近日，以色列特拉维夫大学研究人员证明了一种创建“人脸（master face）”的方法。
研究人员通过图像生成系统StyleGAN先生成假的人脸图像，然后通过算法和分类器对比筛选出与真实人脸相似度的图像，终获得9张“人脸”图像。
这种计算机生成的“人脸”作用就像钥匙一样，可以模仿多个身份，通过基于人脸识别的身份验证。
该研究论文题目为《利用网络辅助的潜在空间演化生成字典攻击的人脸（Generating Master Faces for Dictionary Attacks with a Network-Assisted Latent Space Evolution）》，已提交论文预印本发布平台arXiv上。
一、指纹技术带来灵感
由于其方便性，生物识别认证，特别是人脸识别认证，已日益成为主流，因此现在成为攻击者的主要目标。
攻击一般的计算机认证系统时，有破解者会采取字典式攻击，通过连续尝试多个输入来尝试通过认证系统。
而在现实世界的生物识别系统中，人们通常只能尝试几次输入，然后系统就会锁定。并且使用生物统计学进行的匹配并不精确，加之生物学统计数据的空间分布不均匀，这表明可能少量样本可以覆盖更大的人口比例。
特拉维夫大学研究人员从“指纹”研究中获得了灵感，他们开发了一种“人脸”，来绕过人脸识别软件。
二、通过算法分类对比，选出9张“人脸”
研究人员使用人工智能领域广泛使用的生成模型StyleGAN，来进行“人脸”的制作。
▲“人脸”训练过程
然后研究人员然后使用算法和神经网络来优化。有限内存矩阵自适应进化策略（LM-MA-ES）算法是非常适合高维黑匣子优化的，但是还需要增加一个组件，来推断哪些人脸是交叉身份认证的候选选项。
所以，研究人员创建了一个“成功预测器（Success Predictor）”神经分类器，将大量候选人脸图像筛选出合适、可完成绕过人脸识别软件任务的人脸图像。
▲“成功预测器”神经分类器原理
研究人员使用算法和分类器将每一个系统输出的虚假人脸都与Labeled Faces in the Wild（LFW）数据库中5749个不同人的真实照片进行比较，并给出平均集覆盖率（Mean Set Coverage，MSC）分数，只保留分数高的虚假人脸图像。
其中对图像比较得到的分数会用于训练进化算法，帮助研究人员使用StyleGAN，创建出越来越多看起来像数据集中真实存在的人脸图像。终得到9张“人脸”图像。
▲九张“人脸”
三、能覆盖超40%数据集
研究人员使用“人脸”对三种不同的深度人脸识别系统：dlib、FaceNet、SphereFace进行测试，因为这几种人脸识别系统在LFW数据集中测试竞赛的排名。
▲9张生成的图像所覆盖的数据集的百分比
研究人员实验得到，9张“人脸”覆盖了这三种人脸识别系统中42%-64%的数据集，也就是说9张“人脸”可以通过这些人脸识别系统中42%-64%的身份验证。
结语：人脸识别系统准确性备受关注
随着人脸识别技术的普遍应用，除了涉及到隐私保护问题外，人脸识别的准确性同样是人们热议的话题。美国就有几起因为人脸识别错误而错误发生逮捕的事件，引起了很大舆论反响。
特拉维夫大学研究人员其实给出了很好的思路，从如何破解人脸识别系统入手反推人脸识别系统漏洞，这样可以更好地完善人脸识别系统。
声明：本网站发布内容和图片的目的在于传播更多信息，归原作者所有，不为商业用途，如有侵权敬请作者与我们联系删除。
