虚拟角色与第一虚拟角色之间存在某个遮挡物体，第一虚拟角色完全看不到该目标虚拟角色的任何一个部位，因此该目标虚拟角色不处于第一虚拟角色的视野范围内，对于不处于第一虚拟角色的视野范围内的第二虚拟角色，可以忽略不处理，这样就可以避免ai玩家对视野范围外的目标进行攻击导致的出现反人类行为的问题，从而可以提高ai玩家的拟人化程度。
94.在一种实施例中，获取第一虚拟角色在游戏场景图像中的技能落点位置，包括：将游戏场景图像所在的游戏场景地图划分为多个区域，其中，多个区域的形状和大小均相同；确定第一虚拟角色的游戏技能在多个区域中的落点区域；将落点区域确定为技能落点位置。
95.在该方案中，游戏场景图像中显示的游戏场景是存在于游戏场景地图上的某一位置的游戏场景，因此，游戏场景地图显示了游戏中的所有区域，而第一虚拟角色在释放游戏
技能时，技能落点位置可以是游戏场景地图中的任何一个位置，而该位置可以有无限多个，若直接将第一虚拟角色的游戏技能在游戏场景地图中的落点位置作为其技能落点位置的话，训练神经网络模型会演化成回归模型，从而会增加对神经网络模型的训练难度，而若将游戏场景地图划分为多个区域，由于划分的区域是有限的，这样将游戏技能的落点区域作为技能落点位置会将训练神经网络模型演化为分类模型，这样就可以降低对神经网络模型的训练难度，从而减少对ai玩家的训练时间，提高游戏的更新速度。
96.在上述方案中，如图7所示，图7为本技术实施例提供的技能落点位置的示意图。在图7中，将游戏场景地图划分为11*10＝110块，若第一虚拟角色的游戏技能的落点在图7中的黑色区域内，则这个黑色区域就为第一虚拟角色的技能落点位置。
97.在一种实施例中，根据游戏场景图像、第二虚拟角色的特征信息和技能落点位置对神经网络模型进行训练，包括：根据数字特征和图像特征对神经网络模型进行训练，其中，数字特征包括第二虚拟角色的特征信息和技能落点位置，图像特征包括游戏场景图像和游戏场景图像所在的游戏场景地图。
98.在该方案中，可以采用深度神经网络作为监督学习的模型，而深度神经网络主要包含数字特征以及图像特征两部分，游戏场景图像和游戏场景地图是用来展示游戏过程中的场景布局，因此可以作为图像特征，而第二虚拟角色的特征信息是用来确定第二虚拟角色的，技能落点位置是用来确定第一虚拟角色的游戏技能的落点位置的，对于计算机来说，只能通过数字来确定具体的第二虚拟角色以及第一虚拟角色的技能落点位置，因此，第二虚拟角色的特征信息和技能落点位置作为数字特征。
99.在上述方案中，通过采用深度神经网络作为监督学习的模型，可以简化对神经网络模型的训练过程，提高训练速度，从而提高ai玩家的训练速度，进而可以提高游戏的更新速度。
100.在一种实施例中，根据数字特征和图像特征对神经网络模型进行训练，包括：将图像特征进行一维化处理，得到多个一维数组；对多个一维数组和数字特征进行融合，得到目标数组；将目标数组输入至神经网络模型中进行分类处理，得到第二虚拟角色的特征信息和技能落点位置。
101.在该方案中，将图像特征进行一维化处理可以采用神经网络中的flatten层实现，由于数字特征本来就是一维的，因此不需要对数字特征进行处理，对得到的多个一维数组和数字特征进行融合处理可以采用神经网络中的concat层实现，将目标数组输入至神经网络模型中进行分类处理，可以通过神经网络模型中的全连接(fully connect，简称：fc)层实现，如图8所示。
102.图8为本技术实施例提供的训练神经网络模型的示意图，在图8中，图像特征包括游戏场景图像和游戏场景地图，游戏场景图像也即玩家视野，游戏场景地图也即游戏中的小地图。将图像特征通过神经网络的flatten层进行展开得到多个一维数组后，再通过神经网络的concat层将数字特征和多个一维数组进行融合连接，然后由神经网络中的全连接层进行分类，最终通过分类后的两个全连接层输出第二虚拟角色的特征信息和技能落点位置。
103.在上述方案中，通过这种方式对神经网络模型进行训练，可以提高训练得到的ai玩家的拟人化程度，并且在实现相同水平的ai玩家的前提下，该技术方案相比于其他强化
学习可以减少训练时间，从而提升游戏的更新速度。
