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

9 x2 {6 C2 H7 d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。
) b  p. }, D3 C  D5 X1 L0 X. @

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：

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。

" w% t- q) N+ z. g& a6 d5 w

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。
' W; R- b  y* L5 \1 a

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。
% p$ r0 O8 G  _: m- @
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。

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。

  e" e; R4 D3 v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

「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。

8 H+ M1 O  g) h: R- q% B; w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。
" Z7 k& r, @1 M* m( \& [
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。
0 [! U/ U$ C, g3 V
( E- d% X' l  _5 b& F现实 Face ID 也能被攻击

3 b, V1 z6 k4 ^, b' \. u  t- F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。

( i8 y. Q& T% Q
2 P$ J8 N+ d& `1 p  M6 T1 G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。

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。

: Y0 G0 J0 E0 k, Y. a0 @5 k6 h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。

研究者表示他们提出的 AdvHat 有如下特点：
6 y" Y$ h' ^4 K  U4 o2 {2 n

# ]+ b; E. o' K- m" z" L: f, G
• 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。
  6 l, n6 U( y+ r4 ]8 }, Z; d% \

! f* Y/ h, I/ ]" _* ~Face ID 该怎样攻击
0 ]" o2 \, I! k3 b
# o+ h% ]3 J3 D" G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。
2 z7 }# A. T1 }& R
* {: z! O0 J: X  o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。
0 |, e( z1 o3 o$ p: d" _
% s# v) L3 P! p1 {7 b7 L/ D" v3 o这种攻击大概包含以下流程：

" f1 x" h  o( {3 ?# j  F

! E) c9 I! `* J& {) v. N
• 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。
  * M9 G/ _+ J' }4 b, _% G
• 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。
  
• 将得到的图像转换为 ArcFace 输入的标准模板。
  6 n  J% b; U' b' b
• 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。
  5 Y6 R3 {4 z* |. z

流程图如下图 2 所示：
( K8 }8 ^" H" n% a$ s2 s" [: s
/ \% \9 A+ N; `  j1 b
图 2：攻击流程示意图。

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。
, x. I9 o# |& F  G: m% @4 o
0 }; D. ?- S) m. T* |8 m0 x
4 Z) U$ I4 F' Y3 c" M& Q图 3：步骤 1 转换贴纸的示意图。

贴纸攻击试验细节
# _: @6 z' i! h/ g9 p( ]
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。
3 l/ g8 v) g( K+ ]4 }
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。
9 a" B* f: }& J  F2 q9 c# I" E
6 Z) w! Y( d/ K6 P3 C" t0 Q3 W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。

9 ~1 o2 T: a: t8 h: W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。

  K. X) `4 m& z5 h4 O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

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。

. A4 l. T* o: K: ~6 k* f7 \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。

7 m3 |! G+ \) p5 n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。
6 Q  F3 L( I1 y) a

图 4：对抗贴纸示例。
% Z$ l9 x, y/ }
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：
! D  v4 t( s+ I- i! G+ ~$ V$ Z# |$ n" ?

' {' `% E5 _2 v  _; i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。

% g# R9 y4 j. I; i* I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。


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。

+ M3 t* {! ?2 b! P7 c" r1 r! F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。
4 T8 q% V$ j3 b0 d! Z1 u. D

7 f  M1 p4 j5 F+ C& R. I2 o图 8：不同模型中，基线和最终相似度的差异。
, g4 N1 Y1 S# p2 c% s7 p- D2 P. s
6 Q+ G3 M$ V8 m  R$ j* G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？

" b& o2 n, a/ |8 w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
8 n, A( R. V4 w6 G& N+ f来源：http://mp.weixin.qq.com/s?src=11&timestamp=1566896404&ver=1815&signature=*oejD6KZNIeFBedjGfko-HVWxUK5JqJymcLMEI2vQKpnGBbeLDP70080UA4XKxKdpIqy8GtZ8Ak8dD6y3mZXTrdi2HDgNe5e17ZDjbih8ZOWHLwlikFYQ99AEVxcEl0F&new=1
3 D: j8 X" O0 T* t9 `7 e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！