[go: up one dir, main page]

CN115885324A - 游戏环境跟踪优化 - Google Patents

游戏环境跟踪优化 Download PDF

Info

Publication number
CN115885324A
CN115885324A CN202180007679.5A CN202180007679A CN115885324A CN 115885324 A CN115885324 A CN 115885324A CN 202180007679 A CN202180007679 A CN 202180007679A CN 115885324 A CN115885324 A CN 115885324A
Authority
CN
China
Prior art keywords
image
images
game
player
neural network
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202180007679.5A
Other languages
English (en)
Inventor
布赖恩·凯利
马丁·S·里昂
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sg Game Co
Original Assignee
Sg Game Co
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Sg Game Co filed Critical Sg Game Co
Publication of CN115885324A publication Critical patent/CN115885324A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07F—COIN-FREED OR LIKE APPARATUS
    • G07F17/00—Coin-freed apparatus for hiring articles; Coin-freed facilities or services
    • G07F17/32—Coin-freed apparatus for hiring articles; Coin-freed facilities or services for games, toys, sports, or amusements
    • G07F17/3225—Data transfer within a gaming system, e.g. data sent between gaming machines and users
    • G07F17/3227—Configuring a gaming machine, e.g. downloading personal settings, selecting working parameters
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/172—Classification, e.g. identification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/20—Movements or behaviour, e.g. gesture recognition
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07F—COIN-FREED OR LIKE APPARATUS
    • G07F17/00—Coin-freed apparatus for hiring articles; Coin-freed facilities or services
    • G07F17/32—Coin-freed apparatus for hiring articles; Coin-freed facilities or services for games, toys, sports, or amusements
    • G07F17/3202—Hardware aspects of a gaming system, e.g. components, construction, architecture thereof
    • G07F17/3204—Player-machine interfaces
    • G07F17/3206—Player sensing means, e.g. presence detection, biometrics
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
    • H04N23/60—Control of cameras or camera modules
    • H04N23/62—Control of parameters via user interfaces
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
    • H04N23/60—Control of cameras or camera modules
    • H04N23/64—Computer-aided capture of images, e.g. transfer from script file into camera, check of taken image quality, advice or proposal for image composition or decision on when to take image
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
    • H04N23/80—Camera processing pipelines; Components thereof
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N7/00—Television systems
    • H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N7/00—Television systems
    • H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
    • H04N7/188—Capturing isolated or intermittent images triggered by the occurrence of a predetermined event, e.g. an object reaching a predetermined position

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Signal Processing (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Psychiatry (AREA)
  • Social Psychology (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

一种游戏系统，其接收由游戏桌处的摄像头捕获的图像数据帧，根据图像数据帧的部分生成图像集，并且确定图像集是否满足神经网络模型的输入要求。如果图像集不满足输入要求，则游戏系统按递增量修改来自图像集的子集的图像属性，直到图像集满足输入要求为止。当图像集满足输入要求时，游戏系统将图像集作为单元(例如，作为图像集的合成)传输到神经网络模型以进行并行分析。

