CN115253304A - 防作弊方法与电子装置 - Google Patents

Abstract

一种防作弊方法与电子装置。利用触控感测装置侦测鼠标装置于触控感测装置之上的实际轨迹信息，其中鼠标装置移动于触控感测装置之上。撷取用以控制游标的鼠标轨迹信息。依据实际轨迹信息与鼠标轨迹信息来侦测作弊操作。

Description

防作弊方法与电子装置

技术领域

本发明是有关于一种电子装置，且特别是有关于一种使用触控技术的防作弊方法与电子装置。

背景技术

在现今的电竞游戏产业中，通常考验的是玩家经由练习而学得的技巧。在此情况下，借助额外的软硬件辅助来获得不正当优势常常是摧毁游戏中良性竞争环境的重要因素之一。因此，若能适时地侦测并找出使用上述作弊方式进行游戏的玩家，应可较佳地保证游戏的公平性。

一般而言，目前常见的一种作弊方式为玩家在辅助操作脚本工具(简称脚本)的帮助下进行游戏。脚本可以程序的形式运作于电脑装置的操作系统上，因而也可称为外挂程序。或者，玩家或其他相关人员可将脚本设置于硬件设备(例如鼠标装置)内部之固件。玩家可通过上述脚本的辅助来产生伪造的使用者操作，从而破坏了游戏原本设计的平衡性，也破坏了游戏的正常发展。因此，如何检测玩家通过不公平的作弊行为进行游戏实为电竞游戏产业中一个重要议题。

发明内容

有鉴于此，本发明提出一种防作弊方法与电子装置，其可根据触控感测装置感测之鼠标装置的移动轨迹来有效判断作弊操作是否发生。

本发明实施例提供一种防作弊方法，适用于连接鼠标装置的电子装置，其包括下列步骤。利用触控感测装置侦测鼠标装置于触控感测装置之上的实际轨迹信息，其中鼠标装置移动于触控感测装置之上。撷取用以控制游标的鼠标轨迹信息。依据实际轨迹信息与鼠标轨迹信息来侦测作弊操作。

本发明实施例提供一种电子装置，其连接至触控感测装置与鼠标装置并包括储存装置以及处理器。处理器连接储存装置，经配置以执行下列步骤。利用触控感测装置侦测鼠标装置于触控感测装置之上的实际轨迹信息，其中鼠标装置移动于触控感测装置之上。撷取用以控制游标的鼠标轨迹信息。依据实际轨迹信息与鼠标轨迹信息来侦测作弊操作。

基于上述，于本发明的实施例中，在鼠标装置于触控感测装置上移动的情况下，电子装置可依据触控感测装置所提供的触控资料获取鼠标装置于触控感测装置之上的实际轨迹信息。据此，依据此实际轨迹信息与用以控制游标的鼠标轨迹信息，电子装置可有效地且即时地检测使用者是否控制电子装置执行作弊操作。