104.在一种实施例中，将图像特征和数字特征分别进行一维化处理之前，该方法还包括：采用卷积神经网络对图像特征进行处理。
105.在该方案中，如图8所示，在将图像特征和数字特征分别进行一维化处理之前，可以先采用卷积神经网络对图像特征进行处理。将图像特征通过cnn进行处理，可以更加关注到图像中的一些局部特征，从而减少对图像处理的运算量，减少ai玩家的训练时间，进而可以提高游戏更新速度。
106.在一种实施例中，数字特征还包括：第一虚拟角色的特征信息、游戏场景图像的环境特征以及游戏场景地图的地图特征。
107.在该方案中，数字特征除了包括第二虚拟角色的特征信息和技能落点位置之外，还包括有其他游戏中的特征信息，比如第一虚拟角色的特征信息、游戏场景图像的环境特征以及游戏场景地图的地图特征等，这样训练得到的ai玩家就可以更加贴合真实玩家，从而提高ai玩家的拟人化程度。
108.举例而言，数字特征包括游戏过程中的局内信息：环境特征，比如，游戏中的密码机状态(密码机是否被破译等)、火箭椅状态(火箭椅上是否挂人，火箭椅是否损坏等)、板子或者窗户情况等；第二虚拟角色的特征信息，比如，角色职业、技能冷却状态、角色状态(现有血量，是否被挂在火箭椅上等)、移速、位置、朝向、天赋、治疗速度等；第一虚拟角色的特征信息，比如，角色职业、技能冷却状态(包括辅助技能冷却状态和普通攻击技能冷却状态)、移速、位置、朝向、天赋等。数字特征还包括游戏过程中的局外信息：第二虚拟角色的特征信息，比如：角色段位信息、账号信息、历史组队信息、历史游戏对战信息等；地图特征，比如：地图类型、地图中的地窖位置、第一虚拟角色和第二虚拟角色的出生点位置、密码机位置、火箭椅位置等。
109.本实施例提供的游戏图像的处理方法，通过获取真实玩家在游戏过程中的录像数据，对录像数据进行解析，确定出真实玩家的视野范围内距离视野范围中线最近的目标玩家的特征信息，将该目标玩家的特征信息作为一个真实标签；然后将游戏场景地图划分为大小形状均相同的多个区域，并将真实玩家的游戏技能在游戏场景地图中的落点区域确定为其技能落点位置，将该技能落点位置作为另一个真实标签，然后采用大量真实玩家的录像数据、目标玩家的特征信息和技能落点位置对神经网络模型进行训练，这样就可以得到一个监督学习模型，从而可以得到训练出来的具有高度拟人化的ai玩家。并且，通过监督学习的方式训练ai玩家的效率较高，也满足了目前游戏更新速度较快的需求。
110.图3为本技术实施例提供的游戏图像的处理方法实施例二的流程图，如图3所示，该方法可以由图1中的执行设备执行，该方法包括以下步骤：
111.s301：将游戏场景图像输入至训练好的神经网络模型中进行处理，得到多个虚拟角色中的第二虚拟角色的特征信息，以及多个虚拟角色中的第一虚拟角色的技能落点位置。
112.在该步骤中，可以通过终端设备提供图形用户界面，图形用户界面包括游戏场景图像，该游戏场景图像可以为游戏视频图像，也可以为游戏图片图像，游戏场景图像中包括多个虚拟角色，这些虚拟角色中的第一虚拟角色为ai玩家，第二虚拟角色可以为ai玩家，也可以为真实玩家控制的虚拟角色。第二虚拟角色位于第一虚拟角色的视野范围内、且与视
野范围的中线位置距离最近。上述终端设备可以为图1中的执行设备。
113.在上述步骤中，在将训练好的ai玩家引入游戏中时，执行设备可以根据游戏场景图像，确定出ai玩家要选择的第二虚拟角色的特征信息以及技能落点位置，因此，ai玩家在实际的游戏过程中，就可以通过第二虚拟角色的特征信息确定出具体的第二虚拟角色，以及合理的确定出其游戏技能的技能落点位置，因此，训练得到的ai玩家具有高拟人化程度。
114.在一种实施例中，将游戏场景图像输入至训练好的神经网络模型中进行处理之前，该方法还包括：根据游戏场景图像、第二虚拟角色的特征信息和技能落点位置对神经网络模型进行训练，得到训练好的神经网络模型，其中，第二虚拟角色的特征信息和技能落点位置作为游戏场景图像的标签数据。
115.在该方案中，通过获取第二虚拟角色的特征信息和第一虚拟角色的技能落点位置，并作为真实标签，以训练神经网络模型，可以得到监督学习模型，这样监督学习得到的ai玩家就可以具有高拟人化程度的效果，从而实现在aba游戏中引入ai玩家，且保证ai玩家的拟人化程度较高的目的。