Description

游戏环境跟踪优化
相关申请的交叉引用
本申请要求2020年3月30日提交的美国临时专利申请第63/001,941号的优先权权益，所述临时专利申请以全文引用的方式并入本文中。
有限版权豁免
本专利文献的公开内容的一部分包含受版权保护的材料。版权所有者不反对专利公开内容以其在专利和商标局专利档案或记录中出现的那样被任何人复制，但保留所有版权。
技术领域
本发明大体上涉及游戏系统、设备和方法，并且更具体地涉及游戏环境的图像优化和跟踪。
背景技术
游戏场游戏环境是动态环境，在该环境中，诸如玩家、游戏场顾客、游戏场员工等人做出影响游戏环境的状态、玩家的状态等的动作。例如，玩家可以使用一个或多个物理游戏币来对投置游戏投置。在另一实例中，玩家可以打手势以执行游戏动作和/或在游戏期间传达指令，例如做出手势以叫牌、停叫、弃牌等。在又一实例中，玩家可以移动实体纸牌、游戏道具等。在任何给定时间都可能发生许多其它变化。为了有效地管理这种动态环境，游戏场运营商可以采用一种或多种跟踪系统或技术来监测游戏场游戏环境的各方面，例如玩家账户信息、玩家移动、玩游戏事件等。跟踪系统可以生成这些受监控方面的历史记录，以使游戏场运营商能够促进例如安全游戏环境、增强的游戏特征和/或增强的玩家特征(例如，给具有玩家账户的已知玩家的奖励和福利)。
然而，一些跟踪系统遇到了挑战。例如，自动跟踪系统需要能够在可接受的时间量内跟踪游戏环境中的各种对象以执行某些游戏相关操作。例如，游戏系统可以被配置成识别在投置时段期间使用的游戏币，识别在游戏期间使用的游戏元素(例如，纸牌或骰子)，识别互动玩家手势等。为了分析图像，游戏系统可以利用一个或多个神经网络模型。神经网络模型需要图像具有足够的质量水平，以能够以一定置信度识别或分类图像中描绘的对象。然而，尽管图像需要具有一定质量水平，但图像质量不能太高。例如，为了快速执行图像识别，神经网络模型可能需要对其接受用于分析的任何图像具有最大分辨率限制(例如，图像必须具有一定水平的分辨率，但分辨率不是太高，否则神经网络模型将不接受图像进行分析)。然而，与现代摄像头拍摄照片时的较大分辨率(例如3840x 2160)相比，该最大分辨率限制较小(例如512x 512)。因此，具有此类小输入限制的神经网络模型将不能接受从现代摄像头获取的大型图像文件。然而，仅将整个3840x 2160图像缩小到512x 512图像将导致在缩小的图像内描绘的对象的像素大小太小而不能被神经网络模型识别。
一些神经网络模型可能需要不同图像质量水平，以便为不同的游戏操作获得足够的置信水平，这增加了挑战。然而，在捕捉图像的游戏环境中，摄像头一次只能拍摄一个图像质量水平的照片。因此，神经网络模型的输入要求与摄像头的原生图像质量设置不匹配。
一些游戏系统需要访问远程或远距离位置处的神经网络模型，例如由仅可经由通信网络访问的处理器存储和/或执行的神经网络模型，这进一步增加了挑战。然而，在通信网络上传输许多图像需要大量时间。
这些和其它挑战会减缓游戏场的游戏，导致任何特定时段的游戏活动减少，使得游戏场收入减少。此外，缓慢的玩游戏可能会分散游戏参与者玩游戏的乐趣。
因此，需要一种克服这些和其它挑战的新游戏系统。
发明内容
在一些实施例中，一种操作投置游戏系统(具有游戏桌和摄像头)的方法，包括：至少部分地基于投置游戏的游戏状态，根据由所述游戏桌处的摄像头捕获的图像数据帧的部分生成图像集；响应于确定所述图像集未满足对应于所述游戏状态的神经网络模型的目标输入要求，迭代地修改来自所述图像集的图像子集的图像属性，直到所述图像集满足所述目标输入要求；以及响应于所述迭代地修改，向所述神经网络模型提供所述图像集。
在一些实施例中，生成所述图像集包括：至少部分地基于所述游戏状态自动选择与所述摄像头相关联的一个或多个图像捕获设置；以及使用所述一个或多个图像捕获设置捕获所述图像数据帧。
在一些实施例中，所述图像捕获设置包括图像分辨率设置、纵横比设置、快门速度设置、孔径大小设置或变焦设置中的一者或多者。
在一些实施例中，生成所述图像集包括：在所述图像数据帧的部分上自动叠加一组矩形，其中所述一组矩形表示需要由所述神经网络模型进行分析的定位；复制对应于所述一组矩形的所述图像数据帧的部分；以及将所复制的部分存储为所述图像集，其中所复制的部分中的每一个具有根据所述摄像头的图像分辨率设置的相应的图像宽度和图像高度。
在一些实施例中，所述方法还包括：将来自所述一组矩形中的每个矩形的唯一标识符与所述图像集中的对应一个相关联；以及使用所述唯一标识符将所述图像集中的对应一个的位置存储在精灵表单上。
在一些实施例中，所述方法还包括：响应于由所述神经网络模型进行的分析，接收与由所述神经网络模型识别的物理对象的特性相关联的一个或多个数据对象；以及使用所述一个或多个数据对象更新所述一组矩形。
在一些实施例中，所述迭代修改包括：以迭代方式进行以下操作，直到所述图像集满足所述目标输入要求：从所述图像集选择图像分辨率宽度在所述图像集的所有成员中大小最大的一个或多个图像作为图像子集；将所述子集中的一个或多个图像中的每一个的图像分辨率宽度缩放一个像素；将所述子集中的一个或多个图像中的每一个的图像分辨率高度缩放一个像素除以捕获所述图像数据帧时的纵横比；以及响应于缩放所述一个或多个图像的图像分辨率宽度和图像分辨率高度，确定所述图像集是否全体配合到表示所述神经网络模型的最大分辨率限制的矩形中。
在一些实施例中，确定所述图像集是否全体配合到所述矩形中包括对所述图像集运行打包算法。
在一些实施例中，确定所述图像集是否全体配合到所述矩形中包括：将所述图像分辨率宽度与自身相乘并与所述图像集的成员的总数相乘；以及确定所述相乘的积是否小于或等于所述矩形的面积，其中所述矩形的面积是将所述神经网络模型的分辨率高度限制与所述神经网络模型的分辨率宽度限制相乘的积。
在一些实施例中，向所述神经网络模型提供所述图像集包括：将所述图像集合成为文件；以及将所述文件传输到所述神经网络模型以并行分析所合成的图像集。
在一些实施例中，一种游戏系统包括：网络通信接口；以及处理器，所述处理器被配置成执行一个或多个操作以：至少部分地基于投置游戏的游戏状态，根据由游戏桌处的摄像头捕获的图像数据帧的一个或多个部分生成图像集；响应于确定所述图像集未满足对应于所述游戏状态的神经网络模型的目标输入要求，递增地修改来自所述图像集的图像子集的图像属性，直到所述图像集满足所述目标输入要求；以及响应于确定所述图像集满足所述目标输入要求，向所述神经网络模型提供所述图像集。
在一些实施例中，被配置成生成所述图像集的处理器被配置成执行一个或多个操作以：至少部分地基于所述游戏状态，自动选择与所述摄像头相关联的一个或多个图像捕获设置；以及基于所述一个或多个图像捕获设置捕获所述图像数据帧，其中所述图像捕获设置包括图像分辨率设置、纵横比设置、快门速度设置、孔径大小设置或变焦设置中的一者或多者。
在一些实施例中，被配置成生成所述图像集的处理器被配置成执行一个或多个操作以：在所述图像数据帧的部分上自动叠加一组矩形，其中所述一组矩形表示需要由所述神经网络模型进行分析的定位；裁剪对应于所述一组矩形的所述图像数据帧的部分；以及将所裁剪的部分存储为所述图像集，其中所述图像集中的每一个具有根据所述摄像头的图像分辨率设置的相应的图像宽度和图像高度。
在一些实施例中，被配置成向所述神经网络模型提供所述图像集的处理器被配置成执行一个或多个操作以：将所述图像集合成为单个图像；以及通过所述网络通信接口将所述单个图像传输到具有操作所述神经网络模型的一个或多个额外处理器的装置。
在一些实施例中，被配置成将所述图像集合成为所述单个图像的处理器被配置成执行一个或多个操作以将来自所述一组矩形中的每个矩形的唯一标识符与所述图像集中的对应一个相关联。
在一些实施例中，所述单个图像包括精灵表单或纹理图集中的至少一者。
在一些实施例中，被配置成修改所述图像子集的图像属性的处理器被配置成执行一个或多个操作以：以迭代方式进行以下操作，直到所述图像集满足所述目标输入要求：从所述图像集选择图像分辨率宽度在所述图像集的所有成员中大小最大的一个或多个图像作为所述图像子集；将所述子集中的一个或多个图像中的每一个的图像分辨率宽度缩放一个像素；将所述子集中的一个或多个图像中的每一个的图像分辨率高度缩放一个像素除以捕获所述图像数据帧时的纵横比；以及确定所述图像集是否全体配合到表示所述神经网络模型的最大分辨率限制的矩形中。
在一些实施例中，被配置成确定所述图像集是否全体配合到所述矩形中的处理器被配置成执行一个或多个操作以对所述图像集运行打包算法。
在一些实施例中，被配置成确定所述图像集是否全体配合到所述矩形中的处理器被配置成执行一个或多个操作以：将所述图像分辨率宽度与自身相乘并与所述图像集的成员的总数相乘；以及确定所述相乘的积是否小于或等于所述矩形的面积，其中所述矩形的面积是将所述神经网络模型的分辨率高度限制与所述神经网络模型的分辨率宽度限制相乘的积。
在一些实施例中，一个或多个非暂时性计算机可读存储介质，其上存储有指令，所述指令当由游戏系统的一组一个或多个处理器执行时使所述一组一个或多个处理器执行包括以下各项的操作：至少部分地基于投置游戏的游戏状态，根据由游戏桌处的摄像头捕获的图像数据帧的部分生成图像集；确定所述图像集不能全体配合到表示对应于所述游戏状态的神经网络模型的最大分辨率限制的矩形的区域中；响应于确定所述图像集不能全体配合到所述矩形中，以迭代方式进行以下操作直到所述图像集满足所述目标输入要求，从所述图像集选择图像分辨率宽度在所述图像集的所有成员中大小最大的一个或多个图像作为图像子集，将所述子集中的一个或多个图像中的每一个的图像分辨率宽度缩放一个像素，将所述子集中的一个或多个图像中的每一个的图像分辨率高度缩放一个像素除以捕获所述图像数据帧时的纵横比，以及运行打包算法以确定所述图像集是否全体配合到表示所述神经网络模型的最大分辨率限制的矩形中；响应于确定所述图像集全体配合到所述矩形中，将所述图像集合成为单个图像文件；以及经由通信网络将所述单个图像文件传输到所述神经网络模型，以对所述单个图像文件内所含的图像集进行并行分析。
附图说明
本发明的实施例在附图的图式中示出，在所述附图中：
图1示出了根据一些实施例的示例游戏系统；
图2是根据一些实施例的示例游戏系统的图；
图3是根据一些实施例的用于游戏环境图像和跟踪优化的示例方法的流程图；
图4和图5是根据一些实施例的与图3中所示的数据流相关联的图；
图6是根据一些实施例的被配置成用于实施投置游戏的游戏桌的透视图；
图7是根据一些实施例的被配置成用于实施投置游戏的单个电子游戏装置的透视图；
图8是根据一些实施例的被配置成用于实施投置游戏的桌的俯视图；
图9是根据一些实施例的被配置成用于实施投置游戏的桌的另一实施例的透视图，其中所述实施包括虚拟发牌人；
图10是根据一些实施例的用于实施投置游戏的游戏系统的示意框图；
图11是根据一些实施例的用于实施包括实时发牌人馈送的投置游戏的游戏系统的示意框图；
图12是根据一些实施例的用作用于实施投置游戏的游戏系统的计算机的框图；以及
图13示出了根据一些实施例的用于支持用于移动/互动游戏的本公开的游戏、特征或效用的各种应用程序/服务之间的数据流的实施例。
虽然本发明容许各种修改和替代形式，但具体实施例已在附图中以举例方式示出，并将在本文中详细描述。然而，应理解，本发明并不旨在限于所公开的特定形式。相反，本发明涵盖落入如所附权利要求书限定的本发明的精神和范围内的所有修改、等同物和替代方案。
具体实施方式
虽然本发明容许许多不同形式的实施例，但在附图中示出且在本文中将详细描述本发明的优选实施例，其中要理解本公开应被视为本发明的原理的举例说明，且并不意图将本发明的广泛方面限制于所示的实施例。出于本详细描述的目的，单数包括复数，反之亦然(除非被特别否认)；词语“和”和“或”应为连词和反意连词；词语“所有”意指“任何和所有”；词语“任何”意指“任何和所有”；并且词语“包括”意指“包括但不限于”。
投置游戏可视为社交或休闲游戏，例如通常在社交网站、其它网站，跨计算机网络或移动装置(例如，电话、平板电脑等)上的应用程序中可用的。当以社交或休闲游戏形式提供时，投置游戏可能非常类似于传统的游戏场游戏，或者它可采用另一种更类似于其他类型的社交/休闲游戏的形式。
本文中所述的系统和方法优化图像、图像捕获、图像处理、图像传输等，以便于通过神经网络模型进行改进的分析。例如，一些实施例确定图像集是否满足神经网络模型的输入要求。如果图像集不满足输入要求，则游戏系统按递增量修改来自图像集的子集的图像属性，直到图像集满足输入要求为止。当图像集满足输入要求时，游戏系统将该图像集作为单元(例如，作为该图像集的合成)传输到神经网络模型以供分析。优化例如提高了神经网络模型接收和/或分析所捕获的游戏区域的图像的速度。提高速度允许快速且准确的对象识别和/或分类，从而允许与各种事件、游戏状态等有关的广泛各种游戏操作的自动化。提高游戏跟踪系统的速度和准确性允许在任何给定时段内(由游戏场顾客)进行更多游戏，这将为游戏场带来更高收入，并改善游戏参与者的游戏体验。
图1是示出了根据本公开的一个或多个实施例的示例游戏系统。游戏系统100包括游戏桌140、摄像头130和投影仪132。摄像头130捕获游戏区域的一个或多个图像(例如，摄像头130是生成所捕获的游戏区域的图像的视频馈送的网络摄像头)。游戏区域涵盖游戏桌140和游戏桌140周围的环境。投影仪132被配置成投射游戏内容的图像。投影仪132相对于一个或多个图像内描绘的(游戏区域中的)对象将游戏内容的图像朝向游戏桌140的桌面投射。对象的一些实例包括印刷的投置圈(例如，主投置圈101A和二次投置圈102A)、游戏币(例如，游戏币堆101B和游戏币堆102B)、游戏参与者(未示出)等。摄像头130位于游戏桌140的桌面上方。摄像头130具有游戏区域的第一视角(例如，视场或视场角)。在本公开中，第一视角可更简洁地称为摄像头视角或观察视角。例如，摄像头130具有镜头，该镜头以观察与玩游戏有关的游戏桌140的桌面的部分的方式指向游戏桌140。透镜还观察游戏区域中的对象，例如，位于游戏桌140周围的游戏参与者(例如，玩家、发牌人、后台投置顾客等)。投影仪132也位于游戏桌140上方靠近摄像头130。投影仪具有游戏区域的第二视角(例如，投影方向、投影角度、投影视图或投影锥体)。第二视角在本公开中可更简洁地称为投影视角。例如，投影仪具有透镜，该透镜以将游戏内容的图像投射(或投送)到摄像头130所观察的游戏区域的基本上相似部分上的方式指向游戏桌140。因为摄像头130和投影仪132的透镜不在同一位置，所以摄像头视角不同于投影视角。然而，游戏系统100可以在摄像头视角与投影视角之间平移或映射，使得它们基本上且准确地彼此覆盖。
如所提及的，游戏区域中的对象的一些实例包括印刷的投置圈(例如主投置圈101A和二次投置圈102A)和游戏币(例如游戏币堆101B和游戏币堆102B)。主投置圈101A和二次投置圈102A与游戏桌140的六个不同玩家站中的第一个相关联。换句话说，第一玩家(未示出)可以位于第一玩家站处(靠近游戏桌的外边缘141)，并且可以使用主投置圈101A对游戏桌140处呈现的主投置游戏投置。第一玩家可以使用二次投置圈102A对游戏桌140处提供的二次投置游戏特征(例如，奖励游戏或轮次)投置。例如，在主投置游戏的投置轮次期间，第一玩家将游戏币堆101B放入主投置圈101A中作为主投置游戏的投置。此外，第一玩家将游戏币堆102B放置在二次投置圈102A内作为二次投置游戏特征的投置。在一些情况下，二次投置特征是任选的。如本文所使用，术语“堆”是指物理分组在一起的一个或多个游戏币。
同样地，另外玩家站上的另外玩家可以将他们的投置放置在各自的主投置圈和二次投置圈中。例如，第二玩家(未示出)位于游戏桌140的第二玩家站处，主投置圈103A和二次投置圈104A与所述第二玩家站相关联。在主投置游戏的投置轮次中，第二玩家将游戏币堆103B放置在主投置圈103A中作为主投置。此外，第二玩家将游戏币堆104B放置在二次投置圈104A中作为二次投置。类似地，第三、第四、第五和第六玩家位于游戏桌140处在相应的第三、第四、第五和第六玩家站中。他们分别将他们的主投置和二次投置放置在游戏桌140处(例如，第三玩家将游戏币堆105B放置在主投置圈105A中并且将游戏币堆106B放置在二次投置圈106A中，第四玩家将游戏币堆107B放置在主投置圈107A中并且将游戏币堆108B放置在二次投置圈108A中，第五玩家将游戏币堆109B放置在主投置圈109A中并且将游戏币堆110B放置在二次投置圈110A中，并且第六玩家将游戏币堆111B放置在主投置圈111A中并且将游戏币堆112B放置在二次投置圈112A中)。在特定游戏状态期间(例如，当投置游戏处于“投置模式”时)放置投置。
在投置模式期间(在将投置全部物理地放置在游戏桌140处之后)，摄像头130使用与摄像头130相关联的图像捕获设置捕获游戏区域的图像数据帧120。在一些实施例中，游戏系统100可以基于游戏状态动态地选择和/或更改摄像头130的图像捕获设置(例如，参见图5获得更多详细信息)。
在图1所示的实例中，游戏系统100例如通过选择图形矩形150-161(即，矩形150、矩形151、矩形152、矩形153、矩形154、矩形155、矩形156、矩形157、矩形158、矩形159、矩形160和矩形161)来选择图像数据帧120的部分。游戏系统100选择(例如，使用点击和拖动操作来创建)图像数据帧120内的特定定位处的矩形150-161，所述特定定位对应于印刷的投置圈。矩形150-161的定位可以在开始玩游戏之前(例如，在游戏桌140的配置过程期间)确定。可以手动或自动地确定定位。此外，可以使用图形图像标注工具在透明图形层上创建(例如选择)矩形150-161。在一个实例中，透明图形层可以位于摄像头130的视频馈送上方，并且大小设定成图像数据帧120的边界。
例如，矩形150覆盖主投置圈101A以及稍微高于主投置圈101A的区域，以便包括图像数据帧120的涵盖主投置圈101A和可位于主投置圈101A中的游戏币堆(例如，游戏币堆101B)的部分。以类似方式，矩形151覆盖二次投置圈102A以及稍微高于二次投置圈102A的区域，以便包括图像数据帧120的涵盖二次投置圈102A和可位于二次投置圈102A中的游戏币堆(例如，游戏币堆102B)的部分。同样，矩形152覆盖主投置圈103A和游戏币堆103B；矩形153覆盖二次投置圈104A和游戏币堆104B；矩形154覆盖主投置圈105A和游戏币堆105B；矩形155覆盖二次投置圈106A和游戏币堆106B；矩形156覆盖主投置圈107A和游戏币堆107B；矩形157覆盖二次投置圈108A和游戏币堆108B；矩形158覆盖主投置圈109A和游戏币堆109B；矩形159覆盖二次投置圈110A和游戏币堆110B；矩形160覆盖主投置圈111A和游戏币堆111B；以及矩形161覆盖二次投置圈112A和游戏币堆112B。
在游戏系统100(例如，通过覆盖矩形150-161)选择图像数据帧120的部分之后，游戏系统100从图像数据帧120复制所述部分以生成图像集，所述图像集中的每一个具有基于摄像头130的图像捕获设置的一些共同图像特性。例如，尽管每个图像明显小于图像数据帧120的整个大小，但图像数据帧120是以相同的图像分辨率、相同的纵横比、使用相同的曝光和光设置(例如，相同的孔径设置、相同的快门速度设置、相同的ISO设置)等捕获的。因此，每个所复制的部分具有一些共同图像特性(例如，相同的图像分辨率)。
然后，游戏系统100处理图像集以通过神经网络模型196进行最佳传输和分析。例如，在尝试传输该图像集之前，游戏系统100确定神经网络模型196的输入要求195，并且基于输入要求195确定是否修改该图像集中的一个或多个图像以满足输入要求195。例如，游戏系统100确定是否使一些图像更清晰，是否改变一些图像的颜色平衡，是否改变一些图像的对比度，是否改变一些图像的分辨率等。这些改变优化了用于神经网络模型分析的图像。
在一个实例中，游戏系统100可以迭代地(例如，以循环方式)缩放来自图像集的仅最大图像的子集，并在运行后续迭代之前检查(例如，在该子集的每次迭代缩放之后)所述图像集作为整体是否配合到目标矩形(例如，图4中所示的矩形495)中，所述目标矩形表示神经网络模型(例如，神经网络模型196)需要分析的任何给定图像的最大分辨率限制。最大分辨率限制确保神经网络模型196可以在特定时间量内执行对输入图像的分析。然而，最大分辨率限制还限制其将接收的图像的大小。因此，在将该图像集发送至神经网络模型之前，可以对该图像集中的任一个图像进行的任何处理都是优选的。
