TWI779566B - 防作弊方法與電子裝置 - Google Patents

Abstract

一種防作弊方法與電子裝置。利用觸控感測裝置偵測滑鼠裝置於觸控感測裝置之上的實際軌跡資訊，其中滑鼠裝置移動於觸控感測裝置之上。擷取用以控制游標的滑鼠軌跡資訊。依據實際軌跡資訊與滑鼠軌跡資訊來偵測作弊操作。

Description

防作弊方法與電子裝置

本發明是有關於一種電子裝置，且特別是有關於一種使用觸控技術的防作弊方法與電子裝置。

在現今的電競遊戲產業中，考驗的通常是玩家經由練習而學得的技巧。在此情況下，借助額外的軟硬體輔助來獲得不正當優勢常常是摧毀遊戲中良性競爭環境的重要因素之一。因此，若能適時地偵測並找出使用上述作弊方式進行遊戲的玩家，應可較佳地保證遊戲的公平性。

一般而言，目前常見的一種作弊方式為玩家在輔助操作腳本工具(簡稱腳本)的幫助下進行遊戲。腳本可以程式的形式運作於電腦裝置的作業系統上，因而也可稱為外掛程式。或者，玩家或其他相關人員可將腳本設置於硬體設備(例如滑鼠裝置)內部之韌體。玩家可透過上述腳本的輔助來產生偽造的使用者操作，從而破壞了遊戲原本設計的平衡性，也破壞了遊戲的正常發展。因此，如何檢測玩家透過不公平的作弊行為進行遊戲實為電競遊戲產業中一個重要議題。

有鑑於此，本發明提出一種防作弊方法與電子裝置，其可根據觸控感測裝置感測之滑鼠裝置的移動軌跡來有效判斷作弊操作是否發生。

本發明實施例提供一種防作弊方法，適用於連接滑鼠裝置的電子裝置，其包括下列步驟。利用觸控感測裝置偵測滑鼠裝置於觸控感測裝置之上的實際軌跡資訊，其中滑鼠裝置移動於觸控感測裝置之上。擷取用以控制游標的滑鼠軌跡資訊。依據實際軌跡資訊與滑鼠軌跡資訊來偵測作弊操作。

本發明實施例提供一種電子裝置，其連接至觸控感測裝置與滑鼠裝置並包括儲存裝置以及處理器。處理器連接儲存裝置，經配置以執行下列步驟。利用觸控感測裝置偵測滑鼠裝置於觸控感測裝置之上的實際軌跡資訊，其中滑鼠裝置移動於觸控感測裝置之上。擷取用以控制游標的滑鼠軌跡資訊。依據實際軌跡資訊與滑鼠軌跡資訊來偵測作弊操作。

基於上述，於本發明的實施例中，在滑鼠裝置於觸控感測裝置上移動的情況下，電子裝置可依據觸控感測裝置所提供的觸控資料獲取滑鼠裝置於觸控感測裝置之上的實際軌跡資訊。據此，依據此實際軌跡資訊與用以控制游標的滑鼠軌跡資訊，電子裝置可有效地且即時地檢測使用者是否控制電子裝置執行作弊操作。

為讓本發明的上述特徵和優點能更明顯易懂，下文特舉實施例，並配合所附圖式作詳細說明如下。

本發明的部份實施例接下來將會配合附圖來詳細描述，以下的描述所引用的元件符號，當不同附圖出現相同的元件符號將視為相同或相似的元件。這些實施例只是本發明的一部份，並未揭示所有本發明的可實施方式。更確切的說，這些實施例只是本發明的專利申請範圍中的裝置與方法的範例。

應理解，當元件被稱作「連接」或「耦接」至另一元件時，其可直接地連接或耦接至另一元件，或可存在其他插入元件。換言之，除非特別限定，否則用語「連接」與「耦接」包括兩元件直接地與間接地連接與耦接。

圖1是依照本發明一實施例的電子裝置的示意圖，但此僅是為了方便說明，並不用以限制本發明。首先圖1先介紹電子裝置中的所有構件以及配置關係，詳細功能與操作將配合圖2一併揭露。

請參照圖1，本實施例的電子裝置10例如是筆記型電腦、智慧型手機、平板電腦、電子書、遊戲機等可與滑鼠裝置20以及觸控感測裝置30連接的電子裝置，本發明並不對此限制。電子裝置10包括顯示器110、儲存裝置120及處理器130。於一些實施例中，電子裝置10可用於運行遊戲，滑鼠裝置20可讓使用者以移動的方式控制/操作上述遊戲。於一些實施例中，電子裝置10可用於運行一線上測驗，滑鼠裝置20可讓使用者以移動的方式輸入線上測驗的答案。

滑鼠裝置20可透過有線或無線的方式連接電子裝置10，本發明對此不限制。舉例而言，滑鼠裝置20可以是藍牙滑鼠或具備USB接頭的有線滑鼠。此外，根據滑鼠裝置20的工作原理的不同，滑鼠裝置20可以為滾輪式滑鼠或光學式滑鼠，本發明對此不限制。

觸控感測裝置30可用以感測一物件施於觸控感測表面之上的接觸。觸控感測裝置30可透過有線或無線的方式連接電子裝置10，本發明對此不限制。於本發明的實施例中，滑鼠裝置20係於觸控感測裝置30之上移動。更詳細而言，受控於使用者的操作，滑鼠裝置20係於觸控感測裝置30的觸控感測表面上進行移動，觸控感測裝置30因而可感測到滑鼠裝置20的接觸。觸控感測裝置30可實施為觸控板、觸控螢幕或具有觸控感測功能的滑鼠墊等等，本發明對此不限制。觸控感測裝置30例如可包括電容式觸控面板、電阻式觸控面板、電磁式觸控面板、光學式觸控面板或應用其他觸控感測原理的觸控面板。於一些實施例中，觸控感測裝置30包括陣列排列的多個觸控感測元件(例如電容式感測元件或電阻感測元件等等)而可進行觸控感測，以獲取包括分別對應於觸控感測元件的觸控原始資料的觸控感測圖幀。

顯示器110例如是液晶顯示器(Liquid Crystal Display，LCD)、發光二極體(Light-Emitting Diode，LED)顯示器、場發射顯示器(Field Emission Display，FED)、有機發光二極體(Organic Light-Emitting Diode，OLED)或其他種類的顯示裝置。於一些實施例中，顯示器110例如是可用於顯示上述遊戲畫面或線上測驗畫面的螢幕。此外，於一些實施例中，顯示器110可顯示有由滑鼠裝置20控制的游標。換言之，顯示器110所顯示之畫面中的游標會反應於滑鼠裝置20的移動而對應移動。

儲存裝置120用以儲存觸控資料、指令、程式碼、軟體元件等等資料，其可以例如是任意型式的固定式或可移動式隨機存取記憶體(random access memory，RAM)、唯讀記憶體(read-only memory，ROM)、快閃記憶體(flash memory)、硬碟或其他類似裝置、積體電路及其組合。

處理器130耦接顯示器110與儲存裝置120，用以控制電子裝置10的構件之間的作動，其例如是中央處理單元(Central Processing Unit，CPU)，或是其他可程式化之一般用途或特殊用途的微處理器(Microprocessor)、數位訊號處理器(Digital Signal Processor，DSP)、可程式化控制器、特殊應用積體電路(Application Specific Integrated Circuits，ASIC)、可程式化邏輯裝置(Programmable Logic Device，PLD)、圖形處理器(Graphics Processing Unit，GPU或其他類似裝置或這些裝置的組合。處理器130可執行記錄於儲存裝置120中的程式碼、軟體模組、指令等等，以實現本發明實施例中利用觸控資料的防作弊方法。

然而，除了顯示器110、儲存裝置120，以及處理器130之外，電子裝置10還可以包括未繪示於圖1的其他元件，像是揚聲器、麥克風、相機、通訊模組、鍵盤等等，本發明對此不限制。

圖2是依照本發明一實施例的防作弊方法的流程圖。請參照圖2，本實施例的方式適用於上述實施例中的電子裝置10，以下即搭配電子裝置10中的各項元件說明本實施例的詳細步驟。