为让本发明的上述特征和优点能更明显易懂，下文特举实施例，并配合说明书附图作详细说明如下。

附图说明

图1是依照本发明一实施例的电子装置的示意图。

图2是依照本发明一实施例的防作弊方法的流程图。

图3A是依照本发明一实施例的触控感测装置的示意图。

图3B是依照本发明一实施例的触控感测图帧的示意图。

图4A是依照本发明一实施例的利用机器学习模型获取实际轨迹信息的示意图。

图4B是依照本发明一实施例的利用机器学习模型获取实际轨迹信息的示意图。

图5是依照本发明一实施例的防作弊方法的流程图。

图6是依照本发明一实施例的防作弊方法的流程图。

图7是依照本发明一实施例的防作弊方法的流程图。。

其中：

10:电子装置；

110:显示器；

120:储存装置；

130:处理器；

20:鼠标装置；

30:触控感测装置；

111:感测元件阵列；

CS11、CS12、CS21:触控感测元件；

113:扫描驱动电路；

112:接收感测电路；

114:扫描线；

115:感测线；

d1:触控原始资料；

FC11、FC12、FC21:图帧胞元；

F1、F2、F3:触控感测图帧；

T1、T2:移动轨迹；

B1:物件框；

P1:中心点；

PL、PR、PB、PU:极值点；

PC:中心参考点；

Z1:语义分割区域；

Z2:其他区域；

S210～S230、S510～S533、S610～S633、S710～S733:步骤。

具体实施方式

本发明的部份实施例接下来将会配合附图来详细描述，以下的描述所引用的元件符号，当不同附图出现相同的元件符号将视为相同或相似的元件。这些实施例只是本发明的一部份，并未揭示所有本发明的可实施方式。更确切的说，这些实施例只是本发明的权利要求书中的装置与方法的范例。

应理解，当元件被称作「连接」或「耦接」至另一元件时，其可直接地连接或耦接至另一元件，或可存在其他插入元件。换言之，除非特别限定，否则用语「连接」与「耦接」包括两元件直接地与间接地连接与耦接。

图1是依照本发明一实施例的电子装置的示意图，但此仅是为了方便说明，并不用以限制本发明。首先图1先介绍电子装置中的所有构件以及配置关系，详细功能与操作将配合图2一并揭露。

请参照图1，本实施例的电子装置10例如是笔记型电脑、智能手机、平板电脑、电子书、游戏机等可与鼠标装置20以及触控感测装置30连接的电子装置，本发明并不对此限制。电子装置10包括显示器110、储存装置120及处理器130。于一些实施例中，电子装置10可用于运行游戏，鼠标装置20可让使用者以移动的方式控制/操作上述游戏。于一些实施例中，电子装置10可用于运行一线上测验，鼠标装置20可让使用者以移动的方式输入线上测验的答案。

鼠标装置20可通过有线或无线的方式连接电子装置10，本发明对此不限制。举例而言，鼠标装置20可以是蓝牙鼠标或具备USB接头的有线鼠标。此外，根据鼠标装置20的工作原理的不同，鼠标装置20可以为滚轮式鼠标或光学式鼠标，本发明对此不限制。

触控感测装置30可用以感测一物件施于触控感测表面之上的接触。触控感测装置30可通过有线或无线的方式连接电子装置10，本发明对此不限制。于本发明的实施例中，鼠标装置20系于触控感测装置30之上移动。更详细而言，受控于使用者的操作，鼠标装置20系于触控感测装置30的触控感测表面上进行移动，触控感测装置30因而可感测到鼠标装置20的接触。触控感测装置30可实施为触控板、触控屏幕或具有触控感测功能的鼠标垫等等，本发明对此不限制。触控感测装置30例如可包括电容式触控面板、电阻式触控面板、电磁式触控面板、光学式触控面板或应用其他触控感测原理的触控面板。于一些实施例中，触控感测装置30包括阵列排列的多个触控感测元件(例如电容式感测元件或电阻感测元件等等)而可进行触控感测，以获取包括分别对应于触控感测元件的触控原始资料的触控感测图帧。

显示器110例如是液晶显示器(Liquid Crystal Display，LCD)、发光二极管(Light-Emitting Diode，LED)显示器、场发射显示器(Field Emission Display，FED)、有机发光二极管(Organic Light-Emitting Diode，OLED)或其他种类的显示装置。于一些实施例中，显示器110例如是可用于显示上述游戏画面或线上测验画面的屏幕。此外，于一些实施例中，显示器110可显示有由鼠标装置20控制的游标。换言之，显示器110所显示之画面中的游标会反应于鼠标装置20的移动而对应移动。

储存装置120用以储存触控资料、指令、源代码、软件元件等等资料，其可以例如是任意型式的固定式或可移动式随机存取存储器(random access memory，RAM)、只读存储器(read-only memory，ROM)、快闪存储器(flash memory)、硬盘或其他类似装置、集成电路及其组合。