116.在上述方案中，训练神经网络模型的方法可以按照如图2所示的方法进行训练。
117.本实施例提供的游戏图像的处理方法，将训练好的ai玩家引入游戏当中，通过游戏场景图像就可以使ai玩家合理的选择出第二虚拟角色以及ai玩家的游戏技能的技能落点位置，从而使ai玩家具有高度拟人化，并且，通过监督学习的方式训练ai玩家的效率较高，也满足了目前游戏更新速度较快的需求。
118.从总体上来说，本技术提供的技术方案，采用深度神经网络作为监督学习的模型，并根据第二虚拟角色的特征信息和技能落点位置两个真实标签和游戏场景图像训练神经网络模型，避免了强化学习需要大量的算力进行试错，以及泛化性能表现较弱的问题，是一种既可以使训练得到的ai玩家具有较高的拟人化程度，又能提升ai玩家的训练速度，提升游戏更新速度的技术实现方法。
119.图9为本技术实施例提供的游戏图像的处理装置实施例一的结构示意图，该游戏图像的处理装置900包括：
120.第一获取模块901，用于获取游戏场景图像中位于第一虚拟角色的视野范围内、且与视野范围的中线位置距离最近的第二虚拟角色的特征信息；
121.第二获取模块902，还用于获取第一虚拟角色在游戏场景图像中的技能落点位置；
122.训练模块903，用于根据游戏场景图像、第二虚拟角色的特征信息和技能落点位置对神经网络模型进行训练，其中，第二虚拟角色的特征信息和技能落点位置作为游戏场景图像的标签数据。
123.可选的，第一获取模块901还用于确定游戏场景图像中的目标虚拟角色；获取目标虚拟角色上的多个目标点；对第一虚拟角色与多个目标点进行射线检测，确定第一虚拟角色与目标点之间是否存在碰撞体；若第一虚拟角色与至少一个目标点之间不存在碰撞体，则确定目标虚拟角色处于视野范围内；获取处于视野范围内的每个目标虚拟角色与视野范围的中线位置之间的距离；将与视野范围的中线位置之间的距离最小的目标虚拟角色确定为第二虚拟角色；获取第二虚拟角色的特征信息。
124.可选的，第二获取模块902还用于将游戏场景图像所在的游戏场景地图划分为多个区域，其中，多个区域的形状和大小均相同；确定第一虚拟角色的游戏技能在多个区域中
的落点区域；将落点区域确定为技能落点位置。
125.可选的，训练模块903还用于根据数字特征和图像特征对神经网络模型进行训练，其中，数字特征包括第二虚拟角色的特征信息和技能落点位置，图像特征包括游戏场景图像和游戏场景图像所在的游戏场景地图。
126.可选的，训练模块903还用于将图像特征进行一维化处理，得到多个一维数组；对多个一维数组和数字特征进行融合，得到目标数组；将目标数组输入至神经网络模型中进行分类处理，得到第二虚拟角色的特征信息和技能落点位置。
127.可选的，数字特征还包括：第一虚拟角色的特征信息、游戏场景图像的环境特征以及游戏场景地图的地图特征。
128.本实施例提供的游戏图像的处理装置，用于执行前述方法实施例中的游戏图像的处理方法的技术方案，其实现原理和技术效果类似，在此不再赘述。
129.图10为本技术实施例提供的游戏图像的处理装置实施例二的结构示意图，该游戏图像的处理装置1000包括：处理模块1001和显示模块1002，显示模块1002用于显示图形用户界面，图形用户界面包括游戏场景图像，游戏场景图像中包括多个虚拟角色；
130.处理模块1001用于将游戏场景图像输入至训练好的神经网络模型中进行处理，得到多个虚拟角色中的第二虚拟角色的特征信息，以及多个虚拟角色中的第一虚拟角色的技能落点位置，其中，第二虚拟角色位于第一虚拟角色的视野范围内、且与视野范围的中线位置距离最近。
131.可选的，处理模块1001还用于在将游戏场景图像输入至训练好的神经网络模型中进行处理之前，根据游戏场景图像、第二虚拟角色的特征信息和技能落点位置对神经网络模型进行训练，得到训练好的神经网络模型，其中，第二虚拟角色的特征信息和技能落点位置作为游戏场景图像的标签数据。
132.本实施例提供的游戏图像的处理装置，用于执行前述方法实施例中的游戏图像的处理方法的技术方案，其实现原理和技术效果类似，在此不再赘述。
