[论文解读] Can we still avoid automatic face detection?

Michael J. Wilber, Vitaly Shmatikov+1 more|arXiv (Cornell University)|Feb 14, 2016

Face recognition and analysis参考文献 19被引用 5

一句话总结

本文研究了注重隐私的用户是否仍能通过图像变换和遮挡技术规避 Facebook 上的自动人脸检测。尽管采用了常见的防护措施，如模糊处理、隐私眼镜或图像噪声，最先进的检测器在 COFW 数据集上仍能检测到 97.8% 的人脸，即使存在遮挡——这表明大多数传统规避方法对现代系统无效。

ABSTRACT

After decades of study, automatic face detection and recognition systems are now accurate and widespread. Naturally, this means users who wