资金不够，2D补？日前，丰巢智能快递柜被“小学生”打印照片破解，让人大跌眼镜。据《人民日报》报道，嘉兴上外秀洲外国语学校402班科学团队向都市快报《好奇实验室》报道，他们在一次课外科学实验中发现，可以用打印出来的照片代替真人来刷脸。.小区的丰巢智能柜终于拿出了家长的包裹。随后，孩子们还发来了几段视频来佐证：此外，都市快报记者还亲自验证了开箱是否真的完成了自拍：另外，记者凭借偷拍的照片成功取出包裹。.随后，@凤环智能流客官方微博也回应称：针对近期收到的反馈，经核实该应用为内测版，正在小范围内测试。收到部分用户的友好反馈后，第一时间下线。改进后可关注丰巢公告获取相关消息。感谢您的支持和鼓励。为什么会出现这样的问题，我们先从人脸识别说起。《人民日报》说Hive的人脸识别系统之所以容易被打印出来的照片“骗过”，是因为它在人脸对齐的时候用的是2D。识别，而不是使用安全级别更高的3D人脸识别和活体检测技术。作为一家提供智能服务的公司，内测版可能很难让大众信服。毕竟这是二维识别技术本身的问题。难不成是要用2D识别做检测，然后用3D检测上线？所以网友们的猜测都是，本来打算用这个技术上网的，结果被一群小学生发现了。结合前段时间火爆的人脸应用ZAO，引发不少读者对“人脸授权”可能存在侵权、隐私安全和信息安全等风险的担忧。当时，支付宝回应称：支付宝的“刷脸支付”采用了3D人脸识别技术。换脸软件种类繁多，但换得再逼真，也不可能突破刷脸支付。人脸识别、3D技术、深度学习是不是刀枪不入？随着人脸识别的发展，反人脸识别也在发展。其中，深度学习人脸识别系统的欺骗一般是使用电子版的对抗样本，主要用于测试系统的稳定性。但该方法只能攻击在线人脸识别模型或API，不能用于离线真人识别场景。它不具备实际的“反人脸识别”效果，因此许多研究人员仍将重点放在“附加设备”上，以对抗基于摄像头的人脸识别。2013年1月，日本国立信息学研究所的日本研究人员发明了“隐私护目镜”眼镜，该眼镜使用近红外光使面部识别软件看不到面部下方的面部。现在最新版本使用钛合金镜框、反光材料和面罩，利用角度和图案吸收和反射背光来扰乱面部识别技术。2016年12月，芝加哥定制眼镜工匠ScottUrban发明了一种名为“反光镜”的防摄像头和人脸识别太阳镜。它们反射红外线和可选的可见光，导致用户面对相机时出现白色模糊。今年8月，莫斯科国立罗蒙诺索夫大学和华为莫斯科研究中心的研究人员还发现了一种针对AI人脸识别的新攻击方法，仅使用一张普通打印纸就可以使其广泛应用于手机、门禁和支付领域。网上的人脸识别系统一下子变得不靠谱了。在这项新研究中，科学家们只需用一台普通打印机在额头上打印一张有图案的纸条，就能让目前业界领先的公共FaceID系统识别错误。这是人工智能算法第一次可以在现实世界中实施攻击。粘贴便签后，系统会将Person_1识别为其他人“0000663”和“0000268”。此外，率先将人脸识别应用于商业产品的苹果，也遭遇过多次人脸识别攻击。去年11月3日，苹果发布了iPhoneX，首次引入了面部解锁技术。同时，也引发了一场世界范围内的黑客竞赛，意在率先破解公司最新的未来科技。在短短一周内，世界另一端的黑客声称他们已经成功克隆了一张人脸，因此他们可以轻松解锁任何人的iPhoneX，甚至使用的技术可能比安全研究人员研究的技术更简单。越南网络安全公司Bkav发布的一篇博客文章和视频显示，“我们制作了一个仅需150美元就能破解iPhoneX面部识别的面具”，展示了他们使用3D打印塑料模具、硅胶、化妆品和简单剪纸的组合。面具，轻松骗过iPhoneX，破解人脸锁。虽然破解过程还需要其他安全研究机构的证实，但这种破解方式还是破解了iPhoneX最昂贵的安全保护措施。特别值得一提的是，越南安全公司的研究人员只花了150美元。这个裂纹面具就做出来了。然而，到目前为止，这种破解只是一个概念验证。对于普通的iPhone支架，暂时不用恐慌，因为破解过程耗时长，费力气，需要有能力才能破解。制成。同时，Bkav也在博文中直言强调：“苹果的安全识别工作没有做好，人脸锁可以被仿口罩骗过，这意味着它不是一个有效的安全保护机制。”图中第1行：特殊处理区域；图中第2行：二维图像，图中第3行：硅胶鼻；图中第4行：3D打印框架。YouTube上发布的一段视频显示，该公司的一名员工从iPhoneX前面的架子上取下布，露出面向iPhoneX的面罩，这会立即解锁手机。虽然手机采用了复杂的3D红外摄像头来记录主人的面部图像程序，并通过人工智能建模，但研究人员仍然能够成功骗过解锁，只需要制作一个相对简单的面具：根据主人的面部进行解锁一个3D打印的塑料框架经过数字扫描，并配有雕刻的硅胶鼻子、一对2D打印的纸眼睛和嘴唇。然而，研究人员承认，他们的技术需要对目标iPhone持有者的面部进行详细测量或数字扫描。研究人员还表示，他们需要用手持扫描仪对受试者的面部进行五分钟以上的扫描。这意味着，在实践中，目标手机只有经过周密的规划才能解锁，而不是随便一个iPhoneX持有者都可能面临手机被轻易解锁的问题。deepfake能否成为万能钥匙？Deepfake本质上是一种利用AI深度学习，将图片中一个人的脸换成另一个人的图片的技术。通过这种技术，我们可以创建非常逼真的“假”视频或图片，因此得名“换脸”。前段时间，一款换脸APP“ZAO”一夜爆红社交媒体，但同时也引发了侵权、隐私安全和信息安全等风险。当时，支付宝回应称：支付宝的“人脸识别支付”采用了3D人脸识别技术，换脸软件种类繁多，但无论换得多么逼真，也无法突破人脸识别支付。微信支付还支持刷脸支付。微信还表示，微信的“刷脸支付”综合运用了3D、红外、RGB等多模态信息，可以有效抵御视频、纸张、口罩等攻击。活体检测可以有效保证人脸识别被照片和口罩欺骗。现在我们用人脸识别做各种安全认证的时候，用户会眨眼或者摇头。今年8月，《厦门晚报》报道男友杀死女友后，在处理尸体和逃跑的过程中，掏出女友的手机，想借用女友的身份在网上申请小额贷款。他下载了一款网贷APP，按步骤操作，将女友的身份证照相上传，扶起女友的身体，对着手机摄像头进行“人脸识别”，但由于系统提示眨眼，他只好放弃向上。随后系统发现异常，即在7秒的“活体识别”环节，贷款申请人没有任何眨眼反应，而在语音验证时，是男声，与性别不符的贷款申请人，所以它被转移到人工审查。工作人员发现，贷款申请人的照片和现场识别视频中，颈部有棕红色勒痕，双眼失焦，面部有蓝紫色血迹。他们怀疑贷款申请人被杀，并立即向警方报案。人脸识别经过几十年的发展，从特征提取到深度学习，带大家回顾一下人脸识别的发展史。2018年10月，赫特福德大学和GBGPlc的研究人员发表了一篇综述论文，对人脸识别方法进行了全面梳理和总结，涵盖了各种传统方法和当今主流的深度学习方法。论文链接：https://arxiv.org/pdf/1811.00116.pdf第一个人脸识别算法诞生于1970年代初期。指纹识别和虹膜识别虽然更准确，但对使用的要求也更高。例如，指纹识别需要用户将手指按在传感器上，虹膜识别需要用户非常靠近摄像头，语音识别需要用户大声说话。相比之下，现代人脸识别系统只要求用户在摄像头的视野内（假设他们也与摄像头保持合理的距离）。这使得面部识别成为最人性化的生物识别方法。这也意味着面部识别的潜在应用更广泛，因为它也可以部署在用户不希望与系统合作的环境中，例如监控系统。人脸识别系统通常由以下构建模块组成：检测。人脸检测器用于查找图像中人脸的位置，如果有人脸，则返回包含每张人脸的边界框的坐标。对齐。面部对齐的目标是使用位于图像中固定位置的一组参考点来缩放和裁剪面部图像。这个过程通常涉及使用特征点检测器来找到一组面部标志，或者在简单的2D对齐情况下，找到最适合参考点的最佳仿射变换。更复杂的3D对齐算法也可以实现frontalization，即将人脸的pose调整为正脸。表征。在人脸表示阶段，将人脸图像的像素值转化为紧凑的、可区分的特征向量，也称为模板。理想情况下，同一对象的所有面孔都应映射到相似的特征向量。匹配。在人脸匹配构建块中，比较两个模板以获得相似度分数，该分数给出它们属于同一主题的可能性。在深度学习出现之前，人脸识别方法一般分为两个步骤：高维人工特征提取（例如：LBP、Gabor等）和降维。代表性的降维方法有PCA、LDA等子空间学习方法和LPP等流行的学习方法。深度学习方法流行后，代表性的方法是直接从原始图像空间中学习有判别力的人脸表示。当今最常用的人脸识别深度学习方法之一是卷积神经网络(CNN)。深度学习方法的主要优点是它们可以用大量数据进行训练，因此它们可以学习对训练数据中发生的变化具有鲁棒性的面部表示。这种方法不需要设计对不同类型的类内方差（例如，光照、姿势、面部表情、年龄等）具有鲁棒性的特定特征，而是可以从训练数据中学习它们。主要缺点是它们需要使用非常大的数据集进行训练，并且这些数据集需要包含足够多的变化以泛化到未见过的样本。但现在有一些包含大规模自然人脸图像的数据集是公开的，可以用来训练CNN模型。除了学习判别特征外，神经网络还可以降维，可以作为分类器或使用度量学习方法进行训练。CNN被认为是端到端的可训练系统，无需与任何其他特定方法相结合。可以使用不同的方法训练用于人脸识别的CNN模型。其中之一是将问题视为分类问题，训练集中的每个主题对应一个类别。训练后，该模型可用于通过删除分类层并使用前一层的特征作为面部表示来识别训练集中不存在的对象。在深度学习中，这些特征通常被称为瓶颈特征。在第一个训练阶段之后，可以使用其他技术进一步训练模型以优化目标应用程序的瓶颈特征（例如使用联合贝叶斯或使用不同的损失函数来微调CNN模型）。学习人脸表示的另一种常见方法是通过优化成对人脸或人脸三元组之间的距离度量来直接学习瓶颈特征。
