mouse_control

一种基于神经网络来模拟人手移动鼠标的方法

简介

本项目源于该死的轨迹检测。经过初步验证，本项目是有效的。

上图为真人轨迹移动得到的散点图。这里我们用10个点来拟合轨迹。
可以看到，人手的移动其实和pid，以及其他的曲线是有一定区别的。
因此，我们选用神经网络来拟合真人鼠标移动轨迹。
该神经网络其实很简单，只有三个全连接层。
输入为目标距离当前位置的dx，dy。
输出为10个点用来模拟真人的轨迹。

收集鼠标轨迹

首先运行collect_data.py。运行后，我们会看到这样一个界面。

我们需要点击红球，就会开始记录鼠标轨迹，点击蓝球，结束记录。这样我们就成功收集到一条鼠标轨迹的数据。
重复这样，每收集100次程序会退出。我们一共要收集约300条数据。
这样，我们就收集好了数据。

划分数据集（可选）

我们将mouse_data.csv用vscode打开，选择一些数据剪切到mouse_data_test.csv中。

训练模型

运行train.py，程序就会开始训练模型。最终我们能看到控制台打印出的一条test数据。是一个dx，dy拟合出的十个点。

验证

我们将刚刚得到的十个点放到show.py中，观察散点图，发现其轨迹类似于本人鼠标移动轨迹。

c++推理

cv::dnn::Net net;
net = cv::dnn::readNetFromONNX("mouse.onnx");
if (!net.empty())
{
  cv::Mat blob(1, 2, CV_32F, cv::Scalar(100, 100));//这里的100，100是输入dx，dy
  int sizes[] = { 1, 10, 2 };
  cv::Mat mat(3, sizes, CV_32F);
  net.setInput(blob,"input");
  cv::Mat output = net.forward("output");//输出为1*10*2
  std::cout << output.at<float>(0,8,0) << std::endl;

}

python推理

from cv2 import dnn
import numpy as np
 
net = dnn.readNetFromONNX("mouse.onnx")
matblob = np.array([[100,200]])
net.setInput(matblob)
print('input = {}'.format(matblob))
output = net.forward()
print('output = {}'.format(output))

suixin1424 / mouse_control