在一个实施例中，游戏系统100通过确定图像集中的哪一个(一些)图像具有该集中的最高图像质量值(例如，确定在每次迭代期间该图像集中的哪一个(一些)最大)来智能地处理该图像集，然后将这个(些)图像缩放某一递增量(例如，将图像中的最大图像的宽度缩放1个像素，并基于摄像头的纵横比按比例缩放高度)。图像集中的最小图像未被缩放。一旦子集被充分缩放，使得图像集中的所有图像不彼此重叠地配合到矩形中，那么整个图像集被打包成单元(例如，精灵表单190)中并作为单元(例如，作为单个图像文件)传输至神经网络模型196以进行并行评估。这确保了来自图像集的较小图像保留其在从图像数据帧120捕获时的原始质量。因此，游戏系统可以为神经网络模型提供满足其输入要求的单个图像，并且图像集中的每一个(从修改/缩放的较大图像到未缩放的较小图像)具有足够的图像质量，以由神经网络模型进行分析和可信识别以及分类。此外，由于仅一个图像文件(例如，精灵表单190)(例如，经由通信网络122)被传输，而不是单独传输图像集中的每一个，因此需要传输的数据的总量(通过缩放)减少，从而减少了网络传输时间，并且因此游戏系统可以快速且准确地从神经网络模型获得分析数据。
图2是用于跟踪游戏区域201中的投置游戏的各方面的示例游戏系统200的框图。在示例实施例中，游戏系统200包括游戏控制器202、跟踪控制器204、传感器系统206和跟踪数据库系统208。在其它实施例中，游戏系统200可包括更多、更少或替代的部件，包括本文其它地方描述的那些部件。
游戏区域201是提供一个或多个游戏场投置游戏的环境。在示例实施例中，游戏区域201是游戏场游戏桌和该桌周围的区域(例如，如图1中)。在其它实施例中，其它合适的游戏区域201可由游戏系统200监测。例如，游戏区域201可包括一台或多台落地式电子游戏机。在另一实例中，多个游戏桌可由游戏系统200监测。尽管本文的描述可以将游戏区域(例如，游戏区域201)称为单个游戏桌和游戏桌周围的区域，但应理解，可通过采用与本文所述相同、类似和/或修改细节，将其它游戏区域201与游戏系统200一起使用。
游戏控制器202被配置成促进、监测、管理和/或控制游戏区域201处的一个或多个游戏的玩游戏。更具体地，游戏控制器202通信耦合到跟踪控制器204、传感器系统206、跟踪数据库系统208、游戏装置210、外部接口212和/或服务器系统214中的至少一者或多者，以接收、生成和传输与游戏、玩家和/或游戏区域201有关的数据。游戏控制器202可包括一个或多个处理器、存储器装置和通信装置以执行本文所述的功能。更具体地，存储器装置存储计算机可读指令，所述计算机可读指令在由处理器执行时，使游戏控制器202如本文所述起作用，包括经由通信装置与游戏系统200的装置通信。
游戏控制器202可物理地位于如图2所示的游戏区域201处或远离游戏区域201定位。在某些实施例中，游戏控制器202可以是分布式计算系统。也就是说，若干装置可以一起操作以提供游戏控制器202的功能。在此类实施例中，图2中描述的装置(或其功能)中的至少一些可并入分布式游戏控制器202内。
游戏装置210被配置成促进游戏的一个或多个方面。例如，对于基于纸牌的游戏，游戏装置210可以是纸牌洗牌机、发牌盒或其它纸牌处理装置。外部接口212是将信息呈现给玩家、发牌人或其它用户的装置，并且可以接受要提供给游戏控制器202的用户输入。在一些实施例中，外部接口212可以是与游戏控制器202通信的远程计算装置，例如玩家的移动装置。在其它实例中，游戏装置210和/或外部接口212包括一个或多个投影仪。服务器系统214被配置成向游戏控制器202提供一个或多个后端服务和/或玩游戏服务。例如，服务器系统214可包括监测游戏区域201的投置、奖励和累积投置的会计服务。在另一实例中，服务器系统214被配置成通过将玩游戏指令或结果发送至游戏控制器202来控制玩游戏。应理解，上文所描述的与游戏控制器202通信的装置仅出于示范性目的，并且另外的、更少或替代装置可与游戏控制器202通信，包括本文其它地方所描述的那些装置。
在示例实施例中，跟踪控制器204与游戏控制器202通信。在其它实施例中，跟踪控制器204与游戏控制器202集成，使得游戏控制器202提供如本文所述的跟踪控制器204的功能。类似于游戏控制器202，跟踪控制器204可以是单个装置或分布式计算系统。在一个实例中，跟踪控制器204可以至少部分地远离游戏区域201定位。也就是说，跟踪控制器204可以从位于游戏区域201的一个或多个装置(例如，游戏控制器202和/或传感器系统206)接收数据，分析所接收的数据，和/或基于分析将数据传回。
在示例实施例中，跟踪控制器204类似于示例游戏控制器202包括一个或多个处理器、存储器装置和至少一个通信装置。存储器装置被配置成存储计算机可执行指令，所述计算机可执行指令在由处理器执行时，使跟踪控制器204执行本文所述的跟踪控制器204的功能。通信装置被配置成使用任何合适的通信协议与外部装置和系统通信，以使跟踪控制器204能够与外部装置交互，并且将跟踪控制器204的功能与外部装置的功能集成。跟踪控制器204可包括若干通信装置以促进使用不同通信协议与各种外部装置通信。
跟踪控制器204被配置成监测游戏区域201的至少一个或多个方面。在示例实施例中，跟踪控制器204被配置成监测区域201内的物理对象，并确定一个或多个对象之间的关系。一些对象可包括游戏币。游戏币可以是用于投置的任何物理对象(或一组物理对象)。如本文所使用，术语“堆”是指物理分组在一起的一个或多个游戏币。对于通常在游戏场游戏环境中发现的圆形游戏币(例如，游戏币)，这些游戏币可以一起分组到竖直堆中。
在示例实施例中，跟踪控制器204通信地耦合到传感器系统206以监测游戏区域201。更具体地，传感器系统206包括一个或多个传感器，该一个或多个传感器被配置成采集与游戏区域201相关联的传感器数据，并且跟踪系统204接收和分析所采集的传感器数据以检测和监测物理对象。传感器系统206可包括任何合适数目、类型和/或配置的传感器，以将传感器数据提供至游戏控制器202、跟踪控制器204和/或可受益于传感器数据的另一装置。
在示例实施例中，传感器系统206包括至少一个图像传感器，该至少一个图像传感器被定向成捕获游戏区域201中的物理对象的图像数据。在一个实例中，传感器系统206可包括监测游戏区域201的单个图像传感器。在另一实例中，传感器系统206包括多个图像传感器，该多个图像传感器监测游戏区域201的细分区。图像传感器可以是传感器系统206的摄像头单元的一部分或三维(3D)摄像头单元，其中图像传感器结合其它图像传感器和/或其它类型的传感器可以采集与图像数据有关的深度数据，该深度数据可用于区分图像数据内的对象。图像数据被传输到跟踪控制器204以供如本文所述的分析。在一些实施例中，图像传感器被配置成传输经有限图像处理或分析的图像数据，使得跟踪控制器204和/或接收图像数据的另一装置执行图像处理和分析。在其它实施例中，图像传感器可在传输图像数据之前执行至少一些初步图像处理和/或分析。在此类实施例中，图像传感器可被视为跟踪控制器204的延伸，因此，本文所述的与由跟踪控制器204执行的图像处理和分析有关的功能可以由图像传感器(或图像传感器的专用计算装置)执行。在某些实施例中，除了图像传感器之外或代替图像传感器，传感器系统206还可包括被配置成检测对象的一个或多个传感器，例如飞行时间传感器、雷达传感器(例如，LIDAR)、热成像传感器等。
跟踪控制器204被配置成建立与在来自图像传感器的图像数据中检测到的各种物理对象有关的数据结构。例如，跟踪控制器204在图像分析期间应用一个或多个图像神经网络模型，该一个或多个图像神经网络模型被训练以检测物理对象的各方面。神经网络模型是在不需要用户输入的情况下对未分类的输入数据进行分类的分析工具。未分类的输入数据可以是由图像传感器捕获的“原始”数据、修改的数据，或其任何组合。神经网络模型可用于将图像数据内的模式转换为例如游戏币、面部、手部等的数据对象表示，从而促进如本文所述的对图像数据中检测到的对象的数据存储和分析。
在简化的层面上，神经网络模型是一组节点功能，其具有应用于每个功能的相应权重。节点功能和相应权重被配置成接收某种形式的输入数据(例如，图像数据)，在输入数据内建立模式，并且基于已建立的模式生成输出。将权重应用于节点功能以促进模型优化，从而识别某些模式(即，将增加的权重赋予产生正确输出的节点功能)，和/或适应新模式。例如，神经网络模型可以被配置成接收输入数据，检测表示人体部分的图像数据中的模式，执行图像分割，以及生成将图像数据的一个或多个部分分类为表示玩家的身体部分的分段的输出(例如，具有相对于包封面部、臂部、手部等并将所包封的区域分类为“人”、“面部”、“臂部”、“手部”等的图像数据的坐标的方框)。
例如，为了训练神经网络以识别用于识别人体部分的最相关的猜测，例如，将包括人体部分的图像数据以及具有已知输出的原始图像数据的预定数据集提供给神经网络。当将每个节点功能应用于具有已知输出的原始输入时，执行纠错分析，使得产生接近或匹配已知输出的输出的节点功能可以被赋予增加的权重，而具有显著错误的节点功能可以被赋予减小的权重。在识别人的面部的实例中，一致地识别面部特征(例如，鼻、眼、口等)的图像模式的节点功能可以被赋予额外权重。类似地，在识别人的手部的实例中，一致地识别手部特征(例如，手腕、手指、手掌等)的图像模式的节点功能可以赋予额外权重。然后组合评估节点功能的输出(包括相应权重)以提供例如表示人的面部的数据结构的输出。可以重复训练以进一步优化模型的模式识别，并且模型仍可在部署期间(即，没有已知数据输出的原始输入)进行优化。
由跟踪控制器204应用的神经网络模型中的至少一些可以是深度神经网络(DNN)模型。DNN模型包括至少三层链接在一起的节点功能，以将图像分析的复杂性分解到增加从原始图像数据提取的一系列步骤中。例如，对于被训练以检测来自图像的人的面部的DNN模型，可以训练第一层以识别表示面部特征的边界的像素组，可以训练第二层以基于所识别的边界将面部特征识别为整体，并且可以训练第三层以确定所识别的面部特征是否形成面部，并且将此面部与其它面部区分开。DNN模型的多层性质可以促进更有针对性的权重、减少数目的节点功能和/或图像数据的管线处理(例如，对于三层DNN模型，模型的每个阶段可并行处理图像数据的三个帧)。
在至少一些实施例中，由跟踪控制器204应用的每个模型可以被配置成识别图像数据的特定方面并提供不同输出，使得跟踪控制器204可将神经网络模型的输出聚合在一起以识别如本文所述的物理对象。例如，一个模型可被训练以识别人的面部，而另一个模型可被训练以识别玩家的身体。在此实例中，跟踪控制器204可以通过分析两个模型的输出将玩家的面部与玩家的身体链接在一起。在其它实施例中，单个DNN模型可被应用于执行若干模型的功能。
跟踪控制器204可以为在由DNN模型捕获的图像数据内识别的每个物理对象生成数据对象。数据对象是被生成以将与对应的物理对象相关联的数据链接在一起的数据结构。例如，与玩家相关联的若干DNN模型的输出可以作为玩家数据对象的一部分链接在一起。
应理解，数据对象的底层数据存储可以根据存储数据对象的一个或若干存储器装置的计算环境而变化。也就是说，例如编程语言和文件系统的因素可以(例如，通过数据存储的单个块分配、通过用将数据链接在一起的指针的分布式存储等)改变数据对象存储的位置和/或方式。另外，一些数据对象可以存储在若干不同的存储器装置或数据库上。
在一些实施例中，玩家数据对象包括玩家标识符，并且其它物理对象的数据对象包括其它标识符。标识符唯一地识别物理对象，使得存储在数据对象中的数据绑定到物理对象。在一些实施例中，标识符可以并入到其它系统或子系统中。例如，玩家账户系统可以将玩家标识符存储为玩家账户的一部分，该玩家标识符可用于向玩家提供福利、奖励等。在某些实施例中，标识符可以由可能已经生成标识符的其它系统提供给跟踪控制器204。
在至少一些实施例中，数据对象和标识符可由跟踪数据库系统208存储。跟踪数据库系统208包括一个或多个数据存储装置(例如，一个或多个数据库)，其以结构化、可寻址方式存储来自至少跟踪控制器204的数据。也就是说，跟踪数据库系统208根据一个或多个链接的元数据字段存储数据，所述一个或多个链接的元数据字段识别所存储的数据类型，并且可以用于跨若干元数据字段将所存储的数据分组在一起。所存储的数据是可寻址的，使得可在初始存储之后跟踪跟踪数据库系统208内所存储的数据，以进行检索、删除和/或后续数据操作(例如，编辑或移动数据)。跟踪数据库系统208可根据一个或多个合适的文件系统结构(例如，FAT、exFAT、ext4、NTFS等等)被格式化。
跟踪数据库系统208可以是分布式系统(即，数据存储装置分配到多个计算装置)或单个装置系统。在某些实施例中，跟踪数据库系统208可与一个或多个计算装置集成，所述一个或多个计算装置被配置成向游戏系统200和/或其它游戏系统提供其它功能。例如，跟踪数据库系统208可与跟踪控制器204或服务器系统214集成。
在示例实施例中，跟踪数据库系统208被配置成促进对跟踪控制器的所存储的数据的查找功能。查找功能将由跟踪控制器204提供的输入数据与存储在跟踪数据库系统208内的数据进行比较，以识别任何“匹配”数据。应理解，查找功能的上下文内的“匹配”可指输入数据相同、基本上相似或链接到跟踪数据库系统208中的所存储的数据。例如，如果输入数据是玩家面部的图像，则可以执行查找功能以将输入数据与一组历史玩家的存储图像进行比较，从而确定输入数据中捕获的玩家是否为返回玩家。在此实例中，一个或多个图像比较技术可用于识别由跟踪数据库系统208存储的任何“匹配”图像。例如，可以从输入数据提取用于区分玩家的关键视觉标记，并将其与所存储的数据的类似关键视觉标记进行比较。如果在跟踪数据库系统208内找到相同或基本上相似的视觉标记，则可检索匹配的存储图像。除匹配图像之外或代替匹配图像，可在查找功能期间检索链接到匹配的存储图像的其它数据，例如玩家账号、玩家的姓名等。在至少一些实施例中，跟踪数据库系统208包括被配置成执行查找功能的至少一个计算装置。在其它实施例中，查找功能由与跟踪数据库系统208通信的装置(例如，跟踪控制器204)或跟踪数据库系统208集成在其中的装置执行。
在一些实施例中，实施一个或多个图像神经网络模型以分析所捕获的图像。在一些实例中，可以通过跟踪控制器204一起实施若干神经网络模型以从图像数据提取不同特征。也就是说，可以训练神经网络模型以识别物理对象的特定特性。例如，可以训练一个神经网络模型以识别人类面部，同时可以训练另一神经网络模型以识别人类躯干，同时可以训练又一神经网络模型以识别人类手部。尽管图像神经网络模型的输出可以根据每个模型的特定功能而变化，但输出通常包括一个或多个数据元素，该一个或多个数据元素以可由跟踪控制器和/或其它计算装置识别和处理的格式表示图像数据中的人或对象的物理特征或特性。例如，一个示例神经网络模型可以用于检测图像数据中的玩家的手，并且输出表示所检测的手的“关键”物理特征(例如，关节或指关节相对于彼此的位置、掌纹、手指的大小等)的数据元素的图。所述图可以指示由图像数据限定的空间内的每个手特征的相对位置(在单个二维图像的情况下，所述空间可以是对应的二维平面)，并且将若干手特征聚集在一起以区分所检测的手。输出的图是具有已知结构和格式的基础原始图像数据的数据抽象，这可能有利于在其它装置和/或软件模块中使用。在示例实施例中，将图像神经网络模型应用于图像数据使跟踪控制器生成一个或多个关键数据元素作为图像处理(包括所述模型)的输出。关键数据元素可以包括至少部分地基于对应神经网络模型的任何合适量和/或类型的数据。至少一些关键数据元素包括位置数据，所述位置数据指示至少部分地由图像数据的范围限定的空间内所表示的物理特性的相对位置。关键数据元素可以包括但不限于边界框、关键特征点、矢量、线框、轮廓、姿态模型等。边界框是视觉边界，其将对象包封在图像中并且根据多个预定义类别(例如，类别可包括“人类”、“手”、“游戏币”、“游戏币堆”等)对包封对象进行分类。边界框可以与单个类别或若干类别相关联(例如，玩家可分类为“人类”和“男性”两者)。与边界框类似，关键特征点对图像数据中的对象的特征进行分类，而不是将单个位置分配给已分类的特征。
在一些实施例中，跟踪控制器204被配置成(在关键数据元素被生成之后)组织关键数据元素以识别每个相应的物理对象。也就是说，跟踪控制器204可以被配置成至少部分地基于由关键数据元素表示的物理特性与彼此的物理接近度而将神经网络模型的输出分配给特定对象。在一些实施例中，跟踪控制器204被配置成至少部分地基于关键玩家数据元素来生成与玩家相关联的玩家数据对象。玩家数据对象是归属于单个玩家使得跟踪控制器204可以将来自各个来源(例如，不同神经网络模型)的与玩家相关联的数据一起存储为玩家数据对象的数据存储(即，多个预定义数据元素和对应元数据)的结构化分配。在一些实施例中，关键玩家数据元素存储在玩家数据对象内。在其它实施例中，跟踪控制器204可以基于要存储在玩家数据对象(例如，表示关键玩家数据元素的组合的聚合姿态模型)内的关键玩家数据元素来生成数据。在一些示例中，玩家数据对象链接到与玩家唯一关联的玩家标识符。玩家标识符可以由跟踪控制器204生成，或者可以从存储玩家标识符的另一系统或装置检索。
例如，玩家标识符可以由玩家账户系统存储为与玩家相关联的玩家账户的一部分。在此实例中，为了检索玩家标识符，跟踪控制器204可以将请求传输至玩家跟踪系统，所述请求包括可用于识别玩家的生物特征数据，例如玩家的面部的图像和/或关键玩家数据元素。如果发现匹配，则玩家跟踪系统可以将玩家标识符传输回到跟踪控制器204。如果找不到匹配的玩家账户，跟踪控制器204可以生成玩家标识符。
在另一实例中，历史玩家数据对象可存储在数据库(例如，跟踪数据库系统208)中。例如，跟踪数据库系统208可以存储由跟踪控制器204生成和/或收集的历史玩家数据。历史玩家数据可以包括但不限于历史关键数据元素、历史玩家数据对象和/或历史玩家标识符。跟踪控制器204可以被配置成将来自玩家数据对象的数据与存储在跟踪数据库系统208中的历史玩家数据对象进行比较，以确定玩家数据对象(和相关联的玩家)是否与先前生成的玩家数据对象匹配。如果发现匹配，则可以从跟踪数据库系统208检索玩家标识符和/或其它合适的历史数据以将其包括在玩家数据对象中。如果未发现匹配，则玩家标识符可以由跟踪控制器204生成以包括在玩家数据对象中。在其它实施例中，在与由跟踪数据库系统208存储的历史玩家数据进行比较之前，可能不会生成玩家数据对象。也就是说，可以将关键玩家数据元素与跟踪数据库系统208内存储的玩家数据进行比较，以确定先前是否已生成与玩家相关联的玩家数据对象。如果发现匹配的玩家数据对象，则可以利用关键玩家数据元素检索和更新匹配的玩家数据对象。如果未发现匹配，则生成玩家数据对象。
在一些实施例中，游戏系统200可促进通过图像跟踪的匿名化玩家跟踪，从而使得不希望提供其姓名或其它个人可识别信息的玩家能够潜在地获得玩家账户的至少一些益处，同时通过增强的游戏跟踪来改善对游戏环境的管理。也就是说，如果玩家没有玩家账户，仍可使用从图像数据提取的生物统计数据来跟踪玩家，并且玩家可获得被跟踪游戏的益处，例如针对该玩家的历史表现和/或参与度的奖励。生物统计数据是通过玩家的一个或多个检测到的物理特征将玩家与其他人区分开来的数据。生物统计数据可以包括但不限于关键玩家数据元素和/或源自关键玩家数据元素的数据。
在具有匿名化玩家跟踪的实施例中，跟踪控制器204可确定现有玩家账户与玩家不相关联，接着生成玩家标识符或者从跟踪数据库系统208内的历史玩家数据检索玩家标识符。匿名化玩家标识符可以与玩家暂时相关联，直到预定时间段或预定的不活动时段(即，在某一时间段内未检测到玩家或没有玩家参与游戏)到期。在到期时，可以从存储装置删除玩家数据对象和/或玩家标识符，并且玩家标识符被重新引入要分配给其他玩家的可用玩家标识符池中。
