🛡️ LoLTrackGuard：检测英雄联盟中的脚本行为

LoLTrackGuard 是一个轻量级系统，用于检测《英雄联盟》游戏视频中可疑的鼠标行为。它结合了基于 YOLOv8 的光标检测和 LSTM 自编码器，以识别光标移动模式中的异常——无需游戏日志或侵入式工具。

🎯 输入：1080p 30FPS 游戏视频
🖱️ 第一步：使用训练好的 YOLO 模型检测光标位置
📐 第二步：提取并归一化运动特征（速度，加速度等）
🧠 第三步：输入 LSTM 自编码器以评分异常
📊 输出：带有每秒异常评分的 CSV 文件

LoLTrackGuard 基于真实职业选手数据训练，提供了一种非侵入式的方法来标记游戏录像中潜在的自动化行为。

📁 项目结构

LoLTrackGuard-MAIN/
├── cursor_templates/                # Cursor icon PNGs with transparency (for FakeDataGenerator)
├── extension/                       # C++/CUDA Acceleration Module
│   ├── setup.py                     # Build script
│   └── src/                         # C++ and CUDA source files
├── model/                           # Trained LSTM models for anomaly detection
│   ├── detection_model.keras        # Default trained LSTM model
│   ├── detection_model2.keras       # Alternate model versions
│   └── detection_model3.keras
├── mouse_positions/                # Output CSVs from cursorDetector with raw mouse position data
├── pipeline/                       # Core logic scripts
│   ├── analyzer.py                 # Runs analysis using a trained model
│   ├── cursorDetector.py          # Detects cursor in videos using YOLO and outputs CSV
│   ├── cursorDetector_accelerated.py # High-Performance version (C++/Numba)
│   ├── dataModifier.py            # Extracts motion features and normalizes them
│   └── modelTrainer.py            # Trains LSTM anomaly detection model
├── utils/                          # Resource files and utility scripts
│   ├── cursorDetector_x.pt        # Primary YOLOv8 model for cursor detection
│   ├── FakeDataGenerator.py       # Script to generate synthetic training data for YOLO
│   └── universal_scaler.joblib    # Saved standardizer for feature normalization
├── train_pipeline.py               # Full training pipeline: from video to trained model
├── analyze_pipeline.py             # Full analysis pipeline: from video to anomaly scores
├── requirements.txt                # Python dependencies
└── README.md                       # Project documentation

⚙️ Project Setup

1. Install Git LFS (for large model files)

# Install Git LFS from: https://git-lfs.github.com/
git lfs install

2. 安装依赖项

pip install -r requirements.txt

🔍 使用方法：分析流程（`analyze_pipeline.py`）

🎯 目的

使用预训练模型检测游戏录制中的鼠标移动异常。

⚠️ 重要提示： 您的输入视频必须是1080p 30 FPS，以确保光标检测和特征对齐的准确性。

🚀 运行

python analyze_pipeline.py

📊 流程

1. Select a video file (e.g. MP4 screen recording with visible cursor)
Run YOLOv8 to detect and record mouse positions (X, Y, time)
Automatically extract movement features (velocity, acceleration, etc.)
Apply the pre-trained scaler to normalize features
Feed sequences into LSTM autoencoder
Calculate reconstruction error for each 1-second action
Save anomaly scores to CSV

📂 输出

analysis_results/：包含每个动作的重建误差的 CSV 文件
每行对应一个 1 秒序列（30 帧），表示异常程度

🧠 训练你自己的模型

如果你想训练自己的 LSTM 自编码器模型：

使用 pipeline/dataModifier.py 从原始鼠标位置 CSV 文件中提取特征。
使用 utils/universal_scaler.joblib 对特征向量进行归一化。
使用 pipleline/modelTrainer.py 在处理后的序列上训练新模型。

> 💡 提示：确保你输入的视频统一为 1080p 30 FPS。

🧪 工作原理

1. 通过 YOLOv8 和合成数据进行光标检测

为什么选择光标？ 本项目的目标是分析主播或内容创作者的第一人称游戏画面。相比角色行为，鼠标光标轨迹提供了更直接、更可靠的信号来检测潜在的脚本行为。

收集了 鼠标指针 文件和用作背景的 游戏录像

使用 FakeDataGenerator.py 生成了超过 70,000 张带标签的合成图像：

每帧叠加一个随机选取的光标模板
光标大小、亮度、饱和度和全局模糊均随机化

这些带噪声但带标签的图像被用于训练基于 YOLOv8 的目标检测模型，能够检测真实游戏视频中的鼠标位置。

🖼️ 图 1：光标检测示例

2. 通过 LSTM 自编码器进行行为建模

为了避免在识别作弊者时产生主观判断，使用纯粹基于经过验证的人类数据（非作弊比赛）训练的LSTM自编码器。

该模型学习重构正常的人类鼠标移动模式。在推断阶段，任何具有较高重构误差的序列都会被标记为潜在异常，无需手动定义规则。

🧠 图2：LSTM自编码器示意图

3. 使用真实职业玩家数据进行特征工程

收集了50个职业英雄联盟玩家的第一人称重放，提取了超过150万次鼠标移动。

通过dataModifier.py处理原始光标坐标，具体包括：

从原始（X，Y）数据中提取工程特征
用时间增量替代绝对时间戳
计算每帧的速度、加速度（X/Y）、角速度和移动距离
使用universal_scaler.joblib进行归一化

这些移动被分割成每段30步的序列（以30帧/秒计为1秒的动作），代表原子用户操作。

这超过50万的动作序列被输入LSTM进行训练。

4. 通过重构误差进行结果评估

运行完整分析流程后，analyzer.py脚本使用训练好的LSTM自编码器处理提取的特征序列。

对于每个动作（一秒钟的鼠标移动序列），模型计算一个重构误差：

低误差 → 行为与学习到的人类模式相似
高误差 → 行为异常，可能是脚本或辅助行为

这允许对可疑游戏行为进行定量、客观的评估。

结果保存为CSV文件，存放在analysis_results/目录中，每行对应一个检测到的动作及其相关异常分数。

🎮 图3：职业玩家鼠标移动（训练期间未见数据）

👤 图4：普通玩家鼠标移动

⚠️ 图5：可疑游戏鼠标移动

🚀 高性能模式（C++/CUDA）

LoLTrackGuard 现已包含加速处理管线。

特性

混合加速：如果未编译 C++ 扩展，自动使用 Numba（JIT CUDA）和 Threading。
异步视频解码：解耦读取与推理。
自定义 CUDA 内核：预处理滤波器以突出显示光标候选。

安装（可选 C++ 扩展）

为获得最大性能，可编译本地 C++ 扩展：

确保已安装 CUDA Toolkit 和 Visual Studio（MSVC）。
在 extension/setup.py 中配置 OpenCV 路径。
运行：

   cd extension
   python setup.py install
   cd ..
   ``
用法
运行加速检测器：

bash
python pipeline/cursorDetector_accelerated.py

--- Tranlated By Open Ai Tx | Last indexed: 2026-02-15 ---

LoLTrackGuard