頭部向肩膀左右傾斜 15 度以上就能躲過人臉識別系統是真的嗎？

11-25

最近有很多篇文章都提及這個方法。是真實奏效的嗎？那有其他真正有效的方法嗎？

&> 「Another way to avoid facial recognition is to tilt your head more than 15 degrees to the side,」 the clip continues. 「Due to limits in their programming, they will not be able to detect that a face is present... [1]

&> The solution is simple. You don"t need to wear a mask or hack any systems. You just need to tilt your head 15 degrees to cheat the face detection software. [2]

Source:

1. Anonymous releases how-to instructions on fooling facial recognition (VIDEO)
2. guerrilla innovation: How To Avoid Facial Recognition

謝邀！
假的。（多圖）
按文章作者的意願，「頭部左右傾斜 15 度以上」只能逃避其所用APP中的人臉檢測模塊，粗略觀測，其所用APP中的人臉檢測演算法只能適應用正臉（ frontal face），而非多視角不變的人臉檢測（ Invariant Multi-View Face Detection[1]），而目前諸多開放的人臉檢測SDK或多或少地實現些功能：

圖1.（此結果來自orbe.us | ReKognition [2]，好人做到底，給orbe.us | Cloud-based Parallel All-In-One Image, Facial and Brand Recognition Engine.做個廣告 http://weibo.com/u/2441316112，美女負責人不在知乎呀！）

人臉檢測只是人臉識別系統中的一步，當然是非常重要的一步；反人臉檢測（躲開人臉檢測）也只是反人臉識別的一種手段，在特定場景下是奏效的，但「頭部左右傾斜 15 度以上」的「伎倆」是達不到這效果的，為什麼呢？是否有更有效的方法呢？我們來探討一下：

1、人臉識別的一般過程
首先，我們需要了解人臉識別的一般過程，如圖2：

圖2. 人臉識別一般過程

可以看不出，人臉檢測是入口，檢測失敗則後續識別無從談起；人臉檢測一般也包括了人臉關鍵點檢測 (Facial Landmark Detection)，檢測成功後的預處理是根據人臉關鍵點將人臉擺正、對齊，將人臉圖像規定在只包含五官的部分，當然也可能包含對光照的處理；
識別過程則類似一般圖像（模式）分類，大體是提取某種特徵（用於表示人臉圖像的數學向量，是對人臉圖像進行特定的運算獲得，如獲得矩陣特徵值即為一種方法），選擇某種分類方法（傳統神經網路及DeepLearning方法與此有別）。
那麼，影響人臉識別的因素實際上可包含影響人臉檢測的因素和影響特徵提取的因素：
影響人臉檢測的因素有：光照、人臉姿態、遮擋程度；
影響特徵提取的因素有：光照、年齡、表情、遮擋程度；
所以，反人臉檢測是反人臉識別最直觀的方法，題主所引用VEDO中用到的反人臉檢測的方法莫過於從影響人臉檢測的因素及人臉檢測原理入手，這裡留在下一節講。
同樣的道理，破壞影響特徵提取的因素在理論上也是可以達到反人臉識別的效果。

2、人臉檢測及反人臉檢測

2.1 人臉檢測
目前流行的人臉檢測方法多源自Viola–Jones object detection framework（Viola）[3]，這裡並不打算描述該過程，OpenCV Face Detection: Visualized [4]（自備梯子）非常直觀地展現了這一過程。
基本上，了解了該演算法，使用OpenCV自帶的分類器[5]，便可實現正臉的檢測；但對於圖像中人臉的其他姿態，則有較高的漏檢率，這也就是為何題主及其引文將場景設為「頭部左右傾斜 15 度以上」，其實還可以為「頭部向下俯或向上仰15度以上」或「頭部向左或向右偏15度以上」，只不過「頭部左右傾斜 15 度以上」偽裝或躲避鏡頭的意圖不算太明顯而已。
人臉在空間中的旋轉有三種[6]，即繞水平軸旋轉（俯仰）、繞垂直軸旋轉（搖擺）和繞視平面法向軸旋轉（傾斜），如圖 3所示：

圖3. 人臉在空間中的旋轉

也即roll, yaw, pitch，注意圖1結果中的紅框，對應如圖4：

圖4. 人臉在空間中的旋轉

也就是說，完善的人臉檢測演算法，是要適應一定多視角的，如[6]考慮的姿態範圍為搖擺[-90°, +90°]，傾斜[-45°, +45°]和俯仰[-20°, +20°]。更多的結果如下：

