左上图显示了需要捕捉的内容在一种情况下是人体模型张
开的手在一种情况下是人体模型张开的手掌；另一方面用户”在触摸屏幕上的某些内容时如何出现。中间的图像是重建的照片”分辨率为×像素其中几乎看不到任何东西因为数据中存在大量噪声。但在机器学习算法的帮助下噪声被滤除生成右侧的图像我们可以在其中区分一只手的位置和另一只手的位置。该文章的作者给出了人们在使用平板电脑触摸屏时做出的典型手势的其他示例。或者更好的是他们如何设法拍摄”它们的例子使用光传感器捕获多个手部位置。
使用光传感器捕获多个
手部位置来源那么我们可以在实际中应用这种方法吗？是否可以监控用户如何与平板电脑或智能手机的触摸 马耳他电话号码 屏交互？它如何在屏幕键盘上输入文本？他如何输入信用卡详细信息？它如何打开应用程序？幸运的是事情没那么简单。请注意上图中照片”上方的标题。它们显示了这种方法的运行速度有多慢。研究人员最多能够在三分钟多一点的时间内重建出手部的照片”。上一张插图中的图像拍摄需要分钟。以这样的速度进行实时监控是不可能的。
现在也清楚为什么大多
数实验选择人体模型的手人类无法让手保持静止那么长时间。但这并不排除该方法得到改进的可能性。让我们考虑 巴哈马 电话号码列表 最坏的情况如果手部的每张图像不是在三分钟内获得而是在半秒内获得；如果屏幕上的结果不是一些奇怪的黑白图形而是用户感兴趣的视频或一组图像或动画。如果用户做了一些值得监视的事情那么攻击就有意义。尽管如此这仍然没有多大意义。所有研究人员的努力都受到这样一个事实的阻碍如果攻击者设法将恶意软件插入受害者的设备上那么有许多更简单的方法可以诱骗他们输入密码或信用卡号。