在一些实施例中，跟踪控制器204被配置成基于关键游戏币数据元素生成其它标识符，例如游戏币堆的游戏币标识符。与玩家标识符一样，游戏币标识符唯一地识别游戏币堆。游戏币标识符可用于将游戏币堆链接到玩家。跟踪控制器204可以基于关键游戏币数据元素和/或来自外部系统和/或传感器系统的其它合适的数据元素生成其它数据。游戏币标识符可以临时分配给游戏币堆。也就是说，游戏币堆可以随时间推移改变(例如，游戏币的添加或移除、将堆分成较小集等)，并且因此，由关键游戏币数据元素指示的区分游戏币堆的特征可能不会保持固定。与可在相对延长的时间段(例如，两周到一个月)之后到期的匿名化玩家标识符不同，游戏币标识符可在相对较短的时间段内(例如，一天)内“到期”，以确保游戏币标识符池可用于新检测到的游戏币堆或集。在某些实施例中，游戏币标识符可以响应于在游戏桌上进行的游戏的游戏事件而重置。例如，游戏轮次和/或派彩过程的结束可以使至少一个或多个游戏币标识符被重置。在一些实施例中，跟踪控制器204被配置成响应于确定玩家是游戏币集的所有者或发起者而将游戏币集和玩家链接在一起。更具体地，跟踪控制器204检测由关键玩家数据元素和关键游戏币数据元素表示的物理特性之间的物理接近度，然后将游戏币标识符链接到玩家数据对象。物理接近度可以指示例如玩家在其手中持有游戏币集。在一个实例中，通过将关键游戏币数据元素的位置数据和与图像数据中存在的玩家相关联的一个或多个玩家数据对象的位置数据进行比较来确定物理接近度。例如，通过将游戏币标识符与玩家数据对象一起存储或存储在玩家数据对象内来执行链接。玩家数据对象可以被配置成在给定时间存储一个或多个游戏币标识符，以使得多个游戏币集能够与玩家相关联。然而，在一些实施例中，每个游戏币标识符可以在给定时间链接到单个玩家数据对象，以防止游戏币集被错误地归属于中间玩家。如本文所使用，“中间玩家”是可以处理或拥有玩家与投置区域之间的游戏币集的玩家。例如，后台玩家可以将其游戏币传递给活动玩家，以到达游戏桌上的投置区。在此实例中，活动玩家尚未获得游戏币的所有权，而仅仅是充当中间人，以帮助后台玩家投置。即使跟踪控制器204可以检测游戏币集与中间玩家之间的物理关系或接近度，原始玩家和游戏币集的先前链接可以防止跟踪控制器204将游戏币集归属于中间玩家。
将游戏币集链接到特定玩家可具有若干优点。例如，可以通过向发牌人提供关于(i)谁下了哪个投置和(ii)用于定位奖励的获胜玩家的至少一些可识别信息的改进信息来改进分派奖励过程。例如，游戏控制器202和/或跟踪控制器204可以监测游戏桌处的玩游戏，确定游戏结果，并确定哪些(如果有的话)投置与产生奖励的获胜结果相关联。跟踪控制器204可以将奖励消息传输至游戏控制器102和/或发牌人界面(未示出)，从而以视觉方式向发牌人指示与获胜结果投置相关联的一个或多个玩家。奖励消息可包括获胜玩家的指示，例如但不限于玩家的面部图像、玩家的姓名、别名等。在某些实施例中，跟踪控制器204可包括显示器、扬声器和/或其它视听装置以呈现来自奖励消息的信息。
在至少一些实施例中，跟踪控制器204被配置成生成一个或多个跟踪消息以传输到一个或多个外部装置或系统。更具体地，与跟踪控制器204通信的其它系统的功能可以得到增强和/或依赖于来自跟踪控制器204的数据。在一些实施例中，跟踪消息被传输至服务器系统214。跟踪消息是具有预定格式使得跟踪控制器204和跟踪消息的接收者可以区分跟踪消息的数据元素的数据结构。跟踪消息的内容可以针对跟踪消息的预期接收者定制，并且传输到不同接收者的跟踪消息在跟踪消息的结构和/或内容上可以不同。
在一个实例中，与跟踪控制器204通信的玩家账户系统可接收跟踪消息，以在由跟踪控制器204监测的游戏环境内识别存在玩家账户的任何玩家。在此实例中，跟踪消息可包括指示玩家的定位的定位数据。定位数据可以指示由跟踪控制器204监测的区域，或者定位数据可以包括玩家的定位的另外细节，例如，由跟踪控制器204至少部分地基于玩家的关键玩家数据元素的位置监测的区域内的玩家的近似定位。在另一实例中，跟踪消息可以被传输至游戏控制器和/或会计系统，以监测投置、奖励以及与每个投置和奖励相关联的玩家。
在一些实施例中，游戏系统200随时间推移分析多个图像。例如，针对(在第一时间捕获的)图像数据的第一帧，游戏系统200可以生成物理对象的边界框，然后将该边界框用于(在第一时间之后的第二时间捕获的)第二图像数据帧。边界框可以是一个或多个底层关键游戏币数据元素的视觉或图形表示。例如，但不限于，关键游戏币数据元素可以指定边界框的每个拐角在帧内的坐标、边界框的中心坐标和/或边界框的侧面的矢量坐标。其它关键游戏币数据元素可以与边界框相关联，所述其它关键游戏币数据元素不用于指定边界框在帧内的坐标，例如但不限于分类数据(即，将帧中的对象分类为“游戏币集”)和/或值数据(例如，识别游戏币集的值)。例如，针对由跟踪控制器204分析的每个帧更新边界框的位置，使得特定游戏币集可以随时间被跟踪。在至少一些实施例中，跟踪控制器204将针对特定帧生成的关键游戏币数据元素与先前分析的帧的关键游戏币数据元素进行比较，以确定先前是否已检测到游戏币集。先前分析的帧可以包括在某个时间段内(例如，十秒、一分钟或自游戏开始起)的紧邻的先前帧和/或从一组分析的帧提取的特定帧，以减少数据存储量并减少执行关键游戏币数据元素的比较所需的数据处理。例如，跟踪控制器204可以被配置成检测所捕获的图像数据中的玩家的三个方面：(i)面部，(ii)手部，和(iii)姿态。如本文所使用，“姿态”或“姿态模型”可以指将玩家的其它物理特性链接在一起的物理特性。例如，玩家的姿态可以包括来自玩家的面部、躯干和/或手臂的特征以将玩家的面部和手部链接在一起。跟踪控制器204可以生成用于所识别的物理特性的各种边界框，例如，左手边界框、右手边界框、姿态模型、面部或头部边界框和面部特征点。在一些实施例中，边界框是由跟踪控制器204应用的一个或多个神经网络模型的输出。姿态模型可以用于将来自多个神经网络模型的输出链接在一起，以将输出与单个玩家相关联。也就是说，在生成关键玩家数据元素时，由跟踪控制器204生成的关键玩家数据元素可能不会立即与玩家相关联。相反，关键玩家数据元素被拼接或链接在一起以形成如本文中所描述的玩家数据对象。形成姿态模型的关键玩家数据元素可用于查找与特定玩家相关联的不同输出之间的链接。在一些实例中，姿态模型包括姿态特征点和连接器。姿态特征点表示玩家的关键特征，其可用于区分玩家与其他玩家，和/或识别玩家的移动或动作。例如，玩家的眼睛、耳朵、鼻子、嘴角、肩关节、肘关节和手腕可以由相应的姿态特征点表示。姿态特征点可包括相对于捕获的图像数据的坐标，以促进不同特征点和/或其它关键玩家数据元素的位置分析。姿态特征点还可以包括指示哪个特征由相应的姿态特征点表示的分类数据。连接器将玩家的姿态特征点视觉地链接在一起。可以在某些姿态特征点之间外推连接器(例如，在表示玩家的手腕和肘关节的姿态特征点之间外推连接器)。在一些实施例中，姿态特征点可以通过由跟踪控制器204应用于所捕获的图像数据的一个或多个对应神经网络模型(例如，经由连接器和/或通过将特征点链接到同一玩家)来组合。在其它实施例中，跟踪控制器204可以执行一个或多个过程以将姿态特征点与特定玩家相关联。例如，跟踪控制器204可以比较姿态特征点的坐标数据以识别所表示的物理特性之间的关系(例如，眼睛在物理上靠近鼻子，因此确定眼睛和鼻子是同一玩家的一部分)。
姿态特征点中的至少一些可以用来将其它关键玩家数据元素链接到姿态模型(并且通过扩展，链接到玩家)。更具体地，至少一些姿态特征点可以表示与其它关键玩家数据元素相同或附近的物理特征或特性，并且基于姿态特征点与另一关键玩家数据元素之间的位置关系，可以识别物理关系。在一个实例中，姿态特征点包括手腕特征点，该手腕特征点表示由跟踪控制器204在所捕获的图像数据中检测到的手腕。可以将手腕特征点与多个手边界框比较(或反之亦然，使得手边界框与多个手腕特征点进行比较)，以识别与手边界框中的一个的位置关系，并且因此识别手腕与手之间的物理关系。
在至少一些实施例中，跟踪控制器204被配置成生成标注图像数据。标注图像数据可以是至少添加了由跟踪控制器204生成的数据的图形和/或元数据表示的图像数据。例如，如果跟踪控制器204生成包封手的边界框，则可以将边界框的图形应用于图像数据以表示所生成的边界框。标注图像数据可以是选择性地应用于图像数据的图像滤波器，或者将图像数据与来自跟踪控制器204的数据聚合在一起的全新数据文件。标注图像数据可以存储为单个图像和/或视频文件。标注图像数据可以作为历史对象数据的一部分存储在数据库(例如，跟踪数据库系统208)中。
在其它实例中，其它合适的图像处理技术和工具可以由跟踪控制器204代替神经网络模型或与神经网络模型组合实施。例如，(例如，传感器系统206的)3D摄像头可以生成深度图，该深度图提供与图像数据有关的深度信息，使得对象可以基于深度彼此区分和/或分类。可以根据深度图生成一些关键数据元素。在另一实例中，(例如，传感器系统206的)LIDAR传感器可以被配置成检测对象以生成关键数据元素。
图3是根据本公开的一个或多个实施例的用于游戏环境图像和跟踪优化的示例方法的流程图。图4和图5是根据本公开的一个或多个实施例的与图3中所示的数据流相关联的图。在图3的描述中将参考图4和图5。
在图3中，流程300开始于处理块302，接收由游戏桌处的摄像头捕获的图像数据帧。例如，如图1中所示，摄像头130使用摄像头130的图像捕获设置捕获图像数据帧120。在另一实例中，图像数据的视频流由摄像头捕获且被发送至跟踪控制器(例如，图2中所示的跟踪控制器204)以进行图像处理和/或分析以识别游戏区域中的物理对象。
在一些实施例中，图像捕获设置可以包括但不限于以下中的一者或多者：
捕获图像数据的图片分辨率设置。在一些情况下，图片分辨率的水平取决于神经网络模型基于游戏状态识别感兴趣区域内的物理对象所需的细节水平。
纵横比设置。
快门速度设置。有些快门速度对于可能快速移动的物理对象是最佳的。例如，在某些游戏状态期间，游戏系统跟踪玩家的手。因为手可以快速移动，所以以较高快门速度拍摄手的照片减少或消除由于快速手移动而可能在图像数据帧上出现的模糊。基于环境光设置，某些快门速度可能是最佳的。例如，需要精确跟踪对象特征或需要识别对象的物理特性的细节的一些游戏状态可包括允许较长曝光时间使得可以在源图像中捕获更多详细信息的设置。
孔径大小设置。
变焦设置。例如，一些游戏状态可能仅与游戏区域的某个或某些部分相关。因此，一些图像捕获设置可以被设定成放大或缩小来自摄像头的图像馈送中的特定区域。
参考一组覆盖矩形的模板名称的设置。该组覆盖矩形可以位于从游戏桌处的摄像头捕获的图像数据帧上的一个或多个特定区域上方(例如，参见图1)。在某些情况下，该设置从图像捕获设置库指定模板的名称。例如，图5示出了示例库501，游戏系统可以利用该示例库至少部分地基于特定游戏状态(或游戏状态的组合或其它游戏条件)自动地且动态地选择游戏桌处的图像捕获设置。例如，游戏系统可以检测到第一游戏状态503(例如，投置模式)在游戏桌处发生。因此，游戏系统从库501选择对应于第一游戏状态503的模板505。对于图像数据帧的不同区域，可以存在不同类型和在不同定位的矩形。例如，对于第二游戏状态510(例如，主游戏模式)，游戏系统可以选择具有与发生游戏活动(例如发纸牌)的区域相关联的矩形的模板512。在另一实例中，对于第三游戏状态520(例如，奖励游戏或“打手势”模式)，游戏系统可以选择覆盖位于图像数据帧的下三分之一中的区域的模板522，其中游戏系统将需要检测某些手势的执行或跟踪玩游戏元素，例如纸牌、轮盘、骰子等。对于第四游戏状态530(例如，服务模式)，游戏系统可以选择涵盖几乎所有区域的模板533。另外，库501还指定摄像头设置，该摄像头设置对于捕获特定类型的活动的图像和/或对于出于特定游戏状态目的跟踪的特定类型的对象将是最佳的。一些摄像头设置可能需要较高分辨率和较长曝光时间(例如，以在投置模式期间跟踪游戏币)，而其它摄像头设置可能需要较低分辨率，较短曝光时间(例如，以在打手势模式期间跟踪手)。
返回参考图3，流程300在处理块304处继续，根据图像数据帧的部分生成图像集。在一个实例中，游戏系统通过自动地从如先前所述的模板库选择和使用一个或多个覆盖矩形来生成图像集。例如，游戏系统确定游戏状态是投置模式，因此从库501选择覆盖模板505。如图4中所示，游戏系统自动叠加存储在覆盖模板505中的矩形150-161。然后，游戏系统复制对应于与矩形150-161相关联的一组区域的图像数据的部分(例如，复制/裁剪矩形150-161的边界叠加在其上的帧的区域内的图像数据的部分)。然后，游戏系统将所复制的部分存储为图像集490(例如，存储在存储器缓冲器、阵列、数据库中等)。多个副本中的每一个具有根据图像数据帧120的图像分辨率的相应的图像宽度和图像高度。
在一些实例中，游戏系统可以将来自矩形150-161中的每个矩形的唯一标识符分配给图像集490内包含的图像450-461中的每个相应图像。标识符可用于识别图像450-461相对于彼此的位置以及相对于图像数据帧120的边界的位置。标识符还可用于识别图像450-461(如果被修改)中的每一个，或用于在图像450-461被组织成单元(例如，组织成纹理图集或精灵表单)时跟踪所述图像。
返回参考图3，流程300在处理块306处继续，确定图像集是否满足神经网络模型的输入要求。如果图像集未满足输入要求，则流程300在处理块308处继续，按递增量修改图像集的子集的图像属性。例如，参考图4，游戏系统确定图像集490是否配合到矩形495的区域中，正如它们在从图像数据帧120复制时生成一样。游戏系统可以通过在图像集490上运行打包算法以确定所有图像450-461(以其基于图像数据帧120的分辨率的给定大小)是否将配合到矩形495中，来确定图像集190是否适合。矩形495的面积等于目标高度470(例如，512像素)乘以目标宽度472(例如，512像素)的乘积，从而产生最大输入面积(例如，262,144像素)。
根据一些实施例的打包算法的源代码的实例包括Ville Koskela的矩形打包器演示，网址：https://github.com/villekoskelaorg/RectanglePacking/blob/master/src/org/villekos kela/RectanglePackerDemo.as，其以全文引用的方式并入本文中。
在一些实施例中，游戏系统可以通过确定所有图像450-461的精确大小，然后使用精确大小值运行打包算法来确定图像集490是否满足输入要求。然而，在另一实例中，作为节省时间的措施，游戏系统可以执行快速检查以确定图像集490是否全体满足输入要求。例如，游戏系统可以将图像集490中的最大矩形的最大边的值(例如，宽度492)与自身相乘并与图像集490的成员的总数相乘。积是所有图像集490的最大可能面积。例如，如果图像451(最大图像)的宽度492是二百(200)像素，那么游戏系统可以将该值与自身相乘(例如，200像素x200像素的积＝40,000像素)。接下来，游戏系统将该积的值(例如，40,000像素)乘以数字十二(即，图像集490中的图像的数目是十二)。因此，所有图像集490的最大可能面积为40,000像素x 12＝480,000像素。由于此数目(480,000像素)大于最大目标输入值(大于262,144像素)，因此游戏系统确定图像集490将不会在彼此不重叠的情况下配合到矩形495中。此时，游戏系统接着可使用图像集490中的每一个的高度和宽度的精确值运行更精确的打包算法。
仍参考图4，在一些实施例中，游戏系统在本地(例如，由位于游戏桌的第一处理器，而不是位于神经网络模型的远程位置处的第二装置(例如，服务器)的第二处理器)修改图像集490。
在一些情况下，游戏系统选择在图像集490中具有最高图像质量值的图像450-461中的一个或多个，例如，确定图像450-461中的哪一个的图像分辨率宽度在它们之中大小最大。例如，游戏系统测量图像450-461中的每一个的宽度，并确定该图像451具有最大宽度492。因此，将图像451放置在子集491中。
在其它情况下，游戏系统仅从图像集490选择那些最需要修改(例如，需要缩放尺寸的图像、需要改变对比度的图像、需要锐化的图像等等)或对修改具有最大耐受性(例如，较大图像可以降低分辨率，并且仍可被图像神经网络模型496以可接受的置信水平识别，至少具有与较小图像相同(或更大)的机率)的图像作为子集。通过仅迭代地选择和修改最需要修改或对修改具有最大耐受性的图像，并且不修改其它图像(例如，不修改不需要修改或对修改具有最小耐受性的图像)确保了图像集490中的其它质量较低的图像(例如，较小图像、较模糊图像等)的质量保持与(例如，根据针对给定游戏状态选择的图像捕获设置)捕获的原始图像数据尽可能相同的图片质量。因此，游戏系统可以为神经网络提供该集中的每个图像的最佳图片质量，因此改善神经网络识别和适当地分类图像集490中描绘的对象的机率，从而提高游戏系统识别和分类与游戏状态相关的游戏区域中的物理对象的精度。
仍参考图4，游戏系统将子集中的每个图像缩放特定量。例如，游戏系统将子集491中的一个或多个图像中的每一个的宽度缩放像素宽度减小值。在一个实例中，例如在图4中，游戏系统缩放图像451，使得图像的分辨率针对每次迭代在宽度上减小一个像素值，而在其它实例中，游戏系统缩放图像，使得图像的分辨率在宽度上减小多于一个像素值的特定数目的像素值。特定数目可以基于一个或多个因素而变化，例如(i)图像集490需要缩放以满足输入要求的水平/程度(例如，如果需要进行大量的缩放，那么游戏系统可以首先将像素宽度减小值设置为较大数目的像素(例如，10像素)，并且当子集491的分辨率迭代减小时，像素宽度减小值可以随着子集491的分辨率大小减小而动态减小，并且开始接近将图像集490配合到目标矩形495中所需的所需集体分辨率，(ii)神经网络模型496需要图像集490能够完成图像集490的电子分析或完成针对游戏状态的投置游戏的一个或多个操作的时间量，(iii)矩形450-461的总数目，(iv)游戏状态，等等。
游戏系统还可以将子集491中的每个图像的高度缩放像素高度减小值，其中像素高度减小值包括像素宽度减小值除以图像捕获设置中指示的纵横比(以维持与网络摄像头设置中指定的宽度与高度的纵横比相同的纵横比)。
在一些实施例中，游戏系统不缩放图像集中的至少一个。例如，游戏系统缩放最大图像451，但不缩放较小图像450、452、453、454、455、456、457、458、459、460和461。在将子集491中的每个图像缩放特定量之后，游戏系统再次确定图像集490是否全体配合到目标矩形495中。通过每次重复迭代，游戏系统以递增方式减小最大图像(例如，子集491中的一个或多个)，然后运行打包算法以确定图像集490是否配合到目标矩形495中。
在一些情况下，对于每次迭代，游戏系统评估图像集490中的哪一个(一些)图像最大，并且将所述一个(一些)图像包括在用于图像缩放的子集491中。例如，在分辨率递增减小的一次或多次迭代之后，游戏系统将图像451缩放到使得宽度492变得等于(或小于)图像450的宽度的程度。因此，对于该迭代并且对于任何可能的后续迭代，除了图像451之外，游戏系统还将图像450包括到子集491中。
返回参考图3，流程300在处理块310处继续，当图像集满足输入要求时，将该图像集作为单元传输到神经网络模型。例如，在图4中，在确定图像集490配合到矩形495中之后，游戏系统将图像集490打包成单个图像文件(例如，精灵表单或纹理图集)。游戏系统接着将文件传输至神经网络模型495以并行分析单个图像中的图像集490。这改善了网络带宽资源，因为游戏系统通过网络仅提交一个文件，而不是十二个不同的文件。此外，这提高了神经网络模型可以分析图像集490的速度，因为所有图像都在大致相同的时间被评估。更进一步，这提高了平均置信度得分，因为它仅留下最低质量图像(例如，使最低质量图像保持其原始质量)。
图1–图5示出了一些示例实施例。附加实例可包括游戏系统基于游戏状态将图像集传输到一个或神经网络模型。在一些实例中，游戏系统可以确定将不同图像集(根据图像内的不同类型的矩形)发送至不同神经网络模型和/或将图像集的子集发送至一个或多个不同神经网络模型。
在另一实例中，游戏系统使用一个或多个数据对象来更新矩形集。例如，神经网络模型可以分析来自图像集的图像中的一个，并且确定游戏币堆的高度比标注矩形的高度高。神经网络模型检测到游戏币堆比标注矩形的高度高，并且提供关于实际大小的数据作为通过标识符链接到矩形的一个或多个数据对象。在接收到数据后，游戏系统更新标注矩形的大小以用于后续图像使用和捕获。
在又一些其它实例中，游戏系统利用捕获视觉数据和音频数据的摄像头(例如，网络摄像头)。在处理或传输图像之前，游戏系统执行MJPEG压缩。MJPEG压缩去除任何音频数据，从而减小图像集中的任一个的文件大小。在一些实施例中，游戏系统可以使用看起来具有MJPEG压缩(例如，具有压缩伪影，例如来自网络摄像头图像的噪声)的图像训练神经网络。
在一些实例中，游戏系统基于游戏状态确定是否向本地神经网络模型(例如，存储在游戏桌处的硬件上)而不是远程神经网络模型上的神经网络(例如，存储在可通过互联网访问的远程服务器上的硬件上)发送打包的文件。在一些实施例中，游戏系统可以用手部模糊的图像训练神经网络模型，从而产生更好的分类结果。
在又一些其它实例中，游戏系统可以训练神经网络模型，以仅在堆中的底部游戏币在投置圈内时识别游戏币堆。例如，图像集中的一个图像可以描绘在投置圈后面的游戏币，然而该游戏币仍在图像中描绘的区域内。因此，如果神经网络模型被训练成仅识别某一类型的对象(例如，游戏币形对象)，那么它可能将杂散游戏币识别为被包括为投置。然而，为了防止这种情况发生，对神经网络模型进行训练使得作为识别的条件，堆中的底部游戏币必须在投置圈内部。因此，杂散游戏币不被视为投置的一部分。
