一张贴纸破解顶级FaceID，华为新研究让人脸识别不再安全

风中情缘

机器之心报道

机器之心编辑部

用来刷脸解锁的 Face ID 也可以被「对抗样本」攻击了。最近，来自莫斯科国立大学、华为莫斯科研究中心的研究者们找到的新型攻击方法，让已经广泛用于手机、门禁和支付上的人脸识别系统突然变得不再靠谱。

在这一新研究中，科学家们只需用普通打印机打出一张带有图案的纸条贴在脑门上，就能让目前业内性能领先的公开 Face ID 系统识别出错，这是首次有 AI 算法可以在现实世界中实现攻击：
; p4 X8 a# F9 o3 M& D

AI 人脸识别系统在正常情况下的分类效果，它识别出了特定的人：Person_1。

贴上纸条以后，即使没有遮住脸，系统也会把 Person_1 识别成另外一些人「0000663」和「0000268」等。

5 U4 i1 t1 x: Q

变换角度、改变光照条件都不会改变错误的识别效果。加了贴纸后，我们可以看到 Person_1 的概率非常低。

使用对抗样本攻击图像识别系统，在人工智能领域里已经不算什么新鲜事了，但是想要在现实世界里做到无差别攻击，还是人脸识别这种数千万人都在使用的应用技术，这就显得有些可怕了。使用这种新方法，人们可以轻松地打印一个破解纸条贴在脑门上，随后让 AI 识别的准确率显著下降。

. b1 |& W4 C2 g# ~; k' I( p7 h从上面的动图可以看出，研究者实现的是非定向的攻击，且对抗信息都集成在贴纸上。那么如果我们要找到一种定向的攻击方式，让系统将我们识别为特定的某个人，然后解锁 ta 的手机，这也并不遥远，只要我们将以前定向攻击的方式迁移到贴纸上就行了。
1 i, o! \# l- y: r
0 w6 {9 J: a; h/ |+ d, g研究人员不仅发布了论文：https://arxiv.org/abs/1908.08705

更是直接公开了项目的代码：https://github.com/papermsucode/advhat

& m0 e5 [7 l. l「对抗样本」是人工智能的软肋，这是一种可以欺骗神经网络，让图像识别 AI 系统出错的技术，是近期计算机视觉，以及机器学习领域的热门研究方向。

在这篇论文中，研究者们提出了一种全新且易于复现的技术 AdvHat，可以在多种不同的拍摄条件下攻击目前最强的公共 Face ID 系统。想要实现这种攻击并不需要复杂的设备——只需在彩色打印机上打印特定的对抗样本，并将其贴到你的帽子上，而对抗样本的制作采用了全新的算法，可在非平面的条件下保持有效。
. w: c( }0 q6 ^: B
研究人员称，这种方法已经成功地破解了目前最先进的 Face ID 模型 LResNet100E-IR、ArcFace@ms1m-refine-v2，其攻击方式也可以迁移到其他 Face ID 模型上。

+ ?* E; M& x. k现实 Face ID 也能被攻击
: G$ a" `  C- e- K, C) }) R
以前对抗攻击主要体现在虚拟世界中，我们可以用电子版的对抗样本欺骗各种识别系统，例如通用的图像识别或更细致的人脸识别等。但这些攻击有一些问题，例如人脸识别攻击只能是在线的识别 API，将对抗样本打印出来也不能欺骗真实系统。

; n' b- b; |1 s2 |1 T
# G$ u/ x% {% j) J3 w一个标准的线上人脸对抗样本，它只能攻击线上人脸识别模型或 API，无法用于线下的真实人脸识别场景。