圖5. Multi-View Face Detection

圖6. Face Detection Project

圖7. CNN for Facial Point Detection

http://users.soe.ucsc.edu/~milanfar/research/rokaf/.html/ObjectDetectionFromSingleImage.html

2.2 反人臉檢測
了解了人臉檢測的原理及影響人臉檢測的因素，反人臉檢測似乎有頭緒了，當我們只是產生了這些念頭的時候，有人已經實驗多時。

A、基於VJ人臉檢測原理的反人臉檢測
[2.1]中將VJ人臉檢測可視化的同學Adam Harvey做了這個實驗，前期的實驗主要是尋找一種可行的遮擋模式：

第二階段的實驗是對遮掩層的精化(Project)：

反人臉檢測的動態過程見CV Dazzle: ITP Thesis Demo Look #1 (after) from Adam Harvey on Vimeo.Adam Harvey在facebook.com所用的phototagger上的測試見CV Dazzle vs PhotoTagger from Adam Harvey on Vimeo.

B、基於光照干擾因素的反人臉識別

日本東京國立信息研究院教授ISAO ECHIZEN研發出了世界首款反面部識別的眼鏡，通過眼鏡上的11組近紅外環形燈，可以完美阻止被攝像頭的面部識別程序抓取信息。[7]

圖8. Execution of face detection Research projects

3、針對特徵提取的反人臉識別

特徵提取方法繁多[9][10][11]，要在這個層面上達到反人臉識別，似乎難以做到，除非獲知該識別系統可能使用的特徵提取方法，即便如此，魯棒的特徵應該具備一定的不變性，比如光照、年齡、雜訊等的影響，要做到破壞性，需具備一定的專業水準。

如果不想去推測或遍歷當前流行的人臉特徵演算法，那麼在這個層面上要做到反人臉識別，目前我只能不負責任地舉出這個栗子：[視頻]能騙過面部識別的人臉面具[8]

4、總結

人臉識別的廣泛應用，勢必對民眾的隱私造成一定的影響，這也是Google及Facebook尚未在其SNS系統中公開使用該技術的原因之一。對於大街小巷星羅棋布的監控設備，你我的身影或行跡總會不知不覺地記錄在某塊硬碟的扇區，儘管2013年波士頓馬拉松爆炸案等事件表明目前的技術並不像鷹眼 (豆瓣)中描述的那樣神乎其乎，但做為想像成為拯救無辜人類的化身的技術宅，自然是要事先發起反擊戰--反人臉識別。

5、參考
[1] High-Performance Rotation Invariant Multiview Face Detection. IEEE Xplore Abstract
[2] orbe.us | ReKognition
[3] OpenCV Face Detection: Visualized from Adam Harvey on Vimeo. http://vimeo.com/12774628
[4] Viola–Jones object detection framework http://en.wikipedia.org/wiki/Viola%E2%80%93Jones_object_detection_framework
[5] OpenCV Cascade Classifier
[6]《基於連續 Adaboost 演算法的多視角人臉檢測》 http://media.cs.tsinghua.edu.cn/~ahz/papers/crad-20031114-1836.pdf
[7] 和谷歌對著干日本科學家開發反面部識別眼鏡
[8] [視頻]能騙過面部識別的人臉面具
[9] http://vis-www.cs.umass.edu/lfw/results.html
[10] 自動人臉識別基本原理
[11] 人臉識別核心演算法

最有效的反人臉識別方法是擋住眼睛。
記得某年給公安部做項目，身份證照片查重。後來對異常照片挨個排查。
當時是半夜，諾大的實驗室就我一個人，於是在看了兩百張照片後，毫無徵兆地出現了那張左眼被一個巨大肉瘤覆蓋的證件照。

久久不能忘懷……

總之，絕大部分人臉識別演算法的第一步都是關鍵點檢測，而無論什麼演算法，眼睛必然要被算成關鍵點的。所以，無論墨鏡、眼罩還是用手遮擋，只要擋住一隻眼睛，絕對秒殺90%以上的識別系統。