图6是用于实施根据本公开的投置游戏的游戏桌1200(其可被配置为图1的游戏桌140)的实施例的透视图。游戏桌1200可以是实体家具物品，投置游戏的玩家可围绕其站立或就坐，并且用于管理或以其他方式参与投置游戏的物理对象可以在其上被支撑、定位、移动、转移和以其它方式操纵。例如，游戏桌1200可包括游戏桌面1202(例如，桌面)，用于管理投置游戏的物理对象可以位于所述游戏桌面上。游戏桌面1202可以是例如覆盖桌的硬表面的毛毡织物，并且通常被称为“布局”的特定于所管理的游戏的设计可以物理地印刷在游戏桌面1202上。作为另一实例，游戏桌面1202可以是透明或半透明材料(例如，玻璃或树脂玻璃)的表面，可位于例如游戏桌面1202上方或下方的投影仪1203可以将特定于被管理的投置游戏的布局照射到所述表面上。在此实例中，投射到游戏桌面1202上的特定布局可以是可改变的，使得游戏桌1200能够用于管理在本公开的范围内的不同变型的投置游戏或其它投置游戏。在任一实例中，游戏桌面1202可包括例如用于玩家位置的指定区域；可发玩家牌、发牌人牌或公牌中的一者或多者的区域；可接受投置的区域；可将投置分组成底池(pot)的区域；以及可显示规则、支付表和与投置游戏有关的其它指令的区域。作为具体的非限制性实例，游戏桌面1202可被配置成本文所描述的任何桌表面。
在一些实施例中，游戏桌1200可包括与游戏桌面1202分开的显示器1210。显示器1210可被配置成面向玩家、潜在玩家和观看者，并且可显示例如被洗牌装置随机选择并且也显示在洗牌装置的显示器上的信息；规则；支付表；实时游戏状态，例如被接受的投置和所发的牌；历史游戏信息，比如投置数量、获胜手数的百分比，和获得的显著的手数；商业游戏名称，游戏场名称，广告和与投置游戏有关的其它指令和信息。在一些实施例中，显示器1210可以是物理固定显示器，例如边缘发光标志。在其它实施例中，显示器1210可响应于刺激而自动改变(例如，可是电子视频监视器)。
游戏桌1200可包括被配置成促进投置游戏的管理的特定机器和设备。例如，游戏桌1200可包括一个或多个纸牌处理装置1204A、1204B。纸牌处理装置1204A可以是例如发牌盒，一次可从其取出来自一副或多副混合游戏纸牌的实体纸牌1206。此类纸牌处理装置1204A可包括例如纸牌1206所在的外壳、从其取出纸牌1206的开口，以及纸牌出示机构(例如，斜坡上的移动砝码，其被构造成将一叠纸牌推下斜坡)，该纸牌呈现机构被构造成连续地呈现新纸牌1206以供从发牌盒取出。
在使用纸牌处理装置1204A的一些实施例中，除了将此类特征包括在洗牌装置中之外或者不是将此类特征包括在洗牌装置中，纸牌处理装置1204A可包括随机数生成器和显示器。除了纸牌处理装置1204A之外，还可包括纸牌处理装置1204B。纸牌处理装置1204B可以是例如洗牌机，该洗牌机被配置成(使用随机数生成器)选择信息以在洗牌机的显示器上显示所选择的信息，对来自一副或多副游戏纸牌的(随机或伪随机)实体游戏纸牌1206进行重新排序，以及呈现随机纸牌1206以用于投置游戏。此类纸牌处理装置1204B可包括例如外壳、被构造成洗牌的洗牌机构，以及纸牌输入和输出(例如，托盘)。洗牌机可包括纸牌识别能力，该纸牌识别能力可在洗牌机内形成一组随机排序的纸牌。纸牌处理装置1204也可是例如其中洗牌机的输出是发牌盒的组合洗牌机和发牌盒。
在一些实施例中，纸牌处理装置(例如，纸牌处理装置1204A或纸牌处理装置1204B)可被配置和编程为管理利用纸牌处理装置进行的投置游戏的至少一部分。例如，纸牌处理装置可被编程和配置成随机化一组纸牌并且根据游戏规则以及玩家和/或发牌人玩游戏选择来单独地递送纸牌以供使用。更具体地，纸牌处理装置可以被编程和配置成例如随机化一组六副完整纸牌，包括一副或多副标准的52张纸牌的游戏纸牌，以及任选地任何专业纸牌(例如，抽牌(cut card)、红利牌、百搭牌或其它专业牌)。在一些实施例中，纸牌处理装置可呈现单个纸牌，一次一张，以便从纸牌处理装置取出。在其它实施例中，纸牌处理装置可以呈现手动或自动转移到纸牌分配发牌盒1204中的整个洗牌的纸牌块。在一些此类实施例中，纸牌处理装置可接受发牌人输入，例如，用于丢弃纸牌的替代纸牌的数目、要添加的切牌的数目，或待完成的部分手牌的数目。在其它实施例中，装置可以接受来自游戏选项菜单的指示游戏选择的发牌人输入，所述游戏选择将选择编程以使纸牌处理装置根据游戏规则、玩家决策和发牌人决策将必要数目的纸牌递送至游戏。在又一些其它实施例中，纸牌处理装置可以呈现用于手动或自动从洗牌机取出且然后插入发牌盒中的完整的一组随机纸牌。作为具体的非限制性实例，纸牌处理装置可以呈现待手动或自动转移到纸牌分配发牌盒中的完整的一组纸牌，或者可以提供单个纸牌的连续供应。
在另一实施例中，纸牌处理装置可以是例如通过使用抓握、提升和插入序列来随机化一组纸牌的分批洗牌机。
在一些实施例中，纸牌处理装置可以采用随机数生成器装置来确定纸牌顺序，例如，最终纸牌顺序或纸牌插入构造为形成纸牌包的隔室中的顺序。隔室可以按顺序编号，并且在递送第一张纸牌之前给每个隔室编号分配随机数。在其它实施例中，随机数生成器可以在纸牌堆中选择一个位置以将堆分成两个子堆，从而在堆内的随机位置处创建插入点。下一张纸牌可插入到插入点中。在又一些其它实施例中，随机数生成器可以在堆中随机选择一个位置以通过激活弹出器随机取出纸牌。
无论随机数生成器是硬件还是软件，其都可以用来实施本公开的特定游戏管理方法。
在一些实施例中，纸牌处理装置可以简单地支撑在游戏桌面1202上。在其它实施例中，纸牌处理装置可安装到游戏桌1202中，使得纸牌处理装置在不使用工具的情况下不能从游戏桌1202手动移除。在一些实施例中，所使用的一副或多副游戏纸牌可以是一副或多副标准的52张纸牌。在其它实施例中，所使用的一副或多副可包括纸牌，例如，扑克牌、百搭牌、红利牌等。洗牌机还可被构造成处理和分发安全牌，例如切牌。
在一些实施例中，纸牌处理装置可包括电子显示器1207，其用于显示与正被管理的投置游戏有关的信息。电子显示器1207可以显示游戏选项菜单、所选游戏的名称、待分发的每手牌的纸牌数目、可接受的其它投置的数量(例如，最大值和最小值)、待发给接收者的纸牌的数目、特定纸牌的特定接收者的位置、赢得和输掉的投置、支付表、获胜手数、输掉手数。在其它实施例中，与投置游戏有关的信息可以显示在另一电子显示器，例如，先前描述的显示器1210上。
用于管理所公开的投置游戏的实施例的纸牌处理装置的类型，以及所使用的一副纸牌的类型和副数可以特定于要实施的游戏。用于本公开的游戏中的纸牌可以是例如来自一副或多副纸牌的标准游戏纸牌，每一副都具有四个花色(梅花、红桃、方块和黑桃)以及按降序排列的A、K、J和十到二的纸牌。作为更具体的实例，六副、七副或八副此类标准纸牌可以混合。通常，六副或八副52张标准游戏纸牌各自可以混合并形成为一组。在洗牌之后，随机组可以全部转移到纸牌处理装置B或另一纸牌处理装置的另一部分中，例如能够读取牌面大小和花色的机械化发牌盒中。
游戏桌1200可包括一个或多个游戏币架1208，该一个或多个游戏币架被构造成促进接受投置，将输掉的投置转移到游戏场，以及换游戏元件1212(例如，游戏币)。例如，游戏币架1208可包括一系列游戏币支持行，每个游戏币支持行可支持不同类型(例如，颜色和面额)的游戏币。在一些实施例中，游戏币架1208可被构造成使用游戏币切分和递送机构自动呈现选定数目的游戏币。在一些实施例中，游戏桌1200可包括投入箱1214。投入箱1214可以是例如安全容器(例如，保险箱或锁箱)，其具有单向开口和安全可锁定开口。此类投入箱1214是本领域已知的，并且可直接并入到游戏桌1200中，并且在一些实施例中，可具有可移动容器。
作为管理游戏的方法的一部分，发牌人1216可以接受来自玩家的一个或多个初始投置，这可以由发牌人1216反映，从而允许玩家将一个或多个游戏元件1212或其它游戏币放置在与投置游戏的各个投置相关联的游戏桌面1202上的指定区域内。在一些实施例中，一旦接受了初始投置，发牌人1216就可以从纸牌处理装置取出实体纸牌1206(例如，单个纸牌、纸牌包，或完整的一组纸牌)。在其它实施例中，实体纸牌1206可以是手动投掷的(即，发牌人1216可以任选地洗纸牌1206以对该组纸牌进行随机化，并且可以从随机化的一组纸牌中用手发纸牌1206)。发牌人1216可以将纸牌1206定位在游戏桌面1202上的指定区域内，其可以根据游戏规则将纸牌1206指定为用作单个玩家牌、公共牌或发牌人牌。游戏场规则可能要求发牌人在发牌之前接受主投置和二次投置。游戏场规则可替代地允许玩家在分牌期间以及在已投置初始投置之后，或在发牌之后但在揭示可用于游戏的所有牌之前，仅下一个投置(即，第二投置)。
在一些实施例中，在发纸牌1206之后且在游戏期间，根据游戏规则，可以接受任何附加投置(例如，游戏投置)，这可以由发牌人1216反映，从而允许玩家将一个或多个游戏元件1212放置在与投置游戏的游戏投置相关联的游戏桌面1202上的指定区域内。发牌人1216可以根据游戏规则执行任何额外发牌。最后，发牌人1216可以解析投置，将赢得的投置奖励给玩家，这可以通过将游戏元件1212从游戏币架1208提供给玩家来实现，并将输掉的投置转移到游戏场，这可以通过将游戏元件1212从指定的玩家投置区域移动到游戏币架1208来实现。
图7是被配置成用于实施根据本公开的投置游戏的单个电子游戏装置1300(例如，电子游戏机(EGM))的透视图。单个电子游戏装置1300可包括单个玩家位置1314，其包括玩家输入区域1332，该区域被配置为使玩家能够通过各种输入装置(例如，按钮、杆、触摸屏)与单个电子游戏装置1300进行交互。玩家输入区域1332还可包括票证输入接收器，通过所述接收器，玩家可将票证馈送到单个电子游戏装置1300，该电子游戏装置接着可与单个电子游戏装置1300中的游戏逻辑电路相关联检测物理物品(票证)。在其它实施例中，单个电子游戏装置1300检测指示电子投置被投置的信号。然后，在玩家使用玩家输入区域1332或机器上的其它地方(例如通过触摸屏)时，投置可以被接收。单个电子游戏装置1300还可在单个玩家位置1312中包括票证输出打印机或出钞器，可在收到由玩家使用玩家输入区域1332输入的指令时，通过该票证输出打印机或出钞器向玩家发放点数余额的奖励。
单个电子游戏装置1300可包括游戏屏幕1374，该游戏屏幕被配置为显示用于与单个电子游戏装置1300进行交互的标记，例如通过处理存储在游戏逻辑电路提供存储器1340中的一个或多个程序，以在单个电子游戏装置1300处实施玩游戏的规则。因此，在一些实施例中，可以在不涉及实体游戏纸牌、游戏币或其它游戏元件和现场人员的情况下适应玩游戏。该动作可转而由控制处理器1350模拟，所述控制处理器可操作地耦合到存储器1340并与单个电子游戏装置1300交互且控制该电子游戏装置。例如，处理器可以使显示器1374显示纸牌，包括用于玩本公开的游戏的虚拟玩家和虚拟发牌人纸牌。
尽管单个电子游戏装置1300(如图所示)具有传统游戏机柜的轮廓，但单个电子游戏装置1300可以其它方式实施，例如在通过下载到便携式装置(例如，智能手机、平板电脑或膝上型计算机)的客户端软件的吧台游戏终端上实施。单个电子游戏装置1300也可以是非便携式个人计算机(例如，台式计算机或单体计算机)或其它计算装置。在一些实施例中，客户端软件不是下载的，而是装置的原生的，或者在分销时与装置一起交付。
可以包括通信装置1360，并且该通信装置可以可操作地耦合到处理器1350，使得与单个电子游戏装置1300的操作有关的信息、与玩游戏有关的信息或其组合可以通过合适的通信介质(例如，有线网络、Wi-Fi网络和蜂窝通信网络)在单个电子游戏装置1300与例如服务器的其它装置之间传送。
游戏屏幕1374可由单个电子游戏装置1300的大体竖直延伸的机柜1376承载。单个电子游戏装置1300还可包括用于传达玩游戏的规则、指令、玩游戏建议或提示等的标题，例如沿着单个电子游戏装置1300的机柜1376的顶部部分1378。单个电子游戏装置1300还可包括附加的装饰灯(未示出)和用于在玩游戏期间传输和任选地接收声音的扬声器(未示出)。
一些实施例可在包括多个玩家站的位置处实施。此类玩家站可包括电子显示屏，其用于显示游戏信息(例如，纸牌、投置和游戏指令)并用于接受投置。此类玩家站可任选地以表格格式集成，可分布在整个游戏场或其它游戏网站，或可包括分组式和分布式玩家站两者。
图8是被配置成用于实施根据本公开的投置游戏的合适桌1400的俯视图。桌1400可包括游戏桌面1404。桌1400可包括电子玩家站1412。每个玩家站1412可包括玩家界面1416，该玩家界面可用于显示游戏信息(例如，示出玩家布局、游戏指令、输入选项、投置信息、游戏结果等的图形)以及接受玩家选择。在一些实施例中，玩家界面1416可以是触摸屏形式的显示屏，所述显示屏可至少基本上与游戏桌面1404齐平。每个玩家界面1416可由其自身的本地游戏处理器1414(以虚线示出)操作，但是在一些实施例中，可使用中央游戏处理器1428(以虚线示出)，并且其可与玩家界面1416直接通信。在一些实施例中，可以采用单个本地游戏处理器1414和中央游戏处理器1428的组合。处理器1414、1428中的每一个可以可操作地耦合到存储器，该存储器包括与桌1400处的玩游戏的规则有关的一个或多个程序。
可以包括通信装置1460，并且该通信装置可以可操作地耦合到本地游戏处理器1414、中央游戏处理器1428或其组合中的一者或多者，使得与桌1400的操作有关的信息、与玩游戏有关的信息或其组合可以通过合适的通信介质(例如，有线网络、Wi-Fi网络和蜂窝通信网络)在桌1400与其它装置之间传送。
桌1400还可包括额外特征，例如发牌人游戏币托盘1420，而玩游戏期间的投置和余额调整可使用例如虚拟游戏币(例如，表示投置的图像或文本)来执行。对于使用实体纸牌1406a和1406b的实施例，桌1400还可包括纸牌处理装置1422，例如被构造成读取和递送已被随机化的纸牌的纸牌发牌盒。对于使用虚拟纸牌的实施例，可在单个玩家界面1416处显示虚拟纸牌。指定为“公牌”的实体游戏纸牌可以显示在公牌区域中。
桌1400还可包括发牌人界面1418，该发牌人界面与玩家界面1416一样可包括用于接收发牌人输入并协助发牌人管理投置游戏的触摸屏控件。桌1400还可包括直立显示器1430，该直立显示器被配置成显示描绘游戏信息、支付表、手动计数、玩家的历史赢/输信息以及对玩家有用的广泛多种其它信息的图像。直立显示器1430可以是双面的，以向玩家以及游戏场人员提供此类信息。
尽管描述的实施例示出了单独的分立玩家站，但在一些实施例中，整个游戏桌面1404可以是电子显示器，该电子显示器在逻辑上被分区以允许从多个玩家进行玩游戏，以用于从玩家、发牌人或两者接收输入，并向玩家、发牌人或两者显示游戏信息。
图9是被配置成利用虚拟发牌人实施根据本公开的投置游戏的合适电子多玩家桌1500的另一实施例的透视图。桌1500可包括围绕视频装置1558的弓形边缘1520成排布置的玩家位置1514，所述视频装置可包括纸牌屏幕1564和虚拟发牌人屏幕1560。发牌人屏幕1560可显示发牌人(即，虚拟发牌人)与视频装置1558交互的视频模拟，例如通过处理存储在存储器1595中的一个或多个存储的程序以在视频装置1558处实施玩游戏的规则。发牌人屏幕1560可以由视频装置1558的大体竖直延伸的机柜1562承载。基本上水平的纸牌屏幕1564可被配置成在发牌人屏幕1560上显示发牌人的纸牌、任何公牌和由虚拟发牌人发的每个玩家的纸牌中的至少一者或多者。
玩家位置1514中的每一个可包括玩家界面区域1532，该玩家界面区域被配置成用于投置以及与视频装置1558和虚拟发牌人的进行玩游戏交互。因此，可以在不涉及实体游戏纸牌、扑克游戏币和现场人员的情况下适应玩游戏。该动作可以改为由控制处理器1597与视频装置1558交互并且控制该视频装置来模拟。控制处理器1597可通过已知技术被编程为在视频装置1558处实施玩游戏的规则。因此，控制处理器1597可以与显示/输入界面和视频装置1558的每个玩家界面区域1532的数据项输入交互和通信。桌和游戏装置的其它实施例可包括可类似地适于其相关联装置的特定配置的控制处理器。
可以包括通信装置1599，并且该通信装置可以可操作地耦合到控制处理器1597，使得与桌1500的操作有关的信息、与玩游戏有关的信息或其组合可以通过合适的通信介质(例如，有线网络、Wi-Fi网络和蜂窝通信网络)在桌1500与例如中央服务器的其它装置之间传送。
视频装置1558还可包括传达游戏规则等的标题，该标题可沿着机柜1562的一个或多个壁1570定位。视频装置1558还可包括附加的装饰灯和扬声器，该装饰灯和扬声器可位于例如视频装置1558的机柜1562的大体水平延伸的顶部1568的下侧表面1566上，所述视频装置大体上朝向玩家位置1514延伸。
尽管描述的实施例示出了单独的分立玩家站，但在一些实施例中，整个游戏桌面(例如，玩家界面区域1532、纸牌屏幕1564等)可以是整体电子显示器，该整体电子显示器在逻辑上被分区以允许从多个玩家进行玩游戏，以用于从玩家、发牌人或两者接收输入，以及向玩家、发牌人或两者显示游戏信息。
在一些实施例中，可以使用采用客户端-服务器架构的游戏系统(例如，通过互联网、局域网等)来管理根据本公开的投置游戏。图10是用于实施根据本公开的投置游戏的示例性游戏系统1600的示意性框图。游戏系统1600可以使最终用户能够远程访问游戏内容。此类游戏内容可包括但不限于各种类型的投置游戏，例如，纸牌游戏、骰子游戏、大轮盘游戏、刮奖游戏(“刮刮乐”)以及游戏结果全部或部分由一个或多个随机事件确定的任何其它投置游戏。由游戏系统1600支持的投置游戏可用虚拟点数或其它虚拟(例如，电子)价值标记来操作。虚拟点数选项可与投置游戏一起使用，其中点数(或其它符号)可以发放给玩家以用于投置。玩家可以任何允许的方式获得点数，所述任何允许的方式包括但不限于：作为竞赛或此游戏或另一游戏(包括非投置游戏)的一部分被奖励点数；作为使用产品、游戏场或其它企业、在一个会话玩游戏的时间或所玩的游戏的奖励被奖励点数；或者可能就像在特定时间或以特定频率登录时获得虚拟点数一样简单，等等。在一个实例中，用于娱乐游戏的所获取的(例如，购买或奖励的)点数可以限于将来可用的或用于另一个游戏或游戏会话的非货币兑换物品、奖励或点数。
另外的变型包括具有娱乐游戏和投置游戏两者的基于网络的网站，包括发放可用于玩娱乐游戏的免费(非货币)点数。此特征在玩家参与游戏之前可吸引玩家进入网站和游戏。在一些实施例中，可以发放有限数目的免费或促销点数以诱使玩家玩游戏。另一种发放点数的方法包括发放免费点数，以换取识别可能想玩游戏的朋友。
游戏系统1600可包括游戏平台，以建立供最终用户访问由一个或多个游戏服务器1610通过网络1630托管的投置游戏的门户。在一些实施例中，通过用户交互服务1612访问游戏。游戏系统1600使玩家能够通过用户输入装置1624和显示器1622与用户装置1620交互，并且使用网络1630(例如，互联网)与一个或多个游戏服务器1610通信。通常，用户装置远离游戏服务器1610，并且网络是万维网(即，互联网)。
在一些实施例中，游戏服务器1610可以被配置为单个服务器，以与用户装置1620组合管理投置游戏。在其它实施例中，游戏服务器1610可以被配置为单独的服务器，以用于执行与管理投置游戏相关联的单独的专用功能。因此，以下描述还论述了“服务”，要理解各种服务可以由不同实施例中的不同服务器或服务器的组合来执行。如图9中所示，游戏服务器1610可包括用户交互服务1612、游戏服务1616和资产服务1614。在一些实施例中，一个或多个游戏服务器1610可与执行账户服务1632的账户服务器1632通信。如下文更全面地解释的，对于一些游戏类型的游戏，账户服务1632可以是独立的并且由与游戏服务器1610不同的实体操作；然而，在一些实施例中，账户服务1632也可以由一个或多个游戏服务器1610操作。
用户装置1620可通过网络1630与用户交互服务1612通信。用户交互服务1612可与游戏服务1616通信，并将游戏信息提供至用户装置1620。在一些实施例中，游戏服务1616还可包括游戏引擎。游戏引擎可例如访问、解释和应用游戏规则。在一些实施例中，单个用户装置1620与游戏服务1616提供的游戏通信，而其它实施例可包括被配置成与由游戏服务1616提供的相同游戏进行通信并向最终用户提供对该相同游戏的访问的多个用户装置1620。另外，可以允许多个最终用户访问单个用户交互服务1612或多个用户交互服务1612以访问游戏服务1616。用户交互服务1612可使用户能够创建和访问用户账户并与游戏服务1616交互。用户交互服务1612可使用户能够发起新游戏、加入现有游戏，并且与用户正在玩的游戏交流。
