本文提出并评估了一个用于过肩视频监控（Over-the-Shoulder Video Surveillance）的多模态触摸检测框架，旨在从物理手指交互中重建移动键盘上的按键事件。该框架并行集成四种检测模态：MediaPipe 手部关键点、HSV肤色滤波、时间帧差运动检测以及基于形状的Canny边缘分析。在受控的120帧第一人称演示视频（包含密码输入）上，单独的Motion-Only和Edge-Only配置分别达到18.5%和18.2%的F1分数，而完整的多模态配置F1分数仅为16.7%，按键序列与真实iOS密码布局的相似度仅为3.0%。消融实验、分辨率衰减、噪声敏感性和邻近阈值调优表征了系统的操作边界。在5段真实公开的第三人称手机视频上评估时，系统每帧平均检测出57个触摸点（峰值205），比真实点击速率高1~3个数量级，原因是肤色滤波器响应整只手而非指尖接触。结论指出：在受控校准场景下获得的按键重建结果无法推广到非受控真实视频，系统无法实现可靠的按键重建。