人臉識別系統的第一步，肯定是找到一些特徵非常強烈的點，比如眼睛、鼻尖、嘴角，用他們定出來一個坐標系。之後的操作都在那個坐標系裡完成。所以傾斜15度根本不管用。ICCV09的一篇paper，擋成這樣了還能有43.6的識別率，歪頭算什麼，側臉都能。這還只是08/09年的技術。http://perception.csl.illinois.edu/recognition/Files/face_iccv09.pdf

而轉正這件事情，是個專門的方向。現在都可以從圖片本身的內容來找正不正，不限於人臉。https://arxiv.org/pdf/1012.3216.pdf

當然，世界上總能找到一些垃圾到不能再垃圾的人臉識別系統，連這都不好好做的。但不能因此就把它擴展到所有人臉識別系統啊。

建議看一下最新一期的最強大腦水哥跟百度機器人的人機大戰人臉識別系統已經到這種地步了你覺得偏轉十五度有用？

現在的技術轉150度都是OK的，一般檢測完會做一個人臉校正的

SIFT, SURF, KAZE三個基於圖像特徵點的演算法都支持臉部尺度的變化（即臉在圖像里所佔像素的多少）和旋轉（別說15度，就是180度也能識別出來）。

假的，假的

哈，我所知道的是不能。
看題目還以為是說沿垂直軸偏轉15度，如果是這樣，15度也不能。但對準確識別稍有影響。

雖然不知道樓主要做什麼，但是治

好了我多年的頸椎病

假的！有圖有真相！

如下圖，我把樓主的照片在Face++的detect開發介面中測了下。

完全可以檢出啊！你也可以來這裡&>&> 人臉檢測 | Face++ 最好的免費人臉識別雲服務體驗下一把。

對於人臉識別感興趣的朋友可以到這裡&>&> Face++ 最好的免費人臉識別雲服務了解更多

利益相關，我是Face++員工。

顯然不能啊…………………………

如果這事兒這麼簡單，我國人臉識別領域那4隻獨角獸，都見鬼去吧。

但是，也不是沒辦法騙。比如說戴一副有特定圖案的寬框眼鏡：

厚白卡紙列印一個剪一剪，成本一塊多。就能讓人臉識別系統不僅認不出你，還會認成別人，比如說美女演員什麼的。這不是開玩笑，是卡耐基梅隆大學（CMU）的一項正經研究。

論文：Accessorize to a Crime: Real and Stealthy Attacks onState-of-the-Art Face Recognition
地址：https://www.cs.cmu.edu/~sbhagava/papers/face-rec-ccs16.pdf

原理呢，我們要知道，電腦不是用人類的方式認臉，只是在像素中尋找模式。如果你知道這些機器在尋找哪種模式，就能輕易的愚弄這些人工智慧系統。

首先，他們找到了與特定面孔相關的圖案，然後把這些圖案列印到一副寬邊眼鏡上。然後在測試中，機器對戴上眼鏡的研究人員「視若無睹」。不僅如此，眼鏡還能用來冒充別人。

一位41歲的白人男性研究員，僅憑一副眼鏡，就能冒充女演員……準確率87.87%。

當然這個研究也有明顯的局限。比如不同的距離、不同的照明條件下，效果會有差異。最重要的是，實驗室的測試並不代表在現實中總是可行。

其實AI不止會認錯人臉，圖像識別裡邊有很多坑。

以上內容來自更多坑害圖像識別的方法見：

量子位（QbitAI）公眾號文章《想騙過人臉識別？一塊錢就夠了（附送幾組騙AI的方法+論文）》http://mp.weixin.qq.com/s/jAoK3lwZydfjTLhFCcLEwA

假的，一個好的人臉匹配演算法應該對於圖像的大小變換，旋轉，位置變換都有很好的抗性，對於圖像的旋轉處理方式很多，例如SIFT中對特徵點加上方向

如果是這樣的話，那指紋識別豈不是不能有半點偏差？題主太小瞧科學了吧！

不要這麼鄙視人臉識別技術好吧，好歹超過肉眼了

圖樣圖森破

rotation...早期演算法不支持，後來改進了吧

人臉識別系統做好以後，加個旋轉就行了。

反正美圖不認橫著的臉
不要問我怎麼知道的

假的
起碼不適用與所有設備
比如我的Surface Pro 4就能認識歪著腦袋的我

一個正交矩陣的事