用户交互服务1612还可提供用于在用户装置1620上执行以访问游戏服务器1610的客户端。由游戏服务器1610提供的用于在用户装置1620上执行的客户端可以是取决于用户装置1620和与游戏服务器1610通信的方法的各种实施方式中的任一个。在一个实施例中，用户装置1620可以使用web浏览器连接到游戏服务器1610，并且客户端可以在web浏览器的浏览器窗口或框架内执行。在另一实施例中，客户端可以是用户装置1620上的独立可执行文件。
例如，客户端可包括相对少量的脚本(例如，
Figure GDA0003973150780000351
)，也称为“脚本驱动程序”，包括控制客户端界面的脚本语言。脚本驱动程序可包括请求来自游戏服务器1610的信息的简单功能调用。换句话说，存储在客户端中的脚本驱动程序可以仅包括对由游戏服务器1610外部定义并由其执行的功能的调用。因此，客户端可以被表征为“瘦客户端”。客户端可以仅向游戏服务器1610发送请求，而不执行逻辑本身。客户端可以接收玩家输入，并且玩家输入可以被传递到游戏服务器1610以用于处理和执行投置游戏。在一些实施例中，这可涉及向显示器1622提供特定图形显示信息以及游戏结果。
作为另一实例，客户端可以包括可执行文件而不是脚本。客户端可以进行比脚本驱动程序更多的本地处理，例如计算在通过用户交互服务1612从游戏服务1616接收到游戏结果时在何处显示什么游戏符号。在一些实施例中，资产服务1614的部分可以被加载到客户端上，并且可以由客户端用于处理和更新图形显示。当通过网络1630传输数据时，可以使用某种形式的数据保护，例如端到端加密。网络1630可以是任何网络，例如互联网或局域网。
游戏服务器1610可包括资产服务1614，该资产服务可托管各种媒体资产(例如，文本、音频、视频和图像文件)以发送至用户装置1620，从而用于向最终用户呈现各种投置游戏。换句话说，呈现给最终用户的资产可以与用户装置1620分开存储。例如，用户装置1620请求适合用户玩的游戏的资产；作为另一实例，特别是与瘦客户端有关，游戏服务器1610将仅发送特定显示事件所需的那些资产，包括仅仅一笔资产。用户装置1620可以调用在用户交互服务1612或资产服务1614处定义的功能，所述功能可以确定哪些资产要递送到用户装置1620，以及用户装置1620如何将这些资产呈现给最终用户。不同的资产可以对应于各种用户装置1620及其客户端，客户端可以访问游戏服务1616和不同变型的投置游戏。
游戏服务器1610可包括游戏服务1616，该游戏服务可被编程为管理投置游戏并确定玩游戏结果以提供给用户交互服务1612，从而传输给用户装置1620。例如，游戏服务1616可以包括用于一个或多个投置游戏的游戏规则，使得游戏服务1616控制所选择投置游戏的一些或全部游戏流以及所确定的游戏结果。游戏服务1616可包括支付表和其它游戏逻辑。游戏服务1616可以执行随机数生成，以确定投置游戏的随机游戏元素。在一个实施例中，游戏服务1616可以由防火墙或防止网络1630的一般成员对游戏服务1612进行未授权访问的其它方法与用户交互服务1612分开。
用户装置1620可以将游戏界面呈现给玩家，并且将用户输入装置1624的用户交互传送到游戏服务器1610。用户装置1620可以是能够显示游戏信息、接收用户输入并将用户输入传送到游戏服务器1610的任何电子系统。例如，用户装置1620可以是台式计算机、笔记本电脑、平板电脑、机顶盒、移动装置(例如，智能手机)、信息亭、终端或另一计算装置。作为具体的非限制性实例，操作客户端的用户装置1620可以是交互式电子游戏系统1300。客户端可以是专用应用程序，或者可以在能够解释来自例如web浏览器的交互式游戏系统的指令的通用应用程序内执行。
客户端可以通过在包括但不限于智能手机、平板电脑或通用计算机的装置上运行的网页或应用程序与最终用户相接，或者客户端可以是可配置为访问游戏服务器1610的任何其它计算机程序。客户端可以在游戏场网页(或其它界面)内示出，指示客户端嵌入网页中，所述网页由在用户装置1620上执行的web浏览器支持。
在一些实施例中，游戏系统1600的部件可以由不同实体操作。例如，用户装置1620可以由链接到游戏服务器1610的第三方(例如，游戏场或个人)操作，所述游戏服务器可以例如由投置游戏服务提供商操作。因此，在一些实施例中，用户装置1620和客户端可以由与游戏服务1616的操作者不同的管理员操作。换句话说，用户装置1620可以是不管理或不以其它方式控制游戏服务器1610或游戏服务1616的第三方系统的一部分。在其它实施例中，用户交互服务1612和资产服务1614可以由第三方系统操作。例如，游戏实体(例如，游戏场)可以操作用户交互服务1612、用户装置1620或其组合，以向其顾客提供对由不同实体管理的游戏内容的访问，所述不同实体可以控制游戏服务1616以及其它功能。在又一些其它实施例中，所有功能都可由同一管理员操作。例如，游戏实体(例如，游戏场)可以选择在内部执行这些功能中的每一个功能，例如提供对用户装置1620的访问、递送实际游戏内容以及管理游戏系统1600。
游戏服务器1610可以任选地通过另一防火墙与一个或多个外部账户服务器1632(在本文中也称为账户服务1632)通信。例如，游戏服务器1610可能不直接接受投置或发放奖励。也就是说，游戏服务器1610可以促进在线游戏场游戏，但可能不是自容式在线游戏场本身的一部分。另一实体(例如，游戏场)可以操作并维护其外部账户服务1632，以接受投置并进行奖励分配。游戏服务器1610可以与账户服务1632通信。作为另一实例，游戏服务器1610可以直接接受投置并进行奖励发放，例如在游戏服务器1610的管理员作为游戏场操作的情况下。
附加特征可以由游戏服务器1610支持，例如黑客攻击和欺骗检测、数据存储和存档、度量生成、消息生成、不同最终用户装置的输出格式化，以及其他特征和操作。
图11是用于实施包括实时发牌人视频馈送的投置游戏的桌1682的示意性框图。除进一步描述的情况外，(先前描述的)游戏系统1600的特征可以结合此实施例使用。代替纸牌由计算机化随机过程确定，(例如，来自一副标准的52张纸牌的游戏纸牌的)实体纸牌可以由现场发牌人1680在桌1682处从位于工作室或游戏场楼层的纸牌处理系统1684发牌。桌管理器1686可以通过将发牌人的动作的实时视频馈送传输到用户装置1620并将远程玩家选择传输到发牌人1680来协助发牌人1680促进游戏的进行。如上文所述，桌管理器1686可用作游戏系统1600(例如，用作游戏系统1600本身或用作内插在用户装置1620与游戏系统1600之间且可操作地连接到两者的中间客户端)或与所述游戏系统通信，以在桌1682处向游戏系统1600的用户提供游戏。因此，桌管理器1686可以通过网络1630与用户装置1620通信，并且可以是较大在线游戏场的一部分，或者可以作为促进玩游戏的单独系统操作。在各种实施例中，每个桌1682可以由构成游戏装置的单个桌管理器1686管理，所述游戏装置可以接收和处理与该桌有关的信息。为了描述简单，这些功能被描述为由桌管理器1686执行，但某些功能可以由中间游戏系统执行。在一些实施例中，游戏系统1600可以将远程定位的玩家与桌1682匹配，并且促进在用户装置1620与桌1682之间传输例如投置数量和玩家选项选择的信息，而不管理单个桌的玩游戏。在其它实施例中，桌管理器1686的功能可以并入到游戏系统1600中。
桌1682包括摄像头1670并且可选地包括麦克风1672，以捕获与桌1682有关的视频和音频馈送。可以针对现场发牌人1680、游戏区域1687和纸牌处理系统1684训练摄像头1670。当游戏由现场发牌人1680管理时，由摄像头1670捕获的视频馈送可以使用用户装置1620远程地显示给玩家，并且由麦克风1672捕获的任何音频可以使用用户装置1620远程地播放给玩家。在一些实施例中，用户装置1620还可以包括摄像头、麦克风或两者，其也可以捕获要与发牌人1680和其它玩家共享的馈送。在一些实施例中，摄像头1670可以被训练成捕获游戏桌的表面上的牌面、游戏币和游戏币堆的图像。可以使用已知图像提取技术从纸牌图像获得纸牌计数和纸牌牌面大小以及花色信息。
在一些实施例中，桌管理器1686可使用纸牌数据和投置数据确定游戏结果。从摄像头1670提取的数据可用于确认从纸牌处理系统1684获得的纸牌数据，确定接收纸牌的玩家位置，并且用于例如检测玩家或发牌人纸牌切换的一般安全监测目的。纸牌数据的实例包括例如纸牌的花色和牌面大小信息、一手牌中每张纸牌的花色和牌面大小信息、一手牌的牌面大小信息，以及一轮游戏中每手牌的牌面大小信息。
实时视频馈送允许发牌人展示由纸牌处理系统1684发的纸牌，并且像玩家在现场游戏场中与其它玩家在游戏桌上玩一样玩游戏。此外，发牌人可以通过宣布将执行玩家的选择来提示用户。在包括麦克风1672的实施例中，发牌人1680可以口头宣布动作或请求玩家进行选择。在一些实施例中，用户装置1620还包括摄像头或麦克风，其也捕获要与发牌人1680和其它玩家共享的馈送。
纸牌处理系统1684可以如先前所示和描述。游戏区域1686描绘了用于玩游戏的玩家布局。如游戏的规则确定的，可以向用户装置1620处的玩家呈现使用客户端对游戏中的事件进行的选项。
玩家选择可以被传输到桌管理器1686，该桌管理器可以使用发牌人显示器1688和桌1682上的玩家动作指示器1690将玩家选择显示给发牌人1680。例如，发牌人显示器1688可显示关于在何处发下一张牌或哪个玩家位置负责下一动作的信息。
在一些实施例中，桌管理器1686可以从纸牌处理系统1684接收纸牌信息以识别由纸牌处理系统1684发的牌。例如，纸牌处理系统1684可以包括纸牌读取器以确定来自纸牌的纸牌信息。纸牌信息可包括每张所发牌的牌面大小和花色以及一手牌的信息。
桌管理器1686可以将游戏规则应用于纸牌信息连同可接受的玩家决策，来确定玩游戏事件和投置结果。替代地，可由发牌人1680确定投置结果，并将该投置结果输入到桌管理器1686，所述桌管理器可用于自动地确认由游戏系统确定的结果。
在一些实施例中，桌管理器1686可使用纸牌数据和投置数据确定游戏结果。从摄像头1670提取的数据可用于确认从纸牌处理系统1684获得的纸牌数据，确定接收纸牌的玩家位置，并且用于例如检测玩家或发牌人纸牌切换的一般安全监测目的。
实时视频馈送允许发牌人展示由纸牌处理系统1684发的牌，并像玩家在现场游戏场一样玩游戏。此外，发牌人可以通过宣布将执行玩家的选择来提示用户。在包括麦克风1672的实施例中，发牌人1680可以口头宣布动作或请求玩家进行选择。在一些实施例中，用户装置1620还包括摄像头或麦克风，其也捕获要与发牌人1680和其它玩家共享的馈送。
图12是示出了可用于本公开的系统和设备的计算装置的元件的简化框图。计算系统1640可以是用户型计算机、文件服务器、计算机服务器、笔记本计算机、平板电脑、手持装置、移动装置或用于执行软件的其它类似计算机系统。计算系统1640可以被配置成执行包含计算指令的软件程序，并且可以包括一个或多个处理器1642、存储器1646、一个或多个显示器1658、一个或多个用户界面元件1644、一个或多个通信元件1656和一个或多个存储装置1648(在本文中也简称为存储装置1648)。
处理器1642可以被配置成执行各种操作系统和应用程序，包括用于管理本公开的投置游戏的计算指令。
处理器1642可以被配置为通用处理器，例如微处理器，但在替代方案中，通用处理器可以是适合于执行本公开的过程的任何处理器、控制器、微控制器或状态机。处理器1642还可以实施为计算装置的组合(例如DSP和微处理器的组合)、多个微处理器、与DSP核心结合的一个或多个微处理器，或任何其他此类配置。
通用处理器可以是通用计算机的一部分。然而，当被配置成执行用于执行本公开的实施例的指令(例如，软件代码)时，通用计算机应被视为专用计算机。此外，当根据本公开的实施例进行配置时，此类专用计算机改进了通用计算机的功能，因为如果没有本公开，通用计算机将不能执行本公开的过程。当由专用计算机执行时，本公开的过程是人由于本公开的数据处理、决策、通信、交互性质或其组合的复杂性而无法在合理的时间内执行的过程。本公开还提供了在超出抽象概念的一个或多个特定技术环境中有意义的限制。例如，本公开的实施例提供了与本公开有关的技术领域的改进。
存储器1646可用于保存计算指令、数据和用于执行各种任务(包括管理本公开的投置游戏)的其它信息。作为实例而非限制，存储器1646可包括同步随机存取存储器(SRAM)、动态RAM(DRAM)、只读存储器(ROM)、闪存等。
显示器1658可以是各种显示器，例如发光二极管显示器、液晶显示器、阴极射线管等。另外，显示器1658可配置有用于接受用户输入的触摸屏特征作为用户界面元件1644。
作为非限制性实例，用户界面元件1644可包括诸如显示器、键盘、按钮、鼠标、操纵杆、触觉装置、麦克风、扬声器、摄像头和触摸屏的元件。
作为非限制性实例，通信元件1656可以被配置成用于与其它装置或通信网络通信。作为非限制性实例，通信元件1656可包括用于在有线和无线通信介质上通信的元件，例如，串行端口、并行端口、以太网连接、通用串行总线(USB)连接、IEEE 1394(“火线”)连接、THUNDERBOLTTM连接、
Figure GDA0003973150780000401
无线网络、ZigBee无线网络、802.11类型的无线网络、蜂窝电话/数据网络、光纤网络和其它合适的通信接口和协议。
存储装置1648可用于存储相对大量的非易失性信息以用于计算系统1640中，并且可配置为一个或多个存储装置。作为实例而非限制，这些存储装置可包括计算机可读介质(CRM)。该CRM可包括但不限于诸如磁盘驱动器、磁带、CD(光盘)、DVD(数字多功能光盘或数字视频光盘)的磁性和光学存储装置，以及诸如RAM、DRAM、ROM、EPROM、内存和其它等同存储装置的半导体装置。
本领域的普通技术人员将认识到，计算系统1640可以许多不同方式配置，其中各种元件之间具有不同类型的互连总线。此外，各种元件可在物理上、功能上或其组合细分。作为一个非限制性实例，存储器1646可分成高速缓存存储器、图形存储器和主存储器。这些存储器中的每一个存储器都可在单独的总线、部分组合的总线或公共总线上直接或间接地与一个或多个处理器1642通信。
作为具体的非限制性实例，本公开的各种方法和特征可在移动、远程或移动和远程环境中通过因特网、蜂窝通信(例如，宽带)、近场通信网络和在本文中统称为iGaming环境的其它通信网络中的一者或多者实施。iGaming环境可通过例如
Figure GDA0003973150780000411
等的社交媒体环境访问。被Bally Technologies公司收购的DragonPlay有限公司提供了使用
Figure GDA0003973150780000412
Figure GDA0003973150780000413
和/>
Figure GDA0003973150780000414
平台向用户装置(例如，蜂窝电话和其它装置)提供游戏的平台的实例。
图13示出了iGaming环境中的信息流的示例性实施例。在玩家层面，玩家或用户访问托管活动的网站，例如网站1700。网站1700可以在功能上提供web游戏客户端1702。web游戏客户端1702可以例如由可在信息流1710处下载的游戏客户端1708表示，其可以在信息流1711处处理从游戏服务器1714传输的小程序以在玩家的远程装置上呈现和处理玩游戏。在一些实施例中，web游戏客户端1702可以访问本地存储器商店以驱动玩家的装置上的图形显示器。在其它实施例中，游戏图形的全部或一部分可以用web游戏客户端1702流式传输到玩家的装置，从而在玩家的装置上实现玩家交互和游戏特征和结果的显示。
网站1700可以在信息流1706处访问以玩家为中心的iGaming平台层面账户模块1704，以便玩家建立并确认用于游戏的凭证，并且在允许的情况下，访问用于投置的账户(例如，eWallet)。账户模块1704可包括或访问与玩家简档有关的数据(例如，需要由主机保留和跟踪的以玩家为中心的信息)、玩家的电子账户、注册和认证信息(例如，用户名和密码、姓名和地址信息、出生日期)、政府签发的身份证件的副本(例如，驾照或护照)，和生物特征识别标准(例如，指纹或面部识别数据)。账户模块1704还可包含并执行地理位置限制，例如，玩家可玩P2P游戏的地理区域、用户装置IP地址确认等。
账户模块1704在信息流1705处与游戏模块1716通信，以完成登录、注册和其它活动。游戏模块1716还可以存储或访问玩家的游戏历史，例如，玩家跟踪和忠诚度俱乐部账户信息。游戏模块1716可以通过信息流1718将静态网页从游戏模块1716提供给玩家的装置，而如上所述，实时游戏内容可以通过信息流1711从游戏服务器1714提供给网络游戏客户端。
游戏服务器1714可以被配置成在游戏与玩家之间提供交互，例如接收投置信息、游戏选择、游戏中玩家选择或玩游戏直到结束的选择，以及游戏结果和图形包的随机选择，所述交互单独地或结合可下载游戏客户端1708/web游戏客户端1702和游戏模块1716提供游戏图形和玩家交互界面的显示。在信息流1718处，可以从账户模块1704将玩家账户和登录信息提供给游戏服务器1714以能够进行游戏。信息流1720为游戏的进行提供账户模块1704与游戏服务器1714之间的投置/点数信息，并且可显示点数和eWallet可用性。信息流1722可为游戏服务器1714提供用于跟踪玩家玩游戏的玩家跟踪信息。跟踪游戏可用于向玩家提供忠诚度奖励、确定偏好等的目的。
图13的特征的全部或部分可由远离玩家的移动装置定位的服务器和数据库支持，并且可由受监管的游戏实体托管或赞助以进行P2P游戏，或者在不允许P2P的情况下，进行仅娱乐游戏。
在一些实施例中，投置游戏可以至少部分的玩家汇集的形式进行管理，其中汇集投置的奖励由底池支付给玩家，并且输掉的投置被收集到底池中并最终分配给一个或多个玩家。此类玩家汇集的实施例可包括玩家汇集的渐进式实施例，其中当处理预定的渐进式胜手组合或组成时，底池最终被分配。玩家汇集的实施例还可以包括分红偿付实施例，其中，至少一部分底池最终以例如按比例分配给对底池作出贡献的玩家的偿付形式分配。
应注意，本文中所描述的方法可以用任意数目副的标准的52张纸牌(例如，1副至10副)来玩。一副标准纸牌是纸牌的集合，包括A、二、三、四、五、六、七、八、九、十、J、Q、K，每一个有四个花色(包括黑桃、方块、梅花、红桃)，共计52张纸牌。纸牌可以被洗牌或可以使用连续洗牌机(CSM)。可使用一副标准的52张纸牌，以及其它类型的若干副纸牌，如若干副西班牙牌、若干副百搭纸牌等。本文所述的操作可以任何合理的顺序执行。此外，可以应用许多不同的游戏场规则的变型。
注意，在使用计算机(处理器/处理单元)玩游戏的实施例中，使用“虚拟副(virtual deck)”纸牌代替实体副(physical deck)纸牌。虚拟副是用于表示实体副纸牌的电子数据结构，其对一副牌中的每个相应纸牌使用电子表示。在一些实施例中，虚拟纸牌被呈现(例如，使用计算机图形显示在电子输出装置上，使用视频投影仪投射到实体桌的表面上等等)，并且被呈现以模仿所述纸牌的真实图像。
本文所述的方法还可以使用实体纸牌和用于投置的实体游戏币在实体桌上玩。当玩家输掉(发牌人赢得)玩家的投置时，发牌人将从玩家取走(收集)该投置，并通常将这些游戏币放到发牌人的游戏币架中。游戏开始之前，正在玩的游戏的所有规则、具体体现、特征等都可以(例如，口头地或在书面规则卡上)传达给玩家。
可以电子点数的形式下投置。
本文所述的任何实施例的任何部件可包括硬件、软件或其任何组合。
此外，本文所述的操作可以以任何合理的顺序执行。正常操作不需要的任何操作都可以是可选的。此外，本文所述的所有方法也可以作为指令存储在计算机可读存储介质上，所述指令可由计算机处理器操作。本文所述的所有变型和特征可以不受限制地与本文所述的任何其它特征组合。通过引用并入本文中的所有文件中的所有特征可以与本文所述的任何特征组合，并且也可以不受限制地与通过引用并入的所有其它文件中的所有其它特征组合。
本文所述的发明主题的各种实施例的特征，无论对其并入其中的示例实施例多么重要，并不作为整体限制发明主题，并且对本发明、其元件、操作和应用的任何提及不作为整体限制，而仅用于限定这些示例实施例。因此，此详细描述不限制仅由所附权利要求书限定的实施例。此外，由于本领域技术人员可以容易地想到许多修改和改变，因此不希望将发明主题限于所示和描述的确切构造和操作，并且因此在发明主题的范围内，可以采取所有合适的修改和等同物。