133.图11为本技术实施例提供的一种终端设备的结构示意图，如图11所示，该终端设备1100包括：
134.处理器1111、存储器1112、显示器1113；
135.存储器1112用于存储程序和数据，处理器1111调用存储器存储的程序，以执行前述方法实施例提供的游戏图像的处理方法的技术方案。
136.在上述终端设备中，存储器1112和处理器1111之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可以通过一条或者多条通信总线或信号线实现电性连接，如可以通过总线连接。存储器1112中存储有实现游戏图像的处理方法的计算机执行指令，包括至少一个可以软件或固件的形式存储于存储器中的软件功能模块，处理器1111通过运行存储在存储器1112内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。
137.图12为本技术实施例提供的一种训练设备的结构示意图，如图12所示，该训练设备1200包括：
138.处理器1211、存储器1212、显示器1213；
139.存储器1212用于存储程序和数据，处理器1211调用存储器存储的程序，以执行前
述方法实施例提供的游戏图像的处理方法的技术方案。
140.在上述训练设备中，存储器1212和处理器1211之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可以通过一条或者多条通信总线或信号线实现电性连接，如可以通过总线连接。存储器1212中存储有实现游戏图像的处理方法的计算机执行指令，包括至少一个可以软件或固件的形式存储于存储器中的软件功能模块，处理器1211通过运行存储在存储器1212内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。
141.存储器可以是，但不限于，随机存取存储器(random access memory，简称：ram)，只读存储器(read only memory，简称：rom)，可编程只读存储器(programmable read-only memory，简称：prom)，可擦除只读存储器(erasable programmable read-only memory，简称：eprom)，电可擦除只读存储器(electric erasable programmable read-only memory，简称：eeprom)等。其中，存储器用于存储程序，处理器在接收到执行指令后，执行程序。进一步地，上述存储器内的软件程序以及模块还可包括操作系统，其可包括各种用于管理系统任务(例如内存管理、存储设备控制、电源管理等)的软件组件和/或驱动，并可与各种硬件或软件组件相互通信，从而提供其他软件组件的运行环境。
142.处理器可以是一种集成电路芯片，具有信号的处理能力。上述的处理器可以是通用处理器，包括中央处理器(central processing unit，简称：cpu)、网络处理器(network processor，简称：np)等。可以实现或者执行本技术实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
143.本技术实施例还提供一种计算机可读存储介质，计算机可读存储介质包括程序，程序在被处理器执行时用于实现方法实施例中提供的游戏图像的处理方法的技术方案。
144.本技术还提供一种计算机程序产品，包括：计算机程序，该计算机程序被处理器执行时用于实现前述方法实施例提供的游戏图像的处理方法的技术方案。
145.本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：rom、ram、磁碟或者光盘等各种可以存储程序代码的介质。
146.最后应说明的是：以上各实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述各实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本技术各实施例技术方案的范围。