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：
8 N  A7 ]- ^& T% V
: a. Q8 o$ R: l; v6 m: B* x

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。

( l& A  S5 q; S1 v  D! W

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。

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。
: |0 b3 ~) S! @) [
研究人员不仅发布了论文：https://arxiv.org/abs/1908.08705

' [( p- \' x3 ~9 {0 d3 s更是直接公开了项目的代码：https://github.com/papermsucode/advhat
# s7 t% h; X9 G* @5 M! U( N
" \+ {2 B: ^1 `, s% j- P$ @7 B「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。
0 L7 c. |6 l: {
# ~8 ^7 j! W6 _/ C2 z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 p1 E/ D" G& }4 Q1 j9 u现实 Face ID 也能被攻击
7 W" C( g6 _# e( }
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。
; h; ?' O. J! O) P* k/ M" A
8 E/ h2 d  ^4 r
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。
# s1 W7 Q& K2 n9 ?9 z
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。

: b1 R! s3 i9 @2 E研究者表示他们提出的 AdvHat 有如下特点：
3 L& e* ~! c+ g9 M
) w0 P& s! _1 \' A' n, W

• 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；
  0 D  K6 R" p" z( _  v9 k
• 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。
  

. }2 b2 s8 U5 C, i1 R+ `6 rFace ID 该怎样攻击

) [1 u) N+ Z! X& T, m6 p- O. 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。
; a5 I; U4 W9 T
8 o' m8 S5 S* s9 E9 A0 i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。

这种攻击大概包含以下流程：
* a  f$ M) c  ~1 ~5 S0 ~
' w- M! W" Z0 M2 ^

• 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。
  * h) P4 ?; ~, r/ }5 e. x7 t; t
• 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) R' Q, F/ a# [

3 l" L% A* {8 S
5 j/ X0 _5 ?' T流程图如下图 2 所示：


图 2：攻击流程示意图。

9 Z) a. |1 }7 P; k/ l# V* [7 L0 x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。

* E6 H' C: v5 q$ U' ?* E
2 r  B& W% Q! z图 3：步骤 1 转换贴纸的示意图。
# h! ~  I7 Y4 G- B7 F9 V' \, W
贴纸攻击试验细节
% g$ _# _9 ]# R; X2 z3 }. B5 w
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。

( v- D+ L1 z# e3 b. k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。

; f" R, {) D; R$ o! o& T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。

3 O' f/ K' ?3 |: [. H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

. y9 g! D  Y2 }. ?" q( @7 B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。

# w# i! O: V8 n) \( t0 j! T# {& b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。
# x& C) z& M$ z7 k
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。
9 Y" ~& T% L7 T' Y

图 4：对抗贴纸示例。
8 h0 E& C; k- {0 y9 i
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：

8 D" L1 A6 V( P! x; v
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。

8 S0 Q, k: x- c9 c* @% \4 x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。
2 T3 E  i7 N  r
0 ~' c2 l( `9 `( A* m: C" A
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。
! N, {  [4 P8 B& g4 J3 g6 D, Z
) F; T. [: `$ `7 m8 {& d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。
9 ]0 G7 }# @  A* z) n4 Z; a
9 A0 d- g- {$ r, u( M: q0 u$ `
图 8：不同模型中，基线和最终相似度的差异。
! ?3 h4 R6 o5 I# S
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？
9 t  t) t$ p; E& {) p( c: r
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
5 y! i+ i6 t3 P6 L& Q& l来源：http://mp.weixin.qq.com/s?src=11&timestamp=1566896404&ver=1815&signature=*oejD6KZNIeFBedjGfko-HVWxUK5JqJymcLMEI2vQKpnGBbeLDP70080UA4XKxKdpIqy8GtZ8Ak8dD6y3mZXTrdi2HDgNe5e17ZDjbih8ZOWHLwlikFYQ99AEVxcEl0F&new=1
2 N) N- o- R8 r# u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！