於步驟S210，處理器130利用觸控感測裝置30偵測滑鼠裝置20於觸控感測裝置30之上的實際軌跡資訊。滑鼠裝置20移動於觸控感測裝置30之上。具體而言，使用者是將滑鼠裝置20置放於觸控感測裝置30的觸控感測表面上，使用者可透過移動滑鼠裝置20與按壓滑鼠裝置20上的按鍵來提供使用者指令給電子裝置10。需說明的是，由於觸控感測裝置30可感測滑鼠裝置20的接觸，因此處理器130可透過觸控感測裝置30感測到滑鼠裝置20的移動，並獲取滑鼠裝置20於觸控感測裝置30之上的實際軌跡資訊。上述實際軌跡資訊可至少包括兩個以上的觸控定位座標。

在一實施例中，處理器130可透過觸控感測裝置30獲取多張觸控感測圖幀。各張觸控感測圖幀可包括分別對應至觸控感測元件的多個圖幀胞元(frame cell)，各張觸控感測圖幀中每一圖幀胞元具有觸控原始資料。舉例而言，假設觸控感測裝置30具有m*n個觸控感測元件，則各張觸控感測圖幀將包括分別對應至m*n筆觸控原始資料的m*n的圖幀胞元。於一實施例中，處理器130還可對觸控原始資料進行歸一化處理，使得經過歸一化處理的觸控感測圖幀中每一圖幀胞元的觸控資料可介於預設數值範圍，例如0至255之內。

需特別說明的是，於一實施例中，為了偵測出滑鼠裝置20於觸控感測裝置30的實際軌跡資訊，處理器130是獲取尚未經過任何過濾處理的觸控原始資料。原因在於，相較於人體手指的碰觸可使觸控感測元件所產生的觸控感測訊號發生巨幅變化，滑鼠裝置20的碰觸通常僅讓觸控感測元件所產生的觸控感測訊號發生小幅度變化。若對觸控原始資料進行過濾處理，觸控感測圖幀可能無法呈現出滑鼠裝置20的碰觸。於一實施例中，電容式的觸控感測元件可因應於滑鼠裝置20內部的金屬元件的接近而發生小幅度的電荷變化，而觸控感測圖幀中的觸控原始資料因此可用以感測滑鼠裝置20的碰觸。

進一步而言，圖3A是依照本發明一實施例的觸控感測裝置的示意圖。圖3B是依照本發明一實施例的觸控感測圖幀的示意圖。請先參照圖3A，觸控感測裝置30可包括感測元件陣列111、掃描驅動電路113與接收感測電路112。感測元件陣列111包括呈現陣列排列的多個觸控感測元件(例如觸控感測元件CS11、CS12、CS21)。掃描驅動電路113透過掃描線(例如掃描線114)逐列施加驅動訊號到觸控感測元件。接收感測電路112透過感測線(例如感測線115)接收觸控感測元件提供的觸控感測訊號而輸出觸控原始資料d1。接收感測電路112可使用類比數位轉換器(ADC)將觸控感測元件所產生的觸控感測訊號轉換為數位的觸控原始資料d1而輸出。

請再參照圖3B，觸控感測圖幀F1包括分別對應至多個觸控感測元件(例如觸控感測元件CS11、CS12、CS21)的多個圖幀胞元(例如圖幀胞元FC11、FC12、FC21)。並且，每一個圖幀胞元皆具有對應的觸控原始資料。舉例而言，圖幀胞元FC11具有觸控原始資料‘r1’；圖幀胞元FC12具有觸控原始資料‘r2’；圖幀胞元FC21具有觸控原始資料‘r3’。換言之，觸控感測圖幀F1也可視為一個m*n的資料陣列，此資料陣列裡的陣列元素即為觸控原始資料。

接著，處理器130可將各張觸控感測圖幀輸入至一機器學習模型而獲取滑鼠裝置20於觸控感測裝置30上的實際軌跡資訊。具體而言，每當處理器130將一張觸控感測圖幀輸入至機器學習模型，此機器學習模型可從觸控感測圖幀之中偵測出滑鼠裝置20的滑鼠觸碰區域。

在一實施例中，此機器學習模型是依據訓練圖幀集合進行機器學習(例如深度學習)而事先建構，其可儲存於儲存裝置120中。換言之，經訓練的機器學習模型的模型參數(例如神經網路層數目與各神經網路層的權重等等)已經由事前訓練而決定並儲存於儲存裝置120中。機器學習模型可為卷積神經網路(Convolution Neural Network，CNN)模型中用以進行物件偵測的物件偵測模型，例如YOLO或SSD等等，本發明對此不限制。或者，機器學習模型可為卷積神經網路模型中的語義分割(Semantic Segmentation)模型，例如DeepLabv3+等等，本發明對此不限制。

在一實施例中，處理器130可將各張觸控感測圖幀輸入至機器學習模型而獲取各張觸控感測圖幀中對應至滑鼠裝置20的物件框(bounding box)。接著，處理器130可根據各張觸控感測圖幀中物件框內的參考點的位置獲取實際軌跡資訊。具體而言，當處理器130應用屬於物件偵測模型的機器學習模型時，機器學習模型可輸出觸控感測圖幀中對應於滑鼠裝置20的物件框。接著，處理器130可取此物件框中的一參考點的座標位置作為滑鼠裝置20當下的觸控定位座標。上述參考點例如是物件框的中心點，但不限於此。藉此，透過將多張觸控感測圖幀逐一依序輸入至機器學習模型，處理器130可獲取多張觸控感測圖幀中的多個觸控定位座標，以獲取包括多個觸控定位座標的實際軌跡資訊。

舉例而言，圖4A是依照本發明一實施例的利用機器學習模型獲取實際軌跡資訊的示意圖。請參照圖4A，透過將觸控感測裝置30提供的觸控感測圖幀F2輸入至機器學習模型，處理器130可獲取對應於滑鼠裝置20的物件框B1，並將物件框B1的中心點P1的座標位置定位為滑鼠裝置20的觸控定位座標。透過收集多張觸控感測圖幀中的多個觸控定位座標，處理器130可獲取滑鼠裝置20於觸控感測裝置30上的移動軌跡T1(即實際軌跡資訊)。

或者，在一實施例中，處理器130可將各張觸控感測圖幀輸入至機器學習模型而獲取各張觸控感測圖幀中對應至滑鼠裝置20的語義分割區域。接著，處理器130可根據各張觸控感測圖幀中語義分割區域的邊界的獲取實際軌跡資訊。具體而言，當處理器130應用屬於語義分割模型的機器學習模型時，機器學習模型可對觸控感測圖幀中每一圖幀胞元進行分類，以獲取觸控感測圖幀中對應至滑鼠裝置20的語義分割區域。接著，處理器130可根據語義分割區域的邊界決定一參考點，並將此參考點的座標位置作為滑鼠裝置20當下的觸控定位座標。藉此，透過將多張觸控感測圖幀逐一依序輸入至機器學習模型，處理器130可獲取多張觸控感測圖幀中的多個觸控定位座標，以獲取包括多個觸控定位座標的實際軌跡資訊。

舉例而言，圖4B是依照本發明一實施例的利用機器學習模型獲取實際軌跡資訊的示意圖。請參照圖4B，透過將觸控感測裝置30提供的觸控感測圖幀F3輸入至機器學習模型，處理器130可將觸控感測圖幀F3分割為對應至滑鼠裝置20的語義分割區域Z1與其他區域Z2。於本範例中，處理器130可取出語義分割區域Z1於垂直軸向與水平軸向上的四個極值點PL、PR、PB、PU，並根據極值點PL、PR、PB、PU獲取中心參考點PC。接著，處理器130可將中心參考點PC1的座標位置定位為滑鼠裝置20的觸控定位座標。透過收集多張觸控感測圖幀中的多個觸控定位座標，處理器130可獲取滑鼠裝置20於觸控感測裝置30上的移動軌跡T2(即實際軌跡資訊)。

接著，於步驟S220，處理器130擷取用以控制游標的滑鼠軌跡資訊。於一實施例中，處理器130可從電子裝置10所執行的作業系統或應用程式取得用以控制游標的滑鼠軌跡資訊。舉例而言，處理器130可透過微軟視窗作業系統提供的應用程式介面(例如GetCursorPos API等等)來取得游標於螢幕上或某一工作視窗內的游標定位座標，以獲取包括多個游標定位座標的滑鼠軌跡資訊。或者，於其他實施例中，透過對顯示器110所顯示的畫面(例如遊戲畫面或應用程式畫面)進行游標偵測而獲取游標定位座標，處理器130可獲取用以控制游標的滑鼠軌跡資訊。

於是，於步驟S230，處理器130依據實際軌跡資訊與滑鼠軌跡資訊來偵測作弊操作。詳細而言，實際軌跡資訊是反應於使用者控制滑鼠裝置20的真實操作而產生。因此，根據實際軌跡資訊與作業系統或應用程式所提供的滑鼠軌跡資訊，處理器130可判斷使用者是否使用非法腳本在偽造使用者輸入資訊控制游標。舉例而言，處理器130可根據實際軌跡資訊得知滑鼠裝置20是處於靜止狀態，但用以控制游標的滑鼠軌跡資訊卻一直再變動，處理器130便可據以判斷偵測到使用者的作弊操作。又或者，處理器130可根據實際軌跡資訊得知滑鼠裝置20的移動方向，但用以控制游標的滑鼠軌跡資訊卻指示出不一致的游標移動方向，處理器130便可據以判斷偵測到使用者的作弊操作。

據此，透過使用觸控感測裝置30所感測的觸控資料，處理器130可有效地判斷使用者是否控制電子裝置10執行作弊操作，以確保電競遊戲與線上測驗的公平性。需特別說明的是，處理器130可根據實際軌跡資訊與滑鼠軌跡資訊且基於多種不同方式來偵測作弊操作，以下將列舉實施例說明。

圖5是依照本發明一實施例的防作弊方法的流程圖。請參照圖5，本實施例的方式適用於上述實施例中的電子裝置10，以下即搭配電子裝置10中的各項元件說明本實施例的詳細步驟。

於步驟S510，處理器130利用觸控感測裝置30偵測滑鼠裝置20於觸控感測裝置30之上的實際軌跡資訊。於步驟S520，處理器130擷取用以控制游標的滑鼠軌跡資訊。步驟S510～步驟S520的實施方式相同於圖2說明的實施例，於此不再贅述。需注意的是，於步驟S530，處理器130依據實際軌跡資訊與滑鼠軌跡資訊來偵測作弊操作。於本實施例中，步驟S530可實施為步驟S531～步驟S533。

於步驟S531，處理器130根據實際軌跡資訊中的多個觸控定位座標獲取預設時段內的實際移動資料。實際移動資料可包括實際移動方向與實際位移量。上述預設時段例如是1秒或3秒等等，其可依據實際需求而配置，本發明對此不限制。更詳細而言，實際軌跡資訊中每一個觸控定位座標會對應至一個定位時間點。處理器130可基於預設時段的長度決定取出兩個觸控定位座標，並依據此兩個觸控定位座標計算出預設時段內的實際移動方向與實際位移量。

於步驟S532，處理器130根據滑鼠軌跡資訊中的多個游標定位座標獲取預設時段內的游標移動資料。游標移動資料可包括游標移動方向與游標位移量。詳細而言，滑鼠軌跡資訊中每一個游標定位座標可代表游標在某一時間點於螢幕上的座標位置。處理器130可基於預設時段的長度決定取出兩個游標定位座標，並依據此兩個游標定位座標計算出預設時段內的游標移動方向與游標位移量。

於步驟S533，處理器130比對實際移動資料與游標移動資料而判斷是否偵測到作弊操作。於一實施例中，處理器130可根據實際移動方向與游標移動方向之間的夾角來判斷是否偵測到作弊操作。若實際移動方向與游標移動方向之間的夾角大於預設臨界值，代表使用者移動滑鼠裝置20的方向與游標移動方向不一致，處理器130可判斷偵測到作弊操作。反之，若實際移動方向與游標移動方向之間的夾角未大於預設臨界值，處理器130可判斷沒有偵測到作弊操作。或者，在沒有其他作弊腳本干擾的情況下，游標位移量與實際位移量之間應當具有特定比例關係。因此，處理器130可根據實際移動方向與游標移動方向之間的比例來判斷是否偵測到作弊操作。若實際移動方向與游標移動方向之間的比例不吻合特定比例關係，處理器130可判斷偵測到作弊操作。反之，若際移動方向與游標移動方向之間的比例吻合特定比例關係，處理器130可判斷沒有偵測到作弊操作。

圖6是依照本發明一實施例的防作弊方法的流程圖。請參照圖6，本實施例的方式適用於上述實施例中的電子裝置10，以下即搭配電子裝置10中的各項元件說明本實施例的詳細步驟。

於步驟S610，處理器130利用觸控感測裝置30偵測滑鼠裝置20於觸控感測裝置30之上的實際軌跡資訊。於步驟S620，處理器130擷取用以控制游標的滑鼠軌跡資訊。步驟S610～步驟S620的實施方式相同於圖2說明的實施例，於此不再贅述。需注意的是，於步驟S630，處理器130依據實際軌跡資訊與滑鼠軌跡資訊來偵測作弊操作。於本實施例中，步驟S630可實施為步驟S631～步驟S633。

於步驟S631，處理器130根據實際軌跡資訊中的多個觸控定位座標獲取實際軌跡圖像。於步驟S632，處理器130根據滑鼠軌跡資訊中的多個游標定位座標獲取游標軌跡圖像。詳細而言，透過將實際軌跡資訊中的觸控定位座標同時呈現於單一張實際軌跡圖像中，實際軌跡圖像可呈現有滑鼠裝置20於觸控感測裝置30上的移動軌跡。相似的，透過將滑鼠軌跡資訊中的多個游標定位座標同時呈現於單一張游標軌跡圖像中，實際軌跡圖像可呈現有游標於螢幕上的移動軌跡。

於步驟S633，處理器130依據實際軌跡圖像與游標軌跡圖像判斷是否偵測到作弊操作。換言之，處理器130可比對實際軌跡圖像中的實際移動軌跡與游標軌跡圖像中的游標移動軌跡來判斷是否偵測到作弊操作。於一實施例中，處理器130可將實際軌跡圖像與游標軌跡圖像輸入至經訓練的機器學習模型，以透過機器學習模型的輸出來判斷是否偵測到作弊操作。或者，於一實施例中，處理器130可對實際軌跡圖像或/與游標軌跡圖像進行圖像縮放處理或其他影像處理後，再透過比較處理後兩張影像中的移動軌跡的軌跡形狀來判斷是否偵測到作弊操作。

圖7是依照本發明一實施例的防作弊方法的流程圖。請參照圖7，本實施例的方式適用於上述實施例中的電子裝置10，以下即搭配電子裝置10中的各項元件說明本實施例的詳細步驟。

於步驟S710，處理器130利用觸控感測裝置30偵測滑鼠裝置20於觸控感測裝置30之上的實際軌跡資訊。於步驟S720，處理器130擷取用以控制游標的滑鼠軌跡資訊。步驟S710～步驟S720的實施方式相同於圖2說明的實施例，於此不再贅述。需注意的是，於步驟S730，處理器130依據實際軌跡資訊與滑鼠軌跡資訊來偵測作弊操作。於本實施例中，步驟S730可實施為步驟S731～步驟S733。

於步驟S731，處理器130根據實際軌跡資訊中的多個觸控定位座標獲取實際運動相關資料。實際運動相關資料可包括實際位移量、實際移動方向、實際移動速度、實際移動加速度，或上述資料的統計量等等。

於步驟S732，處理器130根據該滑鼠軌跡資訊中的多個游標定位座標獲取游標運動相關資料。游標運動相關資料可包括游標位移量、游標移動方向、游標移動速度、游標移動加速度，或上述資料的統計量等等。

於步驟S733，處理器130將實際運動相關資料與游標運動相關資料輸入至機器學習模型，以由機器學習模型決定是否偵測到作弊操作。處理器130可將實際運動相關資料與游標運動相關資料輸入至經訓練的機器學習模型而根據機器學習模型的輸出判斷是否偵測到作弊操作。舉例而言，上述機器學習模型可例如是支持向量機(support vector machine，SVM)分類模型或最鄰近搜索法（K-nearest neighbor algorithm，KNN）分類模型等，但可不限於此。於一實施例中，機器學習模型例如可輸出作弊操作的存在機率，處理器130可根據上述存在機率判斷是否偵測到作弊操作。

綜上所述，於本發明實施例中，可透過觸控感測裝置來偵測滑鼠裝置的實際軌跡資訊，並比對實際軌跡資訊與用以控制游標的滑鼠軌跡資訊。於是，依據基於使用者實際動作的實際軌跡資訊與用以控制游標的滑鼠軌跡資訊，偽造使用者操作的作弊操作的存在可得以有效地且準確地偵測出來。藉此，可有效地掌握哪些玩家有使用不當的腳本並進而防止玩家的作弊行為，進而較佳地維護遊戲的公平性。

雖然本發明已以實施例揭露如上，然其並非用以限定本發明，任何所屬技術領域中具有通常知識者，在不脫離本發明的精神和範圍內，當可作些許的更動與潤飾，故本發明的保護範圍當視後附的申請專利範圍所界定者為準。

10:電子裝置 110:顯示器 120:儲存裝置 130:處理器 20:滑鼠裝置 30:觸控感測裝置 111:感測元件陣列 CS11、CS12、CS21:觸控感測元件 113:掃描驅動電路 112:接收感測電路 114:掃描線 115:感測線 d1:觸控原始資料 FC11、FC12、FC21:圖幀胞元 F1、F2、F3:觸控感測圖幀 T1、T2:移動軌跡 B1:物件框 P1:中心點 PL、PR、PB、PU:極值點 PC:中心參考點 Z1:語義分割區域 Z2:其他區域 S210～S230、S510～S533、S610～S633、S710～S733:步驟

圖1是依照本發明一實施例的電子裝置的示意圖。 圖2是依照本發明一實施例的防作弊方法的流程圖。 圖3A是依照本發明一實施例的觸控感測裝置的示意圖。 圖3B是依照本發明一實施例的觸控感測圖幀的示意圖。 圖4A是依照本發明一實施例的利用機器學習模型獲取實際軌跡資訊的示意圖。 圖4B是依照本發明一實施例的利用機器學習模型獲取實際軌跡資訊的示意圖。 圖5是依照本發明一實施例的防作弊方法的流程圖。 圖6是依照本發明一實施例的防作弊方法的流程圖。 圖7是依照本發明一實施例的防作弊方法的流程圖。

S210~S230:步驟

Claims (16)

1. 一種防作弊方法，適用於連接一滑鼠裝置的一電子裝置，所述方法包括：利用一觸控感測裝置偵測該滑鼠裝置於該觸控感測裝置之上的實際軌跡資訊，其中該滑鼠裝置移動於該觸控感測裝置之上；擷取用以控制一游標的滑鼠軌跡資訊；以及依據該實際軌跡資訊與該滑鼠軌跡資訊來偵測偽造使用者操作的一作弊操作。
2. 如請求項1所述的防作弊方法，其中利用該觸控感測裝置偵測該滑鼠裝置於該觸控感測裝置之上的該實際軌跡資訊的步驟包括：透過該觸控感測裝置獲取多張觸控感測圖幀；以及將各該些觸控感測圖幀輸入至一機器學習模型而獲取該滑鼠裝置於該觸控感測裝置上的該實際軌跡資訊。
3. 如請求項2所述的防作弊方法，其中將各該些觸控感測圖幀輸入至該機器學習模型而獲取該滑鼠裝置於該觸控感測裝置上的該實際軌跡資訊的步驟包括：將各該些觸控感測圖幀輸入至該機器學習模型而獲取各該些觸控感測圖幀中對應至該滑鼠裝置的一物件框；以及根據各該些觸控感測圖幀中該物件框內的一參考點的位置獲取該實際軌跡資訊。
4. 如請求項2所述的防作弊方法，其中將各該些觸控感測圖幀輸入至該機器學習模型而獲取該滑鼠裝置於該觸控感測裝置上的該實際軌跡資訊的步驟包括：將各該些觸控感測圖幀輸入至該機器學習模型而獲取各該些觸控感測圖幀中對應至該滑鼠裝置的語義分割區域；以及根據各該些觸控感測圖幀中該語義分割區域的邊界的獲取該實際軌跡資訊。
5. 如請求項1所述的防作弊方法，其中擷取用以控制該游標的該滑鼠移動軌跡的步驟包括：從該電子裝置所執行的一作業系統或一應用程式取得用以控制該游標的該滑鼠軌跡資訊。
6. 如請求項1所述的防作弊方法，其中依據該實際軌跡資訊與該滑鼠軌跡資訊來偵測該作弊操作的步驟包括：根據該實際軌跡資訊中的多個觸控定位座標獲取一預設時段內的一實際移動資料；根據該滑鼠軌跡資訊中的多個游標定位座標獲取該預設時段內的一游標移動資料；以及比對該實際移動資料與該游標移動資料而判斷是否偵測到該作弊操作。
7. 如請求項1所述的防作弊方法，其中依據該實際軌跡資訊與該滑鼠軌跡資訊來偵測該作弊操作的步驟包括： 根據該實際軌跡資訊中的多個觸控定位座標獲取一實際軌跡圖像；根據該滑鼠軌跡資訊中的多個游標定位座標獲取一游標軌跡圖像；以及依據該實際軌跡圖像與該游標軌跡圖像判斷是否偵測到該作弊操作。
8. 如請求項1所述的防作弊方法，其中依據該實際軌跡資訊與該滑鼠軌跡資訊來偵測該作弊操作的步驟包括：根據該實際軌跡資訊中的多個觸控定位座標獲取一實際運動相關資料；根據該滑鼠軌跡資訊中的多個游標定位座標獲取一游標運動相關資料；以及將該實際運動相關資料與該游標運動相關資料輸入至一機器學習模型，以由該機器學習模型決定是否偵測到該作弊操作。
9. 一種電子裝置，連接一滑鼠裝置與一觸控感測裝置，包括：一儲存裝置；以及一處理器，耦接該觸控感測裝置與該儲存裝置，經配置以：利用該觸控感測裝置偵測該滑鼠裝置於該觸控感測裝置之上的實際軌跡資訊，其中該滑鼠裝置移動於該觸控感測裝置之上；擷取用以控制一游標的滑鼠軌跡資訊；以及 依據該實際軌跡資訊與該滑鼠軌跡資訊來偵測偽造使用者操作的一作弊操作。
10. 如請求項9所述的電子裝置，其中該處理器更經配置以：透過該觸控感測裝置獲取多張觸控感測圖幀；以及將各該些觸控感測圖幀輸入至一機器學習模型而獲取該滑鼠裝置於該觸控感測裝置上的該實際軌跡資訊。
11. 如請求項10所述的電子裝置，其中該處理器更經配置以：將各該些觸控感測圖幀輸入至該機器學習模型而獲取各該些觸控感測圖幀中對應至該滑鼠裝置的一物件框；以及根據各該些觸控感測圖幀中該物件框內的一參考點的位置獲取該實際軌跡資訊。
12. 如請求項10所述的電子裝置，其中該處理器更經配置以：將各該些觸控感測圖幀輸入至該機器學習模型而獲取各該些觸控感測圖幀中對應至該滑鼠裝置的語義分割區域；以及根據各該些觸控感測圖幀中該語義分割區域的邊界的獲取該實際軌跡資訊。
13. 如請求項9所述的電子裝置，其中該處理器更經配置以： 從該電子裝置所執行的一作業系統或一應用程式取得用以控制該游標的該滑鼠軌跡資訊。
14. 如請求項9所述的電子裝置，其中該處理器更經配置以：根據該實際軌跡資訊中的多個觸控定位座標獲取一預設時段內的一實際移動資料；根據該滑鼠軌跡資訊中的多個游標定位座標獲取該預設時段內的一游標移動資料；以及比對該實際移動資料與該游標移動資料而判斷是否偵測到該作弊操作。
15. 如請求項9所述的電子裝置，其中該處理器更經配置以：根據該實際軌跡資訊中的多個觸控定位座標獲取一實際軌跡圖像；根據該滑鼠軌跡資訊中的多個游標定位座標獲取一游標軌跡圖像；以及依據該實際軌跡圖像與該游標軌跡圖像判斷是否偵測到該作弊操作。
16. 如請求項9所述的電子裝置，其中該處理器更經配置以：根據該實際軌跡資訊中的多個觸控定位座標獲取一實際運動相關資料； 根據該滑鼠軌跡資訊中的多個游標定位座標獲取一游標運動相關資料；以及將該實際運動相關資料與該游標運動相關資料輸入至一機器學習模型，以由該機器學習模型決定是否偵測到該作弊操作。

Images