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

1 [  }+ y* b0 [" ]- p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。
2 e8 g, }- J6 ?0 f

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：

( X% z2 P) ^! _! Z) q8 a: A

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。

4 K4 S; ^2 A1 U# K, r- g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。

% s4 y6 q2 T! @7 y7 T9 h, \

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。

9 s, \# I" T" ~* A' Q& v# ?8 r: d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。
  C/ n7 z8 f' {, l
5 i: ~$ R# R" v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。
' n5 G+ }. N5 |
研究人员不仅发布了论文：https://arxiv.org/abs/1908.08705
$ c. Q/ _7 O4 b1 s
6 {! N0 C7 r* d5 d+ ~: U' _; A更是直接公开了项目的代码：https://github.com/papermsucode/advhat

( k/ P- z* v4 U5 ?! s「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。

7 N5 K* ]# e  C& T5 U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。
' s, O' p# a4 f% i; s1 @
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。

5 T& i2 F. y* M! }5 Y/ q现实 Face ID 也能被攻击
' p/ L" k5 X3 ]. d$ t. H  R. 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。
; F7 S2 J: K/ e
0 j( |1 z. J9 A- 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。

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。
0 j0 f% Z- _  D* X
  q5 |8 W# z5 K# |# o1 R研究者表示他们提出的 AdvHat 有如下特点：
3 S. x  d. R- R; n( H4 D
# S+ `3 i! A9 p) O% p# J7 b

7 g  [' O5 X9 z$ X/ I/ |  B* _
• 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；
  $ B. G% N# V! j, L* ~
• 这种攻击是非常容易实现的，只要有彩印就行；
  4 L" m- ]( t$ Q4 k: T
• 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；
  : M" B  m& d' Y2 e3 [  W
• 这种攻击可以迁移到其它 Face ID 系统上。
  

  z- Z2 U: g. n4 ~7 N' a4 a
7 q8 h8 L5 M0 f* u5 WFace ID 该怎样攻击
  E% F0 B$ _6 n. a% K
+ ?3 r. y4 q, M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。

9 f9 h( w3 l  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：

0 z1 x1 L' C; [

) ^. ^6 x2 J1 M( l
• 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。
  
• 将得到的图像转换为 ArcFace 输入的标准模板。
  , l/ F! @2 w1 E6 J
• 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。
  * Q6 \% a6 X2 l8 M% j3 ]; t

5 [" t' p  J) Y" U流程图如下图 2 所示：

* e3 a: I( |) y% F7 Z
; \* W' X# k2 I: m图 2：攻击流程示意图。

5 r; v4 h  D# O6 {0 M9 D9 }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。
' s! f- f* l$ i- \: f5 U
( \+ F5 s' n+ L  b1 }/ W# V
图 3：步骤 1 转换贴纸的示意图。
4 z" z3 ?: g9 W  h- U4 c  f
: R* b9 Q1 b' F5 p8 e2 G$ v贴纸攻击试验细节
  x6 [1 g+ ?  C% q9 ~
' i( Q; w  ]/ Z8 |: B  u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。

: @+ p" x" l; ?) O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。
! K% V3 E0 A  M
" T0 L1 [! i* A+ k1 Y) j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。
7 ^. o) D" w( |( q
* m0 R, u) l. Q. b" `7 I" w5 o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。
% p. m% z3 `! J2 A( x# v
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。
8 U! r# i! P$ e/ _
; w4 q; C7 U! B6 U8 q「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。
' p+ C; P. K' r9 t. q6 F
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。
$ y* m/ R) y5 L5 `, d( r
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。

( j& e5 |4 k1 o# d8 }1 M
图 4：对抗贴纸示例。
* h' _( M# C' F8 V* i. d1 M
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：


5 l# m) J3 y3 X2 ^6 t; G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。
# A2 ]- D* Z' N% h' A; g; i/ D
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。

9 j5 Q) z2 `3 v! d
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。

) a% s' R3 c( m+ C# W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。
, P% m3 U- Q8 i& s5 R
3 B$ n; G8 I! ?: D+ m4 F; i
/ [0 x" y: T7 |' a- E图 8：不同模型中，基线和最终相似度的差异。

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？

( H- f0 d: K! \$ L* t) Z( \- P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
7 B3 U8 ~  |) J- f来源：http://mp.weixin.qq.com/s?src=11&timestamp=1566896404&ver=1815&signature=*oejD6KZNIeFBedjGfko-HVWxUK5JqJymcLMEI2vQKpnGBbeLDP70080UA4XKxKdpIqy8GtZ8Ak8dD6y3mZXTrdi2HDgNe5e17ZDjbih8ZOWHLwlikFYQ99AEVxcEl0F&new=1
3 _9 f2 i4 n7 g' \. R" [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！