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：
. Q# a8 _- W! y; M9 A7 t

/ X" J! `9 B- w9 X6 E. p7 r6 eAI 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。
) h) D* k3 f3 ^" o$ {) `
7 t. `. B! o% @& t# V9 Z4 k

* ?7 L7 U* r& d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。
0 s. z7 W/ S$ U: M& }5 h0 X- c
7 N; z3 g! f9 _8 u* ]

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。

# X7 O5 h# c  n2 r! c9 h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。
( E6 h. a2 Z5 d$ h  v( f5 z
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。
8 V. D; `* V/ Q# P
研究人员不仅发布了论文：https://arxiv.org/abs/1908.08705

/ I8 F* l# X% ^4 g/ S" r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。

; c& _1 B/ b; [, q, }, ^) Z* }- 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。
! T  Q; E8 u" A4 }* F2 p* W
0 v6 f! T1 {. f% a( y: e  _! n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。
1 }, E5 t: ^6 j) ^% S
) M( X$ S( B5 [8 M+ h3 O3 @' L# l现实 Face ID 也能被攻击

8 w& n$ |- I: x/ P% s6 x' F' s! \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。


$ |, X4 r0 ?* i2 A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。

! ?7 X6 D( L/ a; _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。
' m2 h; C: n, ?" Q  N4 g3 a
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。

" _: R$ b4 i- T1 Q1 p研究者表示他们提出的 AdvHat 有如下特点：
6 B( v: a& s5 h' h6 f; S

  ^) K0 Y2 @+ 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；
    J" J7 L' N5 N% {' p0 t
• 这种攻击是非常容易实现的，只要有彩印就行；
  : F& E8 F  x7 z2 E, u
• 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；
  5 U2 `2 N9 \+ d: P
• 这种攻击可以迁移到其它 Face ID 系统上。
  : n# M. r1 E$ F+ T. ^

2 a! C% G; N0 tFace ID 该怎样攻击
  Q7 I9 k* n+ `8 V
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 s9 z% J- y+ c8 G% [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。

( h4 v! J2 Z% S" J这种攻击大概包含以下流程：

8 `* i. _# I0 f. q" {. N

$ g) I3 y: i+ a. U8 r' k1 T  _
• 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。
  1 a" T( T: u' N
• 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。
  % B! K( c0 y8 w# }4 e2 I
• 将得到的图像转换为 ArcFace 输入的标准模板。
  , ]5 }( Y% M" l$ d; X6 B- f
• 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。
  

' R! f  C2 {9 x/ d
流程图如下图 2 所示：


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# ?' t% r$ c1 x" O

6 e+ g& }! O) y* Q图 3：步骤 1 转换贴纸的示意图。
2 n% d) `5 a5 o7 X
贴纸攻击试验细节
: A5 Q+ x/ f* d) q
) M: {" J2 B) I" o$ o: P* z/ a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。
) W" C2 N' C4 R
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。
& D! [' V, K, E* O7 Z
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。

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。
2 n& I0 T& Z% V3 f9 ?/ o
, Y' ~! y. p! t  D7 R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。
: y+ t. e# p7 d: K3 a
3 K; l% ~7 v) L; I1 F3 C3 ]「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。
+ H, E0 Z! u  k  }8 t  y
0 w  x  ^, A  I! 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。

) L& m% T9 a* k* ^5 v0 [3 `- Q: ?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。

& A& ?2 g3 b0 T. v' D9 W9 c9 f
0 w# Y/ f# _% y图 4：对抗贴纸示例。
& g2 F! l. H/ f% k7 b
" L' |$ }# h/ h0 X$ a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。

& o& v% a. x; B) O% M: g! X3 {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。
$ a# s8 R/ C8 ^% Q

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。
( M# ]& E4 V; p/ T
/ v4 V7 d3 n/ ^4 C' X4 _3 }& _% I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。


图 8：不同模型中，基线和最终相似度的差异。
; ]" n+ p# @7 X/ ?0 \9 |0 ?  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？

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
" Q8 W' |5 |- n! P% J- m( G! |  ?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！