处理器130耦接显示器110与储存装置120，用以控制电子装置10的构件之间的作动，其例如是中央处理单元(Central Processing Unit，CPU)，或是其他可编程之一般用途或特殊用途的微处理器(Microprocessor)、信号数字信号处理器(Digital SignalProcessor，DSP)、可编程控制器、特殊应用集成电路(Application Specific IntegratedCircuits，ASIC)、可编程逻辑装置(Programmable Logic Device，PLD)、图形处理器(Graphics Processing Unit，GPU或其他类似装置或这些装置的组合。处理器130可执行记录于储存装置120中的源代码、软件模块、指令等等，以实现本发明实施例中利用触控资料的防作弊方法。

然而，除了显示器110、储存装置120，以及处理器130之外，电子装置10还可以包括未绘示于图1的其他元件，像是扬声器、麦克风、相机、通讯模块、键盘等等，本发明对此不限制。

图2是依照本发明一实施例的防作弊方法的流程图。请参照图2，本实施例的方式适用于上述实施例中的电子装置10，以下即搭配电子装置10中的各项元件说明本实施例的详细步骤。

于步骤S210，处理器130利用触控感测装置30侦测鼠标装置20于触控感测装置30之上的实际轨迹信息。鼠标装置20移动于触控感测装置30之上。具体而言，使用者是将鼠标装置20置放于触控感测装置30的触控感测表面上，使用者可通过移动鼠标装置20与按压鼠标装置20上的按键来提供使用者指令给电子装置10。需说明的是，由于触控感测装置30可感测鼠标装置20的接触，因此处理器130可通过触控感测装置30感测到鼠标装置20的移动，并获取鼠标装置20于触控感测装置30之上的实际轨迹信息。上述实际轨迹信息可至少包括两个以上的触控定位坐标。

在一实施例中，处理器130可通过触控感测装置30获取多张触控感测图帧。各张触控感测图帧可包括分别对应至触控感测元件的多个图帧胞元(frame cell)，各张触控感测图帧中每一图帧胞元具有触控原始资料。举例而言，假设触控感测装置30具有m*n个触控感测元件，则各张触控感测图帧将包括分别对应至m*n笔触控原始资料的m*n的图帧胞元。于一实施例中，处理器130还可对触控原始资料进行归一化处理，使得经过归一化处理的触控感测图帧中每一图帧胞元的触控资料可介于预设数值范围，例如0至255之内。

需特别说明的是，于一实施例中，为了侦测出鼠标装置20于触控感测装置30的实际轨迹信息，处理器130是获取尚未经过任何过滤处理的触控原始资料。原因在于，相较于人体手指的碰触可使触控感测元件所产生的触控感测信号发生巨幅变化，鼠标装置20的碰触通常仅让触控感测元件所产生的触控感测信号发生小幅度变化。若对触控原始资料进行过滤处理，触控感测图帧可能无法呈现出鼠标装置20的碰触。于一实施例中，电容式的触控感测元件可因应于鼠标装置20内部的金属元件的接近而发生小幅度的电荷变化，而触控感测图帧中的触控原始资料因此可用以感测鼠标装置20的碰触。

进一步而言，图3A是依照本发明一实施例的触控感测装置的示意图。图3B是依照本发明一实施例的触控感测图帧的示意图。请先参照图3A，触控感测装置30可包括感测元件阵列111、扫描驱动电路113与接收感测电路112。感测元件阵列111包括呈现阵列排列的多个触控感测元件(例如触控感测元件CS11、CS12、CS21)。扫描驱动电路113通过扫描线(例如扫描线114)逐列施加驱动信号到触控感测元件。接收感测电路112通过感测线(例如感测线115)接收触控感测元件提供的触控感测信号而输出触控原始资料d1。接收感测电路112可使用类比模拟数字转换器(ADC)将触控感测元件所产生的触控感测信号转换为数字的触控原始资料d1而输出。

请再参照图3B，触控感测图帧F1包括分别对应至多个触控感测元件(例如触控感测元件CS11、CS12、CS21)的多个图帧胞元(例如图帧胞元FC11、FC12、FC21)。并且，每一个图帧胞元皆具有对应的触控原始资料。举例而言，图帧胞元FC11具有触控原始资料‘r1’；图帧胞元FC12具有触控原始资料‘r2’；图帧胞元FC21具有触控原始资料‘r3’。换言之，触控感测图帧F1也可视为一个m*n的资料阵列，此资料阵列里的阵列元素即为触控原始资料。

接着，处理器130可将各张触控感测图帧输入至一机器学习模型而获取鼠标装置20于触控感测装置30上的实际轨迹信息。具体而言，每当处理器130将一张触控感测图帧输入至机器学习模型，此机器学习模型可从触控感测图帧之中侦测出鼠标装置20的鼠标触碰区域。

在一实施例中，此机器学习模型是依据训练图帧集合进行机器学习(例如深度学习)而事先建构，其可储存于储存装置120中。换言之，经训练的机器学习模型的模型参数(例如神经网路层数目与各神经网路层的权重等等)已经由事前训练而决定并储存于储存装置120中。机器学习模型可为卷积神经网路(Convolution Neural Network，CNN)模型中用以进行物件侦测的物件侦测模型，例如YOLO或SSD等等，本发明对此不限制。或者，机器学习模型可为卷积神经网路模型中的语义分割(Semantic Segmentation)模型，例如DeepLabv3+等等，本发明对此不限制。

在一实施例中，处理器130可将各张触控感测图帧输入至机器学习模型而获取各张触控感测图帧中对应至鼠标装置20的物件框(bounding box)。接着，处理器130可根据各张触控感测图帧中物件框内的参考点的位置获取实际轨迹信息。具体而言，当处理器130应用属于物件侦测模型的机器学习模型时，机器学习模型可输出触控感测图帧中对应于鼠标装置20的物件框。接着，处理器130可取此物件框中的一参考点的坐标位置作为鼠标装置20当下的触控定位坐标。上述参考点例如是物件框的中心点，但不限于此。藉此，通过将多张触控感测图帧逐一依序输入至机器学习模型，处理器130可获取多张触控感测图帧中的多个触控定位坐标，以获取包括多个触控定位坐标的实际轨迹信息。

举例而言，图4A是依照本发明一实施例的利用机器学习模型获取实际轨迹信息的示意图。请参照图4A，通过将触控感测装置30提供的触控感测图帧F2输入至机器学习模型，处理器130可获取对应于鼠标装置20的物件框B1，并将物件框B1的中心点P1的坐标位置定位为鼠标装置20的触控定位坐标。通过收集多张触控感测图帧中的多个触控定位坐标，处理器130可获取鼠标装置20于触控感测装置30上的移动轨迹T1(即实际轨迹信息)。

或者，在一实施例中，处理器130可将各张触控感测图帧输入至机器学习模型而获取各张触控感测图帧中对应至鼠标装置20的语义分割区域。接着，处理器130可根据各张触控感测图帧中语义分割区域的边界的获取实际轨迹信息。具体而言，当处理器130应用属于语义分割模型的机器学习模型时，机器学习模型可对触控感测图帧中每一图帧胞元进行分类，以获取触控感测图帧中对应至鼠标装置20的语义分割区域。接着，处理器130可根据语义分割区域的边界决定一参考点，并将此参考点的坐标位置作为鼠标装置20当下的触控定位坐标。藉此，通过将多张触控感测图帧逐一依序输入至机器学习模型，处理器130可获取多张触控感测图帧中的多个触控定位坐标，以获取包括多个触控定位坐标的实际轨迹信息。

举例而言，图4B是依照本发明一实施例的利用机器学习模型获取实际轨迹信息的示意图。请参照图4B，通过将触控感测装置30提供的触控感测图帧F3输入至机器学习模型，处理器130可将触控感测图帧F3分割为对应至鼠标装置20的语义分割区域Z1与其他区域Z2。于本范例中，处理器130可取出语义分割区域Z1于垂直轴向与水平轴向上的四个极值点PL、PR、PB、PU，并根据极值点PL、PR、PB、PU获取中心参考点PC。接着，处理器130可将中心参考点PC1的坐标位置定位为鼠标装置20的触控定位坐标。通过收集多张触控感测图帧中的多个触控定位坐标，处理器130可获取鼠标装置20于触控感测装置30上的移动轨迹T2(即实际轨迹信息)。

接着，于步骤S220，处理器130撷取用以控制游标的鼠标轨迹信息。于一实施例中，处理器130可从电子装置10所执行的操作系统或应用程序取得用以控制游标的鼠标轨迹信息。举例而言，处理器130可通过微软操作系统提供的应用程序界面(例如GetCursorPosAPI等等)来取得游标于屏幕上或某一工作视窗内的游标定位坐标，以获取包括多个游标定位坐标的鼠标轨迹信息。或者，于其他实施例中，通过对显示器110所显示的画面(例如游戏画面或应用程序画面)进行游标侦测而获取游标定位坐标，处理器130可获取用以控制游标的鼠标轨迹信息。

于是，于步骤S230，处理器130依据实际轨迹信息与鼠标轨迹信息来侦测作弊操作。详细而言，实际轨迹信息是反应于使用者控制鼠标装置20的真实操作而产生。因此，根据实际轨迹信息与操作系统或应用程序所提供的鼠标轨迹信息，处理器130可判断使用者是否使用非法脚本在伪造使用者输入信息控制游标。举例而言，处理器130可根据实际轨迹信息得知鼠标装置20是处于静止状态，但用以控制游标的鼠标轨迹信息却一直再变动，处理器130便可据以判断侦测到使用者的作弊操作。又或者，处理器130可根据实际轨迹信息得知鼠标装置20的移动方向，但用以控制游标的鼠标轨迹信息却指示出不一致的游标移动方向，处理器130便可据以判断侦测到使用者的作弊操作。

据此，通过使用触控感测装置30所感测的触控资料，处理器130可有效地判断使用者是否控制电子装置10执行作弊操作，以确保电竞游戏与线上测验的公平性。需特别说明的是，处理器130可根据实际轨迹信息与鼠标轨迹信息且基于多种不同方式来侦测作弊操作，以下将列举实施例说明。

图5是依照本发明一实施例的防作弊方法的流程图。请参照图5，本实施例的方式适用于上述实施例中的电子装置10，以下即搭配电子装置10中的各项元件说明本实施例的详细步骤。

于步骤S510，处理器130利用触控感测装置30侦测鼠标装置20于触控感测装置30之上的实际轨迹信息。于步骤S520，处理器130撷取用以控制游标的鼠标轨迹信息。步骤S510～步骤S520的实施方式相同于图2说明的实施例，于此不再赘述。需注意的是，于步骤S530，处理器130依据实际轨迹信息与鼠标轨迹信息来侦测作弊操作。于本实施例中，步骤S530可实施为步骤S531～步骤S533。

于步骤S531，处理器130根据实际轨迹信息中的多个触控定位坐标获取预设时段内的实际移动资料。实际移动资料可包括实际移动方向与实际位移量。上述预设时段例如是1秒或3秒等等，其可依据实际需求而配置，本发明对此不限制。更详细而言，实际轨迹信息中每一个触控定位坐标会对应至一个定位时间点。处理器130可基于预设时段的长度决定取出两个触控定位坐标，并依据此两个触控定位坐标计算出预设时段内的实际移动方向与实际位移量。

于步骤S532，处理器130根据鼠标轨迹信息中的多个游标定位坐标获取预设时段内的游标移动资料。游标移动资料可包括游标移动方向与游标位移量。详细而言，鼠标轨迹信息中每一个游标定位坐标可代表游标在某一时间点于屏幕上的坐标位置。处理器130可基于预设时段的长度决定取出两个游标定位坐标，并依据此两个游标定位坐标计算出预设时段内的游标移动方向与游标位移量。

于步骤S533，处理器130比对实际移动资料与游标移动资料而判断是否侦测到作弊操作。于一实施例中，处理器130可根据实际移动方向与游标移动方向之间的夹角来判断是否侦测到作弊操作。若实际移动方向与游标移动方向之间的夹角大于预设临界值，代表使用者移动鼠标装置20的方向与游标移动方向不一致，处理器130可判断侦测到作弊操作。反之，若实际移动方向与游标移动方向之间的夹角未大于预设临界值，处理器130可判断没有侦测到作弊操作。或者，在没有其他作弊脚本干扰的情况下，游标位移量与实际位移量之间应当具有特定比例关系。因此，处理器130可根据实际移动方向与游标移动方向之间的比例来判断是否侦测到作弊操作。若实际移动方向与游标移动方向之间的比例不吻合特定比例关系，处理器130可判断侦测到作弊操作。反之，若际移动方向与游标移动方向之间的比例吻合特定比例关系，处理器130可判断没有侦测到作弊操作。

图6是依照本发明一实施例的防作弊方法的流程图。请参照图6，本实施例的方式适用于上述实施例中的电子装置10，以下即搭配电子装置10中的各项元件说明本实施例的详细步骤。

于步骤S610，处理器130利用触控感测装置30侦测鼠标装置20于触控感测装置30之上的实际轨迹信息。于步骤S620，处理器130撷取用以控制游标的鼠标轨迹信息。步骤S610～步骤S620的实施方式相同于图2说明的实施例，于此不再赘述。需注意的是，于步骤S630，处理器130依据实际轨迹信息与鼠标轨迹信息来侦测作弊操作。于本实施例中，步骤S630可实施为步骤S631～步骤S633。

于步骤S631，处理器130根据实际轨迹信息中的多个触控定位坐标获取实际轨迹图像。于步骤S632，处理器130根据鼠标轨迹信息中的多个游标定位坐标获取游标轨迹图像。详细而言，通过将实际轨迹信息中的触控定位坐标同时呈现于单一张实际轨迹图像中，实际轨迹图像可呈现有鼠标装置20于触控感测装置30上的移动轨迹。相似的，通过将鼠标轨迹信息中的多个游标定位坐标同时呈现于单一张游标轨迹图像中，实际轨迹图像可呈现有游标于屏幕上的移动轨迹。

于步骤S633，处理器130依据实际轨迹图像与游标轨迹图像判断是否侦测到作弊操作。换言之，处理器130可比对实际轨迹图像中的实际移动轨迹与游标轨迹图像中的游标移动轨迹来判断是否侦测到作弊操作。于一实施例中，处理器130可将实际轨迹图像与游标轨迹图像输入至经训练的机器学习模型，以通过机器学习模型的输出来判断是否侦测到作弊操作。或者，于一实施例中，处理器130可对实际轨迹图像或/与游标轨迹图像进行图像缩放处理或其他影像处理后，再通过比较处理后两张影像中的移动轨迹的轨迹形状来判断是否侦测到作弊操作。

图7是依照本发明一实施例的防作弊方法的流程图。请参照图7，本实施例的方式适用于上述实施例中的电子装置10，以下即搭配电子装置10中的各项元件说明本实施例的详细步骤。

于步骤S710，处理器130利用触控感测装置30侦测鼠标装置20于触控感测装置30之上的实际轨迹信息。于步骤S720，处理器130撷取用以控制游标的鼠标轨迹信息。步骤S710～步骤S720的实施方式相同于图2说明的实施例，于此不再赘述。需注意的是，于步骤S730，处理器130依据实际轨迹信息与鼠标轨迹信息来侦测作弊操作。于本实施例中，步骤S730可实施为步骤S731～步骤S733。

于步骤S731，处理器130根据实际轨迹信息中的多个触控定位坐标获取实际运动相关资料。实际运动相关资料可包括实际位移量、实际移动方向、实际移动速度、实际移动加速度，或上述资料的统计量等等。

于步骤S732，处理器130根据该鼠标轨迹信息中的多个游标定位坐标获取游标运动相关资料。游标运动相关资料可包括游标位移量、游标移动方向、游标移动速度、游标移动加速度，或上述资料的统计量等等。

于步骤S733，处理器130将实际运动相关资料与游标运动相关资料输入至机器学习模型，以由机器学习模型决定是否侦测到作弊操作。处理器130可将实际运动相关资料与游标运动相关资料输入至经训练的机器学习模型而根据机器学习模型的输出判断是否侦测到作弊操作。举例而言，上述机器学习模型可例如是支持向量机(support vectormachine，SVM)分类模型或K最邻近法(K-nearest neighbor algorithm，KNN)分类模型等，但可不限于此。于一实施例中，机器学习模型例如可输出作弊操作的存在机率，处理器130可根据上述存在机率判断是否侦测到作弊操作。

综上所述，于本发明实施例中，可通过触控感测装置来侦测鼠标装置的实际轨迹信息，并比对实际轨迹信息与用以控制游标的鼠标轨迹信息。于是，依据基于使用者实际动作的实际轨迹信息与用以控制游标的鼠标轨迹信息，伪造使用者操作的作弊操作的存在可得以有效地且准确地侦测出来。藉此，可有效地掌握哪些玩家有使用不当的脚本并进而防止玩家的作弊行为，进而较佳地维护游戏的公平性。

虽然本发明已以实施例揭露如上，然其并非用以限定本发明，任何所属技术领域中技术人员，在不脱离本发明的精神和范围内，当可作些许的更动与润饰，故本发明的保护范围当视权利要求书所界定者为准。

Claims (16)

