OpenCV版本是3.4.2
Python版本是3.6
pyautogui版本是0.9.51
显示器为1920x1080
(其他像素当然能用，需要自己改)
效果
本项目实现了原神游戏中实时位置检测，将会在控制台返回人物所在的位置的（x,y）坐标，对应大地图上的像素点坐标。
run.gif
思路
1.使用OpenCV里面的Flann图片特征匹配，实现用右上角的小地图去匹配保存在本地的大地图
截图这个小区域
本地保存的大地图
注：地图截屏于原神wiki里的地图，链接
https://wiki.biligame.com/ys/
2.大地图匹非常耗时[将近5秒]，而且吃CPU，所以大地图匹配一次后下次只匹配当前位置的大地图的一个小区域，可以看到第一次很慢，之后就快的多了
传送后地图大改变，只能重新全图匹配
2.使用一个小地图模板来实现检测当前是否是在游戏中，避免没有检测到地图也硬要去匹配地图，造成计算资源浪费
避免切换画面都会全图匹配
改进
1.可以不用截屏，obs采集屏幕，启用虚拟摄像头，opencv捕捉这个虚拟摄像头，可以有很好的防检测能力，就是会有不小的延迟
2.截屏也可以全图截屏，然后模板匹配后进行剪裁再规定此后的截屏大小，其实也不错，实现起来不费劲，但就是懒啊.....
用处？
这个只是检测，是第一步，获得位置后就能做导航，安卓端或者web端，想想一下在手机上可以跟百度地图一样显示当前位置，显示资源位置，规划导航路线，自己录制锄地路线，还是很有意思的，也许有空会做？(lazy)
Github
有点事情，等下上传
网盘链接
https://darksuger.lanzous.com/i3omghbfhlg
代码贴出来
import pyautogui
import os
import sys
import numpy as np
import cv2 as cv
import time
#OpenCV版本是3.4.2
#Python版本是3.6
#pyautogui版本是0.9.51
#设置项：截图的长宽
grapW=330
grapH=250
refreshSP=1
mapPath=os.path.join(sys.path[0],'map.png')
maskPath=os.path.join(sys.path[0],'mask.png')
mapCache=cv.imread(mapPath,0) #读取地图
mask=cv.imread(maskPath,0)#读取识别模板
theGlob=200 #地图剪裁半径
theX=theGlob
theY=theGlob
largeMapping=True #大地图匹配位，表示是否进行全图匹配
ready=False #主页匹配位,表示当前截取到的画面是否包含地图
while True:
map=mapCache.copy()
img = pyautogui.screenshot(region=[0,0,grapW,grapH]) # 截图的x y w h
img = cv.cvtColor(np.asarray(img),cv.COLOR_RGB2GRAY) # 图片灰度化
#这个是用来测试的，测试屏幕截图的效果，能出现完整的居中的小地图即可
#没有双屏可以先截图游戏再用截图测试
#test(img)
try:
if ready:
if largeMapping==False:
#将大地图裁剪后识别，增加匹配速度，减少cpu压力
map=map[theY-theGlob:theY+theGlob,theX-theGlob:theX+theGlob]
retX,retY=mapper(map,img)
if retX!=-1:
#区域地图匹配成功
theX+=(retX-theGlob)
theY+=(retY-theGlob)
print((theX,theY))
time.sleep(refreshSP)
else:
#区域地图匹配失败
print('none')
retX,retY=mapper(img,mask)#模板匹配，判断是否截图的是小地图
if retX!=-1:
largeMapping=True#模板匹配成功，判断已经进行了传送，转大地图匹配
else:
print('check ready')
ready=False
time.sleep(1)
else:
#全图匹配
retX,retY=mapper(map,img)
if retX!=-1:
theX=retX
theY=retY
print((theX,theY))
largeMapping=False
else:
print('mapper error!')#全图匹配失败？
time.sleep(4)
else:
#模板匹配，判断是否截图到的图像是小地图
retX,retY=mapper(img,mask)
if retX!=-1:
ready=True
print('is ready')
else:
print('no ready!')
time.sleep(1)
except:
print('???')#匹配算法出错，纯色截图下会出错，捕捉一下不处理。
time.sleep(1)
def mapper(map,mapping):
MIN_MATCH_COUNT=10 #设置最低匹配数量为10
sift=cv.xfeatures2d.SIFT_create() #创建sift检测器
kp1,des1=sift.detectAndCompute(mapping,None)
kp2,des2=sift.detectAndCompute(map,None)
#创建设置FLAAN匹配
FLANN_INDEX_KDTREE=0
index_params=dict(algorithm=FLANN_INDEX_KDTREE, trees=5)
search_params=dict(checks=50)
flann=cv.FlannBasedMatcher(index_params,search_params)
mathces=flann.knnMatch(des1,des2,k=2)
good=[]
#过滤不合格的匹配结果，大于0.7的都舍弃
for m,n in mathces:
if m.distance<0.7*n.distance:
good.append(m)
#如果匹配结果大于10，则获取关键点的坐标，用于计算变换矩阵
if len(good)>MIN_MATCH_COUNT:
src_pts=np.float32([kp1[m.queryIdx].pt for m in good]).reshape(-1,1,2)
dst_pts =np.float32([kp2[m.trainIdx].pt for m in good]).reshape(-1, 1, 2)
#计算变换矩阵和掩膜
M,mask=cv.findHomography(src_pts,dst_pts,cv.RANSAC,10.0)
matchesMask=mask.ravel().tolist()
#根据变换矩阵进行计算，找到小图像在大图像中的位置
h,w=img.shape
pts=np.float32([[0,0],[0,h-1],[w-1,h-1],[w-1,0]]).reshape(-1,1,2)
dst=cv.perspectiveTransform(pts,M)#从左上逆时针表示的矩阵顶点
theX=int((dst[0][0][0]+dst[2][0][0])/2)
theY=int((dst[0][0][1]+dst[2][0][1])/2)#计算坐标点
return theX,theY
else:
return -1,-1
def test(img):
cv.imshow(img)
cv.waitKey(0)
转载注明原帖，禁止商用