Claims (20)

1.一种操作包括游戏桌和摄像头的投置游戏系统的方法，所述方法包括：
至少部分地基于投置游戏的游戏状态，根据由所述游戏桌处的摄像头捕获的图像数据帧的部分生成图像集；
响应于确定所述图像集未满足对应于所述游戏状态的神经网络模型的目标输入要求，迭代地修改来自所述图像集的图像子集的图像属性，直到所述图像集满足所述目标输入要求；以及
响应于所述迭代地修改，向所述神经网络模型提供所述图像集。
2.根据权利要求1所述的方法，所述生成包括：
至少部分地基于所述游戏状态自动选择与所述摄像头相关联的一个或多个图像捕获设置；以及
使用所述一个或多个图像捕获设置捕获所述图像数据帧。
3.根据权利要求2所述的方法，其中所述图像捕获设置包括图像分辨率设置、纵横比设置、快门速度设置、孔径大小设置或变焦设置中的一者或多者。
4.根据权利要求1所述的方法，其中所述生成包括：
在所述图像数据帧的部分上自动叠加一组矩形，其中所述一组矩形表示需要由所述神经网络模型进行分析的定位；
复制对应于所述一组矩形的所述图像数据帧的部分；以及
将所复制的部分存储为所述图像集，其中所复制的部分中的每一个具有根据所述摄像头的图像分辨率设置的相应的图像宽度和图像高度。
5.根据权利要求4所述的方法，还包括：
将来自所述一组矩形中的每个矩形的唯一标识符与所述图像集中的对应一个相关联；以及
使用所述唯一标识符将所述图像集中的对应一个的位置存储在精灵表单上。
6.根据权利要求4所述的方法，还包括：
响应于由所述神经网络模型进行的分析，接收与由所述神经网络模型识别的物理对象的特性相关联的一个或多个数据对象；以及
使用所述一个或多个数据对象更新所述一组矩形。
7.根据权利要求1所述的方法，其中所述修改包括：
以迭代方式进行以下操作，直到所述图像集满足所述目标输入要求，
从所述图像集中选择图像分辨率宽度在所述图像集的所有成员中大小最大的一个或多个图像作为图像子集；
将所述子集中的一个或多个图像中的每一个的图像分辨率宽度缩放一个像素；
将所述子集中的一个或多个图像中的每一个的图像分辨率高度缩放一个像素除以捕获所述图像数据帧时的纵横比；以及
响应于缩放所述一个或多个图像的图像分辨率宽度和图像分辨率高度，确定所述图像集是否全体配合到表示所述神经网络模型的最大分辨率限制的矩形中。
8.根据权利要求7所述的方法，其中确定所述图像集是否全体配合到所述矩形中包括对所述图像集运行打包算法。
9.根据权利要求7所述的方法，其中确定所述图像集是否全体配合到所述矩形中包括：
将所述图像分辨率宽度与自身相乘并且与所述图像集的成员的总数相乘；以及
确定所述相乘的积是否小于或等于所述矩形的面积，其中所述矩形的面积是将所述神经网络模型的分辨率高度限制与所述神经网络模型的分辨率宽度限制相乘的积。
10.根据权利要求1所述的方法，其中所述提供包括：
将所述图像集合成为文件；以及
将所述文件传输到所述神经网络模型以并行分析所合成的图像集。
11.一种游戏系统，包括
网络通信接口；以及
处理器，所述处理器被配置成执行一个或多个操作以
至少部分地基于投置游戏的游戏状态，根据由游戏桌处的摄像头捕获的图像数据帧的一个或多个部分生成图像集，
响应于确定所述图像集未满足对应于所述游戏状态的神经网络模型的目标输入要求，递增地修改来自所述图像集的图像子集的图像属性，直到所述图像集满足所述目标输入要求，以及
响应于确定所述图像集满足所述目标输入要求，向所述神经网络模型提供所述图像集。
12.根据权利要求11所述的游戏系统，其中被配置成生成所述图像集的处理器被配置成执行一个或多个操作以：
至少部分地基于所述游戏状态，自动选择与所述摄像头相关联的一个或多个图像捕获设置；以及
基于所述一个或多个图像捕获设置捕获所述图像数据帧，其中所述图像捕获设置包括图像分辨率设置、纵横比设置、快门速度设置、孔径大小设置或变焦设置中的一者或多者。
13.根据权利要求11所述的游戏系统，其中被配置成生成所述图像集的处理器被配置成执行一个或多个操作以：
在所述图像数据帧的部分上自动叠加一组矩形，其中所述一组矩形表示需要由所述神经网络模型进行分析的定位；
裁剪对应于所述一组矩形的所述图像数据帧的部分；以及
将所裁剪的部分存储为所述图像集，其中所述图像集中的每一个具有根据所述摄像头的图像分辨率设置的相应的图像宽度和图像高度。
14.根据权利要求11所述的游戏系统，其中被配置成向所述神经网络模型提供所述图像集的处理器被配置成执行一个或多个操作以：
将所述图像集合成为单个图像；以及
通过所述网络通信接口将所述单个图像传输到具有操作所述神经网络模型的一个或多个额外处理器的装置。
15.根据权利要求14所述的游戏系统，其中被配置成将所述图像集合成为所述单个图像的处理器被配置成执行一个或多个操作以将来自所述一组矩形中的每个矩形的唯一标识符与所述图像集中的对应一个相关联。
16.根据权利要求14所述的游戏系统，其中所述单个图像包括精灵表单或纹理图集中的至少一者。
17.根据权利要求11所述的游戏系统，其中被配置成修改所述图像子集的图像属性的处理器被配置成执行一个或多个操作以便：
以迭代方式进行以下操作，直到所述图像集满足所述目标输入要求，
从所述图像集中选择图像分辨率宽度在所述图像集的所有成员中大小最大的一个或多个图像作为所述图像子集；
将所述子集中的一个或多个图像中的每一个的图像分辨率宽度缩放一个像素；
将所述子集中的一个或多个图像中的每一个的图像分辨率高度缩放一个像素除以捕获所述图像数据帧时的纵横比；以及
确定所述图像集是否全体配合到表示所述神经网络模型的最大分辨率限制的矩形中。
18.根据权利要求17所述的游戏系统，其中被配置成确定所述图像集是否全体配合到所述矩形中的处理器被配置成执行一个或多个操作以对所述图像集运行打包算法。
19.根据权利要求17所述的游戏系统，其中被配置成确定所述图像集是否全体配合到所述矩形中的处理器被配置成执行一个或多个操作以：
将所述图像分辨率宽度与自身相乘并且与所述图像集的成员的总数相乘；以及
确定所述相乘的积是否小于或等于所述矩形的面积，其中所述矩形的面积是将所述神经网络模型的分辨率高度限制与所述神经网络模型的分辨率宽度限制相乘的积。
20.一个或多个非暂时性计算机可读存储介质，其上存储有指令，所述指令在由游戏系统的一组一个或多个处理器执行时使所述一组一个或多个处理器执行包括以下各项的操作：
至少部分地基于投置游戏的游戏状态，根据由游戏桌处的摄像头捕获的图像数据帧的部分生成图像集；
确定所述图像集不能全体配合到表示对应于所述游戏状态的神经网络模型的最大分辨率限制的矩形的区域中；
响应于确定所述图像集不能全体配合到所述矩形中，
以迭代方式进行以下操作，直到所述图像集满足所述目标输入要求，
从所述图像集中选择图像分辨率宽度在所述图像集的所有成员中大小最大的一个或多个图像作为图像子集，
将所述子集中的一个或多个图像中的每一个的图像分辨率宽度缩放一个像素；
将所述子集中的一个或多个图像中的每一个的图像分辨率高度缩放一个像素除以捕获所述图像数据帧时的纵横比；以及
运行打包算法以确定所述图像集是否全体配合到表示所述神经网络模型的最大分辨率限制的矩形中；
响应于确定所述图像集全体配合到所述矩形中，将所述图像集合成为单个图像文件；以及
经由通信网络将所述单个图像文件传输到所述神经网络模型，以对所述单个图像文件内所含的图像集进行并行分析。
CN202180007679.5A 2020-03-30 2021-03-30 游戏环境跟踪优化 Pending CN115885324A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US202063001941P 2020-03-30 2020-03-30
US63/001,941 2020-03-30
PCT/US2021/024869 WO2021202518A1 (en) 2020-03-30 2021-03-30 Gaming environment tracking optimization