, y! ^; T+ {. r6 K( z对抗样本的这种局限性，很大程度在于真实识别系统不止有人脸识别模块，还有活体检测等其它处理模块。只要活体检测判断对抗样本不是真人，那么它自然就失去了效果。因此，很多研究者在思考，我们能不能将对抗信息打印出来，贴在脸上或头上某个位置，那么这不就能攻击真实的人脸识别了么。甚至，我们可以把对抗信息嵌入到帽子或其它饰品内，这样不会更方便么。
' ?; P0 H, p$ w# C
7 Q$ O6 e1 O3 R1 b沿着这样的思路，华为莫斯科研究中心的两位研究者就创造了这样的对抗样本。他们表示在以前 Face ID 模型还需要大量的私有数据，而随着大规模公开数据的发布，ArcFace 等研究模型也能与微软或谷歌的模型相媲美。如果他们的对抗样本能攻击到 ArcFace，那么差不多就能攻击业务模型。
9 Z( z7 D& D2 j1 h5 j* b' `) d' ~1 @
研究者表示他们提出的 AdvHat 有如下特点：
5 \6 j" P# D+ ^& P

/ f& M+ R8 M  D3 {
• AdvHat 是一种现实世界的对抗样本，只要在帽子加上这种「贴纸」，那么就能攻击顶尖的公开 Face ID 系统；
  
• 这种攻击是非常容易实现的，只要有彩印就行；
  
• 该攻击在各种识别环境下都能起作用，包括光照、角度和远近等；
  
• 这种攻击可以迁移到其它 Face ID 系统上。
  " f- ]6 \3 I- G& R2 M+ ^! _

) `! D, ^: Z* ~# `: Z& h
Face ID 该怎样攻击

% g% e5 P! L! y9 W% d6 a在 Face ID 系统的真实应用场景中，并非捕获到的每张人脸都是已知的，因此 top-1 类的预测相似度必须超过一些预定义的阈值，才能识别出人脸。
7 O( d8 n0 r" u2 J
这篇论文的目的是创造一个可以粘贴在帽子上的矩形图像，以诱导 Face ID 系统将人脸与 ground truth 相似度降到决策阈值之下。

- g. b# C9 k8 |: J! ~2 C这种攻击大概包含以下流程：

; ]: U4 d. {; l. f+ ?% {4 B

! N4 r4 m3 m! s3 e& F0 m% @# r) x
• 将平面贴纸进行转换以凸显三维信息，转换结果模拟矩形图像放在帽子上后的形状。
  
• 为了提高攻击的鲁棒性，研究者将得到的图像投影到高质量人脸图像上，投影参数中含有轻微的扰动。
  $ ?- R4 h+ `# K
• 将得到的图像转换为 ArcFace 输入的标准模板。
  
• 降低初始矩形图像的 TV 损失以及余弦相似度损失之和，其中相似性是原图嵌入向量与 ArcFace 算出嵌入向量之间的距离。
  ' C  k8 ^" Y! v( P. i

8 I, n: R6 |; g+ j流程图如下图 2 所示：

6 M7 ~9 m. K& }( e+ ^  o
4 S" y$ T& m$ r8 w: S图 2：攻击流程示意图。
+ y6 w7 }- O9 w" m0 B. j& ]
首先，研究者将贴纸重塑成真实大小和外观的图像，之后将其添加到人脸图像上，然后再使用略为不同的转换参数将图像转换为 ArcFace 输入模板，最后将模板输入到 ArcFace 中。由此评估余弦相似度和 TV 损失，这样就可以得到用于改进贴纸图像的梯度信号。
2 g  |' |1 @0 Q8 `+ R0 u8 B+ E

图 3：步骤 1 转换贴纸的示意图。
/ Q1 W6 X4 F' _: o- U3 C$ J; t
9 i' d0 I3 O  C2 v9 s贴纸攻击试验细节
% }! K+ R( `) L) b
如前所言，在将图像输入到 ArcFace 之前，研究者对其进行了随机修改。他们构造了一批生成图像，并通过整个流程计算在初始贴纸上的平均梯度。可以用一种简单的方法计算梯度，因为每个变换都是可微分的。

% y2 a) H9 ~( w注意，在每一次迭代中，批中的每一个图像上的贴纸都是相同的，只有转换参数是不同的。此外，研究者使用了带有动量的 Iterative FGSM 以及在实验中非常有效的几个启发式方法。

