CN118296581A - 一种基于vr肢体交互的连续身份认证方法及其系统 - Google Patents
一种基于vr肢体交互的连续身份认证方法及其系统 Download PDFInfo
- Publication number
- CN118296581A CN118296581A CN202410726027.2A CN202410726027A CN118296581A CN 118296581 A CN118296581 A CN 118296581A CN 202410726027 A CN202410726027 A CN 202410726027A CN 118296581 A CN118296581 A CN 118296581A
- Authority
- CN
- China
- Prior art keywords
- user
- limb
- movement
- behavior characteristics
- identity authentication
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 230000003993 interaction Effects 0.000 title claims abstract description 27
- 238000005516 engineering process Methods 0.000 claims abstract description 11
- 210000003414 extremity Anatomy 0.000 claims description 54
- 210000003127 knee Anatomy 0.000 claims description 16
- 238000013528 artificial neural network Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 10
- 230000009466 transformation Effects 0.000 claims description 7
- 238000012706 support-vector machine Methods 0.000 claims description 6
- 238000005452 bending Methods 0.000 claims description 5
- 230000001364 causal effect Effects 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 3
- 230000002452 interceptive effect Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Collating Specific Patterns (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了一种基于VR肢体交互的连续身份认证方法及其系统,包括:获取用户选择的一种肢体移动方式;基于虚拟移动技术,获取用户一种肢体移动的虚拟视点;基于所述虚拟视点的移动,采集用户的移动行为特征;将所述移动行为特征作为用户的个人签名,基于所述移动行为特征训练时间序列模型,得到训练好的时间序列模型;获取用户的待认证移动行为特征,将所述待认证移动行为特征输入至训练好的时间序列模型中,得到用户身份预测的置信度;对所述置信度进行阈值判断,得到用户身份认证结果。本发明可以持续的监控用户的身份,防止用户登录后被冒名顶替,或者用户故意将凭证泄露给其他人。
Description
技术领域
本发明属于VR设备安全认证技术领域,尤其涉及一种基于VR肢体交互的连续身份认证方法及其系统。
背景技术
由于虚拟现实技术(Virtual Reality,VR)的不断发展,VR技术越来越深入各大领域,如医疗,教育,游戏等行业。由于可能产生大量的敏感数据,因此确保这类的数据得到妥善的保护以及保护用户的隐私和安全就至关重要。
当前VR基于传统PIN码或者密码的认证通常都是一次性认证,也就是说用户只需在开始时登录一次即可进入系统,无法持续的监控用户的身份,这在一些具体的应用场景上是不利的,例如,VR模拟考试或者VR电竞游戏认证中。同时,密码也容易遭到泄露或者被黑客进行暴力破解。为了解决基于传统密码认证的局限性,许多研究提出了基于行为认证的方法。Miller等人通过对用户在VR中抛球的行为特征进行身份识别,可以持续的在抛球过程中监控用户的身份,防止用户故意将密码泄露给其他人,但是这种认证方式仍然存在局限,首先,这种技术适用范围小,只适用于频繁抛球的VR游戏场景中。其次,这种技术不是隐式认证,无法无缝的衔接到用户其他的交互任务中。
发明内容
为解决上述技术问题,本发明提出了一种基于VR肢体交互的连续身份认证方法,本发明可以使得用户可以在虚拟现实移动中无缝且连续的进行身份认证,同时允许用户边认证边进行其他交互,以解决上述现有技术存在的问题。
为实现上述目的,本发明提供了一种基于VR肢体交互的连续身份认证方法,包括:
获取用户选择的一种肢体移动方式;