Publications (1)

Publication Number Publication Date
CN115885324A true CN115885324A (zh) 2023-03-31

Family

ID=77854659

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202180007679.5A Pending CN115885324A (zh) 2020-03-30 2021-03-30 游戏环境跟踪优化

Country Status (3)

Country Link
US (2) US11861975B2 (zh)
CN (1) CN115885324A (zh)
WO (1) WO2021202518A1 (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11682257B2 (en) * 2018-11-29 2023-06-20 Nrt Technology Corp. Intelligent table game and methods thereof
JP7145994B2 (ja) * 2020-02-14 2022-10-03 エンゼルグループ株式会社 遊技用代用貨幣及びその製造方法
US20220301127A1 (en) * 2021-03-18 2022-09-22 Applied Materials, Inc. Image processing pipeline for optimizing images in machine learning and other applications
US11941860B2 (en) * 2021-09-24 2024-03-26 Zebra Tehcnologies Corporation Computational load mitigation for image-based item recognition
CN113869501B (zh) * 2021-10-19 2024-06-18 京东科技信息技术有限公司 神经网络的生成方法、装置、电子设备及存储介质

Family Cites Families (64)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5103081A (en) 1990-05-23 1992-04-07 Games Of Nevada Apparatus and method for reading data encoded on circular objects, such as gaming chips
US5451054A (en) 1994-05-03 1995-09-19 Toy Builders Poker tournament
US5757876A (en) 1997-02-07 1998-05-26 Cosense, Inc. Object counter and identification system
US6460848B1 (en) 1999-04-21 2002-10-08 Mindplay Llc Method and apparatus for monitoring casinos and gaming
US6514140B1 (en) 1999-06-17 2003-02-04 Cias, Inc. System for machine reading and processing information from gaming chips
CN100577054C (zh) 2003-07-25 2010-01-06 百利娱乐国际公司 可唯一识别的娱乐场游戏筹码
EP1750815A1 (en) 2004-04-15 2007-02-14 Bally Gaming International, Inc. Systems and methods for monitoring activities on a gaming table
EP1763853A1 (en) 2004-04-15 2007-03-21 Bally Gaming International, Inc. Systems and methods for scanning gaming chips placed on a gaming table
AU2008205438B2 (en) 2007-09-13 2012-07-26 Universal Entertainment Corporation Gaming machine and gaming system using chips
WO2009062153A1 (en) 2007-11-09 2009-05-14 Wms Gaming Inc. Interaction with 3d space in a gaming system
US7976372B2 (en) 2007-11-09 2011-07-12 Igt Gaming system having multiple player simultaneous display/input device
US8130097B2 (en) 2007-11-13 2012-03-06 Genesis Gaming Solutions, Inc. Card and chip detection system for a gaming table
US8896444B1 (en) 2007-11-13 2014-11-25 Genesis Gaming Solutions, Inc. System and method for casino table operation
US9174114B1 (en) 2007-11-13 2015-11-03 Genesis Gaming Solutions, Inc. System and method for generating reports associated with casino table operation
US9165420B1 (en) 2007-11-13 2015-10-20 Genesis Gaming Solutions, Inc. Bet spot indicator on a gaming table
US8285034B2 (en) 2009-08-26 2012-10-09 Bally Gaming, Inc. Apparatus, method and article for evaluating a stack of objects in an image
US9795870B2 (en) 2009-09-20 2017-10-24 Darrell Smith Ratliff Gaming chip tray counting device
US8430405B2 (en) 2009-11-14 2013-04-30 Wms Gaming, Inc. Multi-projector gaming table
US9799159B2 (en) 2014-02-14 2017-10-24 Igt Canada Solutions Ulc Object detection and interaction for gaming systems
US10137358B2 (en) 2014-09-25 2018-11-27 Bally Gaming, Inc. Methods of administering a wagering game including a dealer payout
CN107427718B (zh) 2014-10-16 2021-01-12 Arb实验室公司 用于监视游戏活动的系统、方法和设备
CN105844128B (zh) * 2015-01-15 2021-03-02 北京三星通信技术研究有限公司 身份识别方法和装置
US9811735B2 (en) * 2015-04-13 2017-11-07 Nec Corporation Generic object detection on fixed surveillance video
US10410066B2 (en) 2015-05-29 2019-09-10 Arb Labs Inc. Systems, methods and devices for monitoring betting activities
CA2947969C (en) 2015-05-29 2017-09-26 Adrian BULZACKI Systems, methods and devices for monitoring betting activities
EP3742383B1 (en) 2015-08-03 2022-06-29 Angel Playing Cards Co., Ltd. Management system for table games
US11074780B2 (en) 2015-08-03 2021-07-27 Angel Playing Cards Co., Ltd. Management system of substitute currency for gaming
CN118736732A (zh) 2015-08-03 2024-10-01 天使集团股份有限公司 游艺场的作弊检测系统
US10970962B2 (en) 2015-08-03 2021-04-06 Angel Playing Cards Co., Ltd. Management system of substitute currency for gaming
SG10201900417QA (en) 2015-08-03 2019-02-27 Angel Playing Cards Co Ltd Substitute currency for gaming, inspection device, and manufacturing method of substitute currency for gaming, and management system for table games
EP4000444B1 (en) 2015-11-19 2024-05-29 Angel Playing Cards Co., Ltd. Game token
EP4406628A3 (en) 2016-02-01 2024-10-30 Angel Playing Cards Co., Ltd. Game token management system
US10957156B2 (en) 2016-09-12 2021-03-23 Angel Playing Cards Co., Ltd. Chip measurement system
US11244191B2 (en) * 2016-02-17 2022-02-08 Intel Corporation Region proposal for image regions that include objects of interest using feature maps from multiple layers of a convolutional neural network model
GB2549111A (en) 2016-04-04 2017-10-11 Tcs John Huxley Europe Ltd Gaming apparatus
SG11201809960YA (en) 2016-05-16 2018-12-28 Sensen Networks Group Pty Ltd System and method for automated table game activity recognition
EP3479879A4 (en) 2016-08-02 2020-01-01 Angel Playing Cards Co., Ltd. GAME MANAGEMENT SYSTEM
KR20220045246A (ko) 2016-08-02 2022-04-12 엔제루 구루푸 가부시키가이샤 검사 시스템 및 관리 시스템
US11341413B2 (en) * 2016-08-29 2022-05-24 International Business Machines Corporation Leveraging class information to initialize a neural network language model
US10304191B1 (en) * 2016-10-11 2019-05-28 Zoox, Inc. Three dimensional bounding box estimation from two dimensional images
AU2017361647A1 (en) 2016-11-18 2019-06-06 Angel Group Co., Ltd. Inspection system, and inspection device
WO2018123149A1 (ja) 2016-12-30 2018-07-05 エンゼルプレイングカード株式会社 遊技用貨幣の管理システム、及び保管箱
SG11201906801SA (en) 2017-01-24 2019-08-27 Angel Playing Cards Co Ltd Chip recognizing and learning system
KR102546386B1 (ko) 2017-01-24 2023-06-21 엔제루 구루푸 가부시키가이샤 칩 인식 시스템
JP2018136903A (ja) 2017-02-21 2018-08-30 エンゼルプレイングカード株式会社 遊戯用代用貨幣の枚数計測システム
JP7149688B2 (ja) 2017-03-31 2022-10-07 エンゼルグループ株式会社 遊技用代用貨幣及び管理システム
JP2018192108A (ja) 2017-05-19 2018-12-06 エンゼルプレイングカード株式会社 検査システム及び遊技用代用貨幣
US11049362B2 (en) 2017-09-21 2021-06-29 Angel Playing Cards Co., Ltd. Fraudulence monitoring system of table game and fraudulence monitoring program of table game
CN111971685A (zh) * 2017-10-02 2020-11-20 森森网络集团有限公司 机器学习驱动的对象检测系统和方法
WO2019097976A1 (ja) 2017-11-15 2019-05-23 エンゼルプレイングカード株式会社 認識システム
KR102692690B1 (ko) 2017-12-05 2024-08-06 엔제루 구루푸 가부시키가이샤 관리 시스템
US11284041B1 (en) * 2017-12-13 2022-03-22 Amazon Technologies, Inc. Associating items with actors based on digital imagery
WO2019139830A1 (en) 2018-01-09 2019-07-18 Main Jerry A Jr Casino chip tray monitoring system
KR102653605B1 (ko) 2018-01-30 2024-04-01 엔제루 구루푸 가부시키가이샤 테이블 게임의 관리 시스템, 게이밍 테이블용 레이아웃, 및 게이밍 테이블
US20210081698A1 (en) * 2018-02-09 2021-03-18 Nano Techgalaxy, Inc. D/B/A Galaxy.Ai Systems and methods for physical object analysis
JP7189795B2 (ja) 2018-02-19 2022-12-14 エンゼルグループ株式会社 ゲーム管理システム
AU2019223520A1 (en) 2018-02-26 2020-09-24 Angel Group Co., Ltd. Game management system
CN113168665A (zh) 2018-05-14 2021-07-23 天使游戏纸牌股份有限公司 桌面游戏的管理系统以及游戏管理系统
US10719737B2 (en) * 2018-08-23 2020-07-21 Denso International America, Inc. Image classification system for resizing images to maintain aspect ratio information
US11386306B1 (en) * 2018-12-13 2022-07-12 Amazon Technologies, Inc. Re-identification of agents using image analysis and machine learning
JP7301076B2 (ja) * 2019-01-31 2023-06-30 エンゼルグループ株式会社 管理システム
US20220375300A1 (en) * 2019-01-31 2022-11-24 Angel Group Co., Ltd. Management system
SG10201913005YA (en) * 2019-12-23 2020-09-29 Sensetime Int Pte Ltd Method, apparatus, and system for recognizing target object
SG10201913024QA (en) * 2019-12-23 2020-10-29 Sensetime Int Pte Ltd Target Object Identification System, Method And Apparatus, Electronic Device And Storage Medium

Also Published As

Publication number Publication date
US11861975B2 (en) 2024-01-02
US20210303897A1 (en) 2021-09-30
US20240127665A1 (en) 2024-04-18
WO2021202518A1 (en) 2021-10-07

Similar Documents

Publication Publication Date Title
US12080121B2 (en) Gaming state object tracking
US20220327886A1 (en) Gaming environment tracking system calibration
US11861975B2 (en) Gaming environment tracking optimization
CN113926176B (zh) 游戏环境跟踪系统校准
US11967200B2 (en) Chip tracking system
CN106233346A (zh) 多玩家、多点触摸游戏台及其使用方法
US20240013617A1 (en) Machine-learning based messaging and effectiveness determination in gaming systems
US20230230439A1 (en) Animating gaming-table outcome indicators for detected randomizing-game-object states
EP2000997A1 (en) Method of controlling a touch screen display and a gaming system for a multi-player game
US20220406121A1 (en) Chip tracking system
US20210241580A1 (en) Play by play wagering through wearable device
US11045715B2 (en) Entertainment system for casino wagering using physical random number generators
US20220122414A1 (en) Method for performing analytics on a user's wagering history
US10832516B2 (en) Wagering games system and method
US12169999B2 (en) Chip tracking system
US20220180692A1 (en) Method, system, and apparatus for optimizing the display of micro-markets
US11749065B2 (en) Three-card monte variant with secondary symbols
US20240212443A1 (en) Managing assignment of a virtual element in a virtual gaming environment
US20240207739A1 (en) Managing behavior of a virtual element in a virtual gaming environment
US20240212419A1 (en) Providing information associated with a virtual element of a virtual gaming environment
US20240212420A1 (en) Monitoring a virtual element in a virtual gaming environment
US20220165124A1 (en) Method for communicating among users of a wagering network
US11417175B2 (en) Video analysis for visual indicator of market suspension
US20230377422A1 (en) Three-card monte variant with secondary symbols
AU2011213830B2 (en) Method of controlling a touch screen display and a gaming system for a multi-player game.

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination