对抗性图案可让监控摄像头无法识别你

过去一年里，Bill Swearingen 几乎一直在重复同一个测试。他的目标是生成一种计算机图案，能让遍布美国街头的监控摄像头无法识别到它所覆盖的目标。

经过大约 3100 万次测试后，Swearingen 表示他现在可以根据需求生成这类图案。只要把它们应用到衣物或物品上，就能让一些最常见的车牌识别器和监控摄像头无法识别图案所覆盖的任何东西——无论是人还是车辆。

他把这个项目命名为 noRecognition，旨在帮助人们摆脱美国乃至全球范围内广泛使用的自动检测和算法监控。

近年来，监控摄像头的功能被大幅强化：从追踪超速车辆的车牌，到利用人脸识别锁定嫌疑犯，都已经可以实现——尽管效果参差不齐，有时甚至带来令人恐惧的后果。如今大多数监控摄像头所依赖的检测算法能够从海量视频中迅速筛出关键画面，让执法部门像大海捞针一样精准锁定可疑活动。

Swearingen 生成的计算机图案并不会阻止摄像头录视频，而是干扰摄像头对物体、人或人脸的识别能力，使其无法触发任何检测警报。当摄像头无法识别图案覆盖的内容时，佩戴或携带该图案的人就重新变成了一片干草堆里的针——除非有人事先知道该往哪里看。

Swearingen 本周在接受 TechCrunch 电话采访时表示："隐私是一项基本权利。"他将自己的图案描述为让人们"选择不被追踪"的一种方式。

本周五在拉斯维加斯举办的 Def Con 网络安全大会上，Swearingen 完成了首次公开测试：他在车辆上印制了该图案，并成功证明这类图案在真实世界中确实能够有效干扰监控检测。

教模型学会"作画"

Swearingen 在电话中告诉 TechCrunch，他住在堪萨斯城，也是当地网络安全线下聚会 SecKC 的联合发起人。作为一名网络安全从业者，他深切意识到监控带来的隐私和安全风险。

他描述了自己的城市如何被监控摄像头淹没，有时两台摄像头之间只隔几英尺。他说，他和其他人从未同意被监控，就像他从未同意政府将他的驾照照片用于人脸识别一样。

Swearingen 形容自己是一个住在美国中部的中年白人男性，并承认正因如此，他从未因自己的身份或外貌而遭受过艰难或歧视。他回忆说，去年他想去参加一场抗议活动，但感到不安和担忧，因为大量的摄像头可能会追踪那些正在行使宪法赋予的言论自由权利的人。

他觉得如果自己有这样的顾虑，其他人无疑也会有——包括那些想要行使权利、但可能觉得不安全或不自在的人。Swearingen 随即开始着手研究。

自从能够检测目标的摄像头问世以来，反制技术的尝试就从未停止过。一些艺术项目和服装品牌已经推出了旨在帮助人们躲避人脸识别的服饰。部分眼镜厂商也在追赶这一潮流，尽管效果并不理想。

Swearingen 表示，他的研究建立在这些早期工作的基础之上——那些研究已经证明，干扰摄像头检测是可行的。

他去年从概念验证实验室起步，逐步攻破一个又一个开源视频检测算法。这一年里，他不断扩大测试规模、增加算力来优化这些图案方案。他感谢了整个社区提供的硬件支持，帮助项目持续推进。

他的概念验证方案经过不断打磨，最终演变成一个强化学习模型——本质上是一个自洽的系统，能够针对他正在测试的特定摄像头算法自主训练，筛选出有效和无效的图案。用 Swearingen 告诉 TechCrunch 的话说，他基本上教会了自己的模型"如何作画"。

每次某种图案失败、被算法识别出来，模型就会反复尝试，直到最终能够同时骗过多套算法。

他的模型很快找到了完美配方：生成的图案能够同时攻破他测试的全部 11 套开源检测算法，包括驱动 Flock 车牌识别仪、Axon 执法记录仪以及运行 Clearview AI 的摄像头所使用的软件。

他说，如今这个模型每分钟都会生成一批新图案，每一批都在数学意义上优于上一批。

上周五在拉斯维加斯举行的 Def Con 网络安全大会上，Swearingen 进行了他的首次真实场景测试。在 Donut Media 的协助下，测试将一辆 2009 款丰田雅力士贴上 Swearingen 最新生成的图案之一，观察该车能否对 Flock 摄像头"隐身"。

"我们已经证明它确实有效；"Swearingen 说，不过他也提到车轮部分是难点。Donut Media 表示，演示视频将在未来几周内发布。

拉斯维加斯的公开演示已经完成，这个项目初步证明：在公共空间避开算法检测是可行的。他说，下一步是把这些图案送到有需求的人手中。

noRecognition 项目还发起了一个众筹活动，为早期周边产品的销售筹集资金，产品从 T 恤到连帽衫都有，后续还可能推出印有图案的车身贴膜。Swearingen 表示，他们的目标是让这些图案在远距离下依然保持足够高的清晰度和分辨率，同时在外观上也要时尚美观。

他说，他最强的图案不会放到网上，以免被摄像头厂商破解，但这项工作还没有完成。他的模型仍在不断生成新的图案。

"每一次失败都能让我的模型变得更好，所以图案也会越来越强，"他说道。