研究者将攻击分为两个阶段。在第一阶段，研究者使用了 5255 的步长值和 0.9 的动量；在第二阶段，研究者使用了 1255 的步长值和 0.995 的动量。TV 损失的权重一直为 1e − 4。
0 r  z; k' [* m6 A+ r0 @
% n: G/ a+ Y7 K9 B. A) e研究者利用一张带有贴纸的固定图像进行验证，其中他们将所有参数都设置为看起来最真实的值。

' y7 ~0 `+ P/ z0 K他们使用了最小二乘法法，并通过线性函数来插入最后 100 个验证值：经历了第一阶段的 100 次迭代和第二阶段的 200 次迭代。如果线性函数的角系数不小于 0，则：1）从第一阶段过渡到第二阶段的攻击；2）在第二阶段停止攻击。

「对抗样本贴」效果怎么样

( y+ ]6 p" [9 f研究者在实验中使用一张 400×900 像素的图像作为贴纸图像，接着将这张贴纸图像投射到 600×600 像素的人脸图像上，然后再将其转换成 112×112 像素的图像。
% v3 U$ q! C- i5 M/ d
为了找出最适合贴纸的位置，研究者针对贴纸定位进行了两次实验。首先，他们利用粘贴在 eyez 线上方不同高度的贴纸来攻击数字域中的图像。然后，他们根据空间 transformer 层参数的梯度值，在每次迭代后变更贴纸的位置。

9 ?0 Q# h" g) o  e下图 4 展示了典型对抗贴纸的一些示例。看起来就像是模特在贴纸上画了挑起的眉毛。
% C% U. ?' q# H0 Y1 ^' x
( m( p% n& }9 _
图 4：对抗贴纸示例。
6 P7 q* T& m* |, d4 r( T
为了检测 AdvHat 方法在不同拍摄条件下的鲁棒性，研究者为最开始 10 个人中的 4 人另拍了 11 张照片。拍摄条件示例如下图 6 所示：


图 6：研究者为一些人另拍了 11 张照片，以检测不同拍摄条件下的攻击效果。
0 A. @$ J" I) v# K# v
检测结果如下图 7 所示：虽然最终相似度增加了，但攻击依然有效。
0 z- _- W3 \* d% _. N

5 W6 u( O9 @2 m$ b4 s图 7：各种拍摄条件下的基线和最终相似度。图中不同颜色的圆点代表不同的人。圆表示对抗攻击下的相似性，而 x 表示基线条件下的相似性。

最后，研究人员检验了该方法对于其他 Face ID 模型的攻击效果。他们选取了 InsightFace Model Zoo 中的一些人脸识别方法。在每个模型上均测试了 10 个不同的人。
" D" a9 m0 E7 [7 L4 C  j9 O; {: E! t
8 Q6 A7 V( K0 P/ K7 I* `# A4 m/ v
图 8：不同模型中，基线和最终相似度的差异。
& g" ?/ S' N6 \5 i, m* ]
虽然 AdvHat 生成的对抗样本很简单，但这种攻击方式看起来已适用于大多数基于摄像头的人脸识别系统。看来想要不被人「冒名顶替」，我们还是需要回到虹膜识别？

& E2 a0 H1 T* Z. A2 }" W% k本文为机器之心报道，转载请联系本公众号获得授权。
✄------------------------------------------------加入机器之心（全职记者 / 实习生）：hr@jiqizhixin.com投稿或寻求报道：content@jiqizhixin.com广告 & 商务合作：bd@jiqizhixin.com
来源：http://mp.weixin.qq.com/s?src=11&timestamp=1566896404&ver=1815&signature=*oejD6KZNIeFBedjGfko-HVWxUK5JqJymcLMEI2vQKpnGBbeLDP70080UA4XKxKdpIqy8GtZ8Ak8dD6y3mZXTrdi2HDgNe5e17ZDjbih8ZOWHLwlikFYQ99AEVxcEl0F&new=1
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！