基于虚拟移动技术,获取用户一种肢体移动的虚拟视点;基于所述虚拟视点的移动,采集用户的移动行为特征;
将所述移动行为特征作为用户的个人签名,基于所述移动行为特征训练时间序列模型,得到训练好的时间序列模型;
获取用户的待认证移动行为特征,将所述待认证移动行为特征输入至训练好的时间序列模型中,得到用户身份预测的置信度;对所述置信度进行阈值判断,得到用户身份认证结果。
优选地,所述肢体移动方式包括:头部倾斜、手臂摆动和膝盖弯曲。
优选地,还包括调节所述虚拟视点速度的过程:
若用户选择所述头部倾斜时,则用户通过倾斜头部在虚拟场景向前移动,计算用户的头部和水平线的第一夹角,通过所述第一夹角调节所述虚拟视点移动的速度;
若用户选择所述手臂摆动时,则用户通过摆动手臂在虚拟场景向前移动,计算用户的手臂和水平线的第二夹角,通过所述第二夹角调节所述虚拟视点移动的速度;
若用户选择所述膝盖弯曲时,则用户通过弯曲膝盖在虚拟场景向前移动,计算用户的膝盖和水平线的第三夹角,通过所述第三夹角调节所述虚拟视点移动的速度。
优选地,所述移动行为特征包括:用户头显位置和第一欧拉旋转坐标、左右手柄位置和第二欧拉旋转坐标、膝盖传感器位置和第三欧拉旋转坐标。
优选地,所述时间序列模型包括:全连接神经网络和ShapeNet神经网络,其中基于所述全连接神经网络,输出用户身份预测的置信度,基于所述ShapeNet神经网络,输出用户身份预测的分数值。
优选地,基于所述ShapeNet神经网络,输出用户身份预测的分数值的过程包括:
采用移动行为特征的多长度输入扩展因果卷积神经网,利用聚类三重损失对不同长度和变量的候选shape进行统一的空间嵌入和训练;
ShapeNet对候选shape进行聚类,选择具有代表性和多样性的shapelet;
使用多变量Shapelet变换,计算多变量时间序列与所选Shapelet之间的距离,得到多变量Shapelet的多元时间序列变换表示;
在多元时间序列变换表示的基础上,利用支持向量机进行分类,输出用户身份预测的分数值。
优选地,获取用户的待认证移动行为特征的过程:
基于用户行为认证界面,供用户选择同一种肢体移动方式,得到用户在虚拟场景向前移动的待认证移动行为特征。
为了实现本发明技术目的,还提供了一种基于虚拟现实肢体交互的连续身份认证系统,其特征在于,用于实施所述的基于VR肢体交互的连续身份认证方法,所述系统包括:
方式获取模块,用于获取用户选择的一种肢体移动方式;
特征采集模块,用于基于虚拟移动技术,获取用户一种肢体移动的虚拟视点;基于所述虚拟视点的移动,采集用户的移动行为特征;
模型训练模块,用于将所述移动行为特征作为用户的个人签名,基于所述移动行为特征训练时间序列模型,得到训练好的时间序列模型;
身份认证模块,用于获取用户的待认证移动行为特征,将所述待认证移动行为特征输入至训练好的时间序列模型中,得到用户身份预测的置信度;对所述置信度进行阈值判断,得到用户身份认证结果。
本发明还提供了一种可读存储介质,所述可读存储介质包括所述的基于VR肢体交互的连续身份认证系统。
与现有技术相比,本发明具有如下优点和技术效果:
本发明提供了一种基于虚拟现实肢体交互的连续身份认证方法,包括:首先获取用户选择的一种肢体移动方式;接着基于虚拟移动技术,获取用户一种肢体移动的虚拟视点;基于所述虚拟视点的移动,采集用户的移动行为特征;将所述移动行为特征作为用户的个人签名,基于所述移动行为特征训练时间序列模型,得到训练好的时间序列模型;最后获取用户的待认证移动行为特征,将所述待认证移动行为特征输入至训练好的时间序列模型中,得到用户身份预测的置信度;对所述置信度进行阈值判断,得到用户身份认证结果。
本发明可以持续的监控用户的身份,防止用户登录后被冒名顶替,或者用户故意将凭证泄露给其他人。这在一些虚拟现实模拟考试场景下特别有用。
本发明提供了一种隐式认证,不需要用户提供主动的身份证明,只需要分析用户在虚拟场景中移动模式即可确认用户的身份。
本发明提出的虚拟移动在VR场景范围内应用非常广泛,允许用户一边进行移动认证,一边执行其他交互任务,不会中断用户的其他任务。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本发明实施例的基于VR肢体交互的连续身份认证方法流程图;
图2为本发明实施例的肢体移动方式的选择界面示意图;
图3为本发明实施例的对用户虚拟场景移动特征进行采集的示意图;
图4为本发明实施例的系统示意图。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
实施例一
如图1所示,本实施例中提供一种基于VR肢体交互的连续身份认证方法,包括:
S1、获取用户选择的一种肢体移动方式;
具体地,用户向VR设备发出设置个人签名请求(注册账户请求),用户第一次进入系统首先需要注册账号,用户用手柄射线选择“注册账号”按钮,输入注册用户名。进入下一步移动动作移动行为注册界面。
VR设备接收设置个人签名请求。此时用户可以在三种肢体移动方式(头部、手臂、膝盖)中进行选择,此时为移动方式选择界面,可参见图2。头部为肢体的移动方式是用户通过倾斜头部在虚拟世界向前移动,系统通过计算用户头部和水平线直接的夹角调节虚拟视点速度的大小(例如,y = k * θ,θ为头部与水平线的夹角);手臂为肢体的移动方式是用户通过摆动手臂控制虚拟视点移动速度,手臂摆动幅度越大,移动速度越快;膝盖为肢体的移动方式是用户通过弯曲膝盖来控制虚拟视点移动的速度,系统通过计算膝盖和水平线的夹角调节虚拟视点速度的大小(例如,y = k * θ,θ为膝盖与水平线的夹角)。
S2、基于虚拟移动技术,获取用户一种肢体移动的虚拟视点;基于所述虚拟视点的移动,采集用户的移动行为特征;
具体地,用户选择了一种肢体移动方式后,界面跳转到用户移动行为特征采集界面,如图3所示,用户被要求在一条长度为30m直线上移动,用户按下手柄的按键开始移动,到达终点黑色箭头处自动停止,移动过程中,用户头显的位置和欧拉旋转坐标,以及左右手柄的位置和欧拉旋转坐标,以及膝盖传感器的位置和欧拉旋转坐标都会被设备采集并用于时间序列分类器的训练。用户重复上述的移动5次后结束特征采集。
S3、将所述移动行为特征作为用户的个人签名,基于所述移动行为特征训练时间序列模型,得到训练好的时间序列模型;
具体地,用户注册完毕,系统会对用户在虚拟现实场景中的移动数据特征进行训练,把用户移动过程中的行为特征作为用户个人的签名。训练过程结束后,系统显示用户注册成功,并返回主菜单界面。模型训练使用全连接神经网络(FCN)和ShapeNet神经网络训练进行训练。时间序列分类模型数据训练模型:FCN的核心结构由三个卷积块组成:第一个卷积块包含128个滤波器,卷积核大小为8;第二卷积块包括256个滤波器,其卷积核大小为5;第三个卷积块包括128个卷积核大小为3的滤波器。它们都经过批处理规范化,并使用ReLU函数激活。ShapeNet是一种深度学习方法,用于多变量时间序列(MTS)的shapelet选择。首先,采用多长度输入扩展因果卷积神经网(Mdc-CNN),利用聚类三重损失对不同长度和变量的候选shape进行统一的空间嵌入和训练;其次,ShapeNet不是直接将大量候选shapelet输入到分类器中,而是首先对它们进行聚类,然后选择具有代表性和多样性的shapelet。然后,使用多变量Shapelet变换(Multivariate Shapelet Transform, MST)计算多变量时间序列与所选Shapelet之间的距离,得到多变量Shapelet的多元时间序列变换表示。最后,在多元时间序列变换表示的基础上,利用支持向量机(SVM)进行分类。
S4、获取用户的待认证移动行为特征,将所述待认证移动行为特征输入至训练好的时间序列模型中,得到用户身份预测的置信度;对所述置信度进行阈值判断,得到用户身份认证结果。
具体地,S41、用户向VR设备发起用户认证请求。用户选择“登录按钮”,并输入用户名。
S42、移动VR设备接收用户认证请求。此时系统跳转到用户行为认证界面,用户被要求在一条长度为30m直线上移动,如图3所示,和S3用户签名设置阶段相似,用户需要到达终点红色箭头处后停止,同时采集用户在移动过程的行为数据。
S43、用户移动过程的数据输入到注册阶段训练好的模型中,在全连接神经网络(FCN)中,模型会输出关于每名用户身份预测的概率值,其中最大的概率值为置信度;在ShapeNet神经网络中,通过计算多变量时间序列与所选Shapelet之间的距离,最后通过支持向量机(SVM)进行分类,模型会输出关于每名用户身份预测的分数,其中最大分数值则为置信度。如果模型返回的置信度大于设置的阈值,同时判断模型预测的用户名和用户认证阶段输入的用户名字一致,若是,则用户认证通过,显示“登录成功”;若否,则显示“登录失败,请重试”,如果模型返回的置信度小于设置的阈值,则同样显示“登录失败,请重试”。
本实施例有益效果:
本实施例可以持续的监控用户的身份,防止用户登录后被冒名顶替,或者用户故意将凭证泄露给其他人。这在一些VR模拟考试场景下特别有用。
本实施例提供了一种隐式认证,不需要用户提供主动的身份证明,只需要分析用户在虚拟场景中移动模式即可确认用户的身份。
本实施例提出的虚拟移动在VR场景范围内应用非常广泛,允许用户一边进行移动认证,一边执行其他交互任务,不会中断用户的其他任务。
实施例二
如图4所示,本实施例提供了一种基于VR肢体交互的连续身份认证系统,用于实施实施例一所述的基于VR肢体交互的连续身份认证方法,所述系统包括:
方式获取模块,用于获取用户选择的一种肢体移动方式;
特征采集模块,用于基于虚拟移动技术,获取用户一种肢体移动的虚拟视点;基于所述虚拟视点的移动,采集用户的移动行为特征;
模型训练模块,用于将所述移动行为特征作为用户的个人签名,基于所述移动行为特征训练时间序列模型,得到训练好的时间序列模型;
身份认证模块,用于获取用户的待认证移动行为特征,将所述待认证移动行为特征输入至训练好的时间序列模型中,得到用户身份预测的置信度;对所述置信度进行阈值判断,得到用户身份认证结果。
实施例三
本发明还提供了一种可读存储介质,所述可读存储介质包括实施例二所述的基于VR肢体交互的连续身份认证系统。
以上,仅为本申请较佳的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应该以权利要求的保护范围为准。
Claims (9)
1.一种基于VR肢体交互的连续身份认证方法,其特征在于,包括以下步骤:
获取用户选择的一种肢体移动方式;
基于虚拟移动技术,获取用户一种肢体移动的虚拟视点;基于所述虚拟视点的移动,采集用户的移动行为特征;
将所述移动行为特征作为用户的个人签名,基于所述移动行为特征训练时间序列模型,得到训练好的时间序列模型;
获取用户的待认证移动行为特征,将所述待认证移动行为特征输入至训练好的时间序列模型中,得到用户身份预测的置信度;对所述置信度进行阈值判断,得到用户身份认证结果。
2.根据权利要求1所述的基于VR肢体交互的连续身份认证方法,其特征在于,所述肢体移动方式包括:头部倾斜、手臂摆动和膝盖弯曲。
3.根据权利要求2所述的基于VR肢体交互的连续身份认证方法,其特征在于,还包括调节所述虚拟视点速度的过程:
若用户选择所述头部倾斜时,则用户通过倾斜头部在虚拟场景向前移动,计算用户的头部和水平线的第一夹角,通过所述第一夹角调节所述虚拟视点移动的速度;
若用户选择所述手臂摆动时,则用户通过摆动手臂在虚拟场景向前移动,计算用户的手臂和水平线的第二夹角,通过所述第二夹角调节所述虚拟视点移动的速度;
若用户选择所述膝盖弯曲时,则用户通过弯曲膝盖在虚拟场景向前移动,计算用户的膝盖和水平线的第三夹角,通过所述第三夹角调节所述虚拟视点移动的速度。
4.根据权利要求1所述的基于VR肢体交互的连续身份认证方法,其特征在于,所述移动行为特征包括:用户头显位置和第一欧拉旋转坐标、左右手柄位置和第二欧拉旋转坐标、膝盖传感器位置和第三欧拉旋转坐标。
5.根据权利要求1所述的基于VR肢体交互的连续身份认证方法,其特征在于,所述时间序列模型包括:全连接神经网络和ShapeNet神经网络,其中基于所述全连接神经网络,输出用户身份预测的置信度,基于所述ShapeNet神经网络,输出用户身份预测的分数值。
6.根据权利要求5所述的基于VR肢体交互的连续身份认证方法,其特征在于,基于所述ShapeNet神经网络,输出用户身份预测的分数值的过程包括:
采用移动行为特征的多长度输入扩展因果卷积神经网,利用聚类三重损失对不同长度和变量的候选shape进行统一的空间嵌入和训练;
ShapeNet对候选shapelet进行聚类,选择具有代表性和多样性的shapelet;
使用多变量Shapelet变换,计算多变量时间序列与所选Shapelet之间的距离,得到多变量Shapelet的多元时间序列变换表示;
在多元时间序列变换表示的基础上,利用支持向量机进行分类,输出用户身份预测的分数值。
7.根据权利要求1所述的基于VR肢体交互的连续身份认证方法,其特征在于,获取用户的待认证移动行为特征的过程:
基于用户行为认证界面,供用户选择同一种肢体移动方式,得到用户在虚拟场景向前移动的待认证移动行为特征。
8.一种基于VR肢体交互的连续身份认证系统,其特征在于,用于实施权利要求1-7任一项所述的基于VR肢体交互的连续身份认证方法,所述系统包括:
方式获取模块,用于获取用户选择的一种肢体移动方式;
特征采集模块,用于基于虚拟移动技术,获取用户一种肢体移动的虚拟视点;基于所述虚拟视点的移动,采集用户的移动行为特征;
模型训练模块,用于将所述移动行为特征作为用户的个人签名,基于所述移动行为特征训练时间序列模型,得到训练好的时间序列模型;
身份认证模块,用于获取用户的待认证移动行为特征,将所述待认证移动行为特征输入至训练好的时间序列模型中,得到用户身份预测的置信度;对所述置信度进行阈值判断,得到用户身份认证结果。
9.一种可读存储介质,其特征在于,所述可读存储介质包括权利要求8所述的基于VR肢体交互的连续身份认证系统。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410726027.2A CN118296581A (zh) | 2024-06-06 | 2024-06-06 | 一种基于vr肢体交互的连续身份认证方法及其系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410726027.2A CN118296581A (zh) | 2024-06-06 | 2024-06-06 | 一种基于vr肢体交互的连续身份认证方法及其系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118296581A true CN118296581A (zh) | 2024-07-05 |
Family
ID=91689339
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410726027.2A Pending CN118296581A (zh) | 2024-06-06 | 2024-06-06 | 一种基于vr肢体交互的连续身份认证方法及其系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118296581A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107018121A (zh) * | 2016-10-13 | 2017-08-04 | 阿里巴巴集团控股有限公司 | 用户身份验证的方法及装置 |
CN108245890A (zh) * | 2018-02-28 | 2018-07-06 | 网易(杭州)网络有限公司 | 控制虚拟场景中物体运动的方法和装置 |
CN112487374A (zh) * | 2020-12-04 | 2021-03-12 | 重庆邮电大学 | 基于触摸屏交互行为的自适应持续身份认证方法及系统 |
-
2024
- 2024-06-06 CN CN202410726027.2A patent/CN118296581A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107018121A (zh) * | 2016-10-13 | 2017-08-04 | 阿里巴巴集团控股有限公司 | 用户身份验证的方法及装置 |
CN108245890A (zh) * | 2018-02-28 | 2018-07-06 | 网易(杭州)网络有限公司 | 控制虚拟场景中物体运动的方法和装置 |
CN112487374A (zh) * | 2020-12-04 | 2021-03-12 | 重庆邮电大学 | 基于触摸屏交互行为的自适应持续身份认证方法及系统 |
Non-Patent Citations (1)
Title |
---|
GUOZHONG LI 等: "ShapeNet: A Shapelet-Neural Network Approach for Multivariate Time Series Classification", AAAI TECHNICAL TRACK ON MACHINE LEARNINGⅡ, vol. 35, no. 9, 28 May 2021 (2021-05-28), pages 1 - 2 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11695771B2 (en) | Systems and methods for providing security via interactive media | |
CN109902659B (zh) | 用于处理人体图像的方法和装置 | |
CN111033501B (zh) | 虚拟现实中对访问私有数据的安全授权 | |
Alsaadi | Study on most popular behavioral biometrics, advantages, disadvantages and recent applications: A review | |
JP2021184265A (ja) | 認証システムにおいてユーザを登録および認証するための方法、顔認証システム、ならびに認証システムにおいてユーザを認証するための方法 | |
Khan et al. | Augmented reality-based mimicry attacks on behaviour-based smartphone authentication | |
US10387645B2 (en) | Method for recognizing if a user of an electronic terminal is a human or a robot | |
CN107562201A (zh) | 定向交互方法、装置、电子设备及存储介质 | |
WO2018171196A1 (zh) | 一种控制方法、终端及系统 | |
CN104966016A (zh) | 移动终端儿童用户协作式判断及限制操作权限的方法 | |
CN116994294B (zh) | 基于神经网络的虚拟现实设备使用者识别系统 | |
CN111563746A (zh) | 用户身份认证的方法、装置、电子设备和介质 | |
US11599612B2 (en) | Method, apparatus and system for authenticating a user based on eye data and/or facial data | |
US11934508B2 (en) | Systems and methods including user authentication | |
CN111881431A (zh) | 人机验证方法、装置、设备及存储介质 | |
US20210406353A1 (en) | System and method for biometric authentication | |
CN113190310B (zh) | 基于随机位置对象语义识别的验证码设计方法 | |
TWM583581U (zh) | 虛擬實境輔助交易系統 | |
CN111090849A (zh) | 存储器、验证码实现方法、装置和设备 | |
CN118296581A (zh) | 一种基于vr肢体交互的连续身份认证方法及其系统 | |
Mohamed et al. | On the security and usability of dynamic cognitive game CAPTCHAs | |
CN115906028A (zh) | 用户身份验证方法、装置和自助服务终端 | |
KR20220064280A (ko) | 캡챠 시스템 제공 방법 및 장치 | |
CN114089833B (zh) | 一种虚拟现实身体所有权的量化方法、系统及电子设备 | |
CN105975822B (zh) | 滑行输入图形密码的认证方法及系统 |
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 |