1.一种防作弊方法，适用于连接一鼠标装置的一电子装置，所述方法包括：

利用一触控感测装置侦测该鼠标装置于该触控感测装置之上的实际轨迹信息，其中该鼠标装置移动于该触控感测装置之上；

撷取用以控制一游标的鼠标轨迹信息；以及

依据该实际轨迹信息与该鼠标轨迹信息来侦测一作弊操作。

2.如权利要求1所述的防作弊方法，其特征在于，利用该触控感测装置侦测该鼠标装置于该触控感测装置之上的该实际轨迹信息的步骤包括：

通过该触控感测装置获取多张触控感测图帧；以及

将各该些触控感测图帧输入至一机器学习模型而获取该鼠标装置于该触控感测装置上的该实际轨迹信息。

3.如权利要求2所述的防作弊方法，其特征在于，将各该些触控感测图帧输入至该机器学习模型而获取该鼠标装置于该触控感测装置上的该实际轨迹信息的步骤包括：

将各该些触控感测图帧输入至该机器学习模型而获取各该些触控感测图帧中对应至该鼠标装置的一物件框；以及

根据各该些触控感测图帧中该物件框内的一参考点的位置获取该实际轨迹信息。

4.如权利要求2所述的防作弊方法，其特征在于，将各该些触控感测图帧输入至该机器学习模型而获取该鼠标装置于该触控感测装置上的该实际轨迹信息的步骤包括：

将各该些触控感测图帧输入至该机器学习模型而获取各该些触控感测图帧中对应至该鼠标装置的语义分割区域；以及

根据各该些触控感测图帧中该语义分割区域的边界的获取该实际轨迹信息。

5.如权利要求1所述的防作弊方法，其特征在于，撷取用以控制该游标的该鼠标移动轨迹的步骤包括：

从该电子装置所执行的一操作系统或一应用程序取得用以控制该游标的该鼠标轨迹信息。

6.如权利要求1所述的防作弊方法，其特征在于，依据该实际轨迹信息与该鼠标轨迹信息来侦测该作弊操作的步骤包括：

根据该实际轨迹信息中的多个触控定位坐标获取一预设时段内的一实际移动资料；

根据该鼠标轨迹信息中的多个游标定位坐标获取该预设时段内的一游标移动资料；以及

比对该实际移动资料与该游标移动资料而判断是否侦测到该作弊操作。

7.如权利要求1所述的防作弊方法，其特征在于，依据该实际轨迹信息与该鼠标轨迹信息来侦测该作弊操作的步骤包括：

根据该实际轨迹信息中的多个触控定位坐标获取一实际轨迹图像；

根据该鼠标轨迹信息中的多个游标定位坐标获取一游标轨迹图像；以及

依据该实际轨迹图像与该游标轨迹图像判断是否侦测到该作弊操作。

8.如权利要求1所述的防作弊方法，其特征在于，依据该实际轨迹信息与该鼠标轨迹信息来侦测该作弊操作的步骤包括：

根据该实际轨迹信息中的多个触控定位坐标获取一实际运动相关资料；

根据该鼠标轨迹信息中的多个游标定位坐标获取一游标运动相关资料；以及

将该实际运动相关资料与该游标运动相关资料输入至一机器学习模型，以由该机器学习模型决定是否侦测到该作弊操作。

9.一种电子装置，连接一鼠标装置与一触控感测装置，包括：

一储存装置；以及

一处理器，耦接该触控感测装置与该储存装置，经配置以：

利用该触控感测装置侦测该鼠标装置于该触控感测装置之上的实际轨迹信息，其中该鼠标装置移动于该触控感测装置之上；

撷取用以控制一游标的鼠标轨迹信息；以及

依据该实际轨迹信息与该鼠标轨迹信息来侦测一作弊操作。

10.如权利要求9所述的电子装置，其特征在于，该处理器还经配置以：

通过该触控感测装置获取多张触控感测图帧；以及

将各该些触控感测图帧输入至一机器学习模型而获取该鼠标装置于该触控感测装置上的该实际轨迹信息。

11.如权利要求10所述的电子装置，其特征在于，该处理器还经配置以：

将各该些触控感测图帧输入至该机器学习模型而获取各该些触控感测图帧中对应至该鼠标装置的一物件框；以及

根据各该些触控感测图帧中该物件框内的一参考点的位置获取该实际轨迹信息。

12.如权利要求10所述的电子装置，其特征在于，该处理器还经配置以：

将各该些触控感测图帧输入至该机器学习模型而获取各该些触控感测图帧中对应至该鼠标装置的语义分割区域；以及

根据各该些触控感测图帧中该语义分割区域的边界的获取该实际轨迹信息。

13.如权利要求9所述的电子装置，其特征在于，该处理器还经配置以：

从该电子装置所执行的一操作系统或一应用程序取得用以控制该游标的该鼠标轨迹信息。

14.如权利要求9所述的电子装置，其特征在于，该处理器还经配置以：

根据该实际轨迹信息中的多个触控定位坐标获取一预设时段内的一实际移动资料；

根据该鼠标轨迹信息中的多个游标定位坐标获取该预设时段内的一游标移动资料；以及

比对该实际移动资料与该游标移动资料而判断是否侦测到该作弊操作。

15.如权利要求9所述的电子装置，其特征在于，该处理器还经配置以：

根据该实际轨迹信息中的多个触控定位坐标获取一实际轨迹图像；

根据该鼠标轨迹信息中的多个游标定位坐标获取一游标轨迹图像；以及

依据该实际轨迹图像与该游标轨迹图像判断是否侦测到该作弊操作。

16.如权利要求9所述的电子装置，其特征在于，该处理器还经配置以：

根据该实际轨迹信息中的多个触控定位坐标获取一实际运动相关资料；

根据该鼠标轨迹信息中的多个游标定位坐标获取一游标运动相关资料；以及

将该实际运动相关资料与该游标运动相关资料输入至一机器学习模型，以由该机器学习模型决定是否侦测到该作弊操作。

Images