LoL 血量实时监控系统

一个基于计算机视觉和 OCR 技术的英雄联盟血量实时监控工具，能够自动识别游戏中的血量信息并实时显示。

功能特性

• 🎯 实时监控：每秒更新血量信息
• 📊 双重显示：显示具体血量（分子/分母）和百分比
• 🚀 高性能：优化后的算法，快速响应
• 💾 智能缓存：自动缓存检测结果，提升速度
• 🎨 悬浮窗口：半透明悬浮 HUD，不遮挡游戏画面

算法流程

整体架构

截屏 → 边缘检测定位血量条 → OCR识别文本 → 解析血量 → 显示结果

详细流程

1. 截屏阶段 (watch_hp.py)

• 使用 PIL.ImageGrab 截取右侧副屏（1920x1080）
• 直接转换为 numpy 数组，避免文件 IO

2. 血量条定位 (detect_hp_bar_by_edge())

Step 0: ROI 提取

• 提取屏幕底部中央区域（高度 4/5 到 1，宽度 1/4 到 3/4）
• 这是血量条最可能出现的位置

Step 1: 灰度化与模糊

• 转换为灰度图
• 高斯模糊（5x5）降噪

Step 2: 边缘检测

• 使用 Canny 边缘检测（阈值 50-150）
• 提取血量条的边缘特征

Step 3: 形态学处理

• 使用 15x3 矩形核进行闭运算
• 连接断开的边缘，形成完整的轮廓

Step 4: 轮廓筛选

• 查找所有轮廓
• 筛选条件：宽度 ≥ 40，高度 ≥ 4
• 选择最宽的轮廓作为血量条（通常血量条是最宽的）

3. OCR 识别 (extract_health_text_from_roi())

• 使用 PaddleOCR 识别血量文本
• 查找包含 / 的文本（如 "1234/5678"）
• 提取当前血量和最大血量

4. 缓存机制

• 首次运行：完整边缘检测 → OCR → 保存 bbox
• 后续运行：直接使用缓存的 bbox → OCR（跳过边缘检测）
• 失败回退：缓存失败时自动删除 bbox.txt，下次运行完整检测

5. 结果显示

• 计算血量百分比：health_rate = cur / max_hp
• 更新 UI 显示：具体血量和百分比

性能优化项目

1. OCR 模型复用 ⚡ (最大优化)

• 问题：每次调用都创建新的 PaddleOCR() 实例，初始化耗时 ~500ms
• 优化：使用全局单例模式，只初始化一次
• 效果：首次 ~500ms，后续 0ms
• 代码位置：get_ocr_instance() 函数

2. 减少文件 IO 💾

• 截屏：不再保存 screen.png，直接传 numpy 数组
• 调试图片：只在 debug=True 时保存（step0-4、hp_result_with_text.png）
• step4 图片：非 debug 模式从内存提取 ROI，不写文件
• 失败 ROI：只在 debug 模式保存 hp_ocr_failed_roi.png
• 效果：减少 3-5 次文件读写操作

3. 优化图像处理 🖼️

• 减少不必要的 .copy() 操作
• 使用数组视图而非复制（在需要时再 copy）
• 优化 ROI 提取逻辑

4. 减少日志输出 📝

• 非 debug 模式减少 print 输出
• 移除不必要的调试信息
• 只在关键节点输出日志

5. 智能缓存机制 🧠

• 使用缓存的 bbox 时跳过边缘检测（最耗时的步骤）
• 缓存失败自动回退到完整检测
• 只保存 bbox 坐标，不保存其他冗余信息

6. OCR 配置优化 ⚙️

• use_angle_cls=False：禁用角度分类，提升速度
• show_log=False：关闭日志输出
• use_gpu=False：使用 CPU（避免 GPU 初始化开销）

性能对比

操作	优化前	优化后	提升
OCR 初始化	每次 ~500ms	首次 ~500ms	100%
文件 IO	3-5 次读写	0-1 次读写	80%
完整检测	~800ms	~600ms	25%
缓存检测	N/A	~200ms	新增
总体速度	~1.0s	~0.3-0.5s	50-70%

文件结构

LOL_Health_bar/
├── lol.py              # 核心算法（边缘检测 + OCR）
├── watch_hp.py         # 实时监控主程序
├── bbox.txt            # 缓存的 bbox 坐标
├── screen.png          # 截屏文件（可选）
├── hp_result_with_text.png  # 可视化结果（debug模式）
└── hp_edge_steps/      # 调试图片目录（debug模式）
    ├── step0_bottom_center_roi.png
    ├── step1_gray.png
    ├── step2_edges.png
    ├── step3_edges_closed.png
    ├── step4_all_candidates.png
    └── step4_final_bbox.png

使用方法

安装依赖

pip install opencv-python pillow paddleocr numpy

运行程序

python watch_hp.py

调试模式

修改 watch_hp.py 中的 debug=True，会保存所有中间步骤的图片。

技术栈

• 计算机视觉：OpenCV（边缘检测、形态学处理）
• OCR：PaddleOCR（文本识别）
• 图像处理：PIL、NumPy
• UI：Tkinter（悬浮窗口）

注意事项

1. 屏幕分辨率：代码中硬编码了副屏尺寸（1920x1080），如需修改请调整 watch_hp.py 中的参数
2. bbox 缓存：如果游戏窗口位置变化，可能需要删除 bbox.txt 重新检测
3. 性能：首次运行会较慢（OCR 初始化），后续运行会更快

未来优化方向

• 使用更小的 OCR 模型（MobileNet）
• 多线程并行处理
• 降低图像分辨率（在保证识别率的前提下）
• GPU 加速（如果有独立显卡）
• 自适应 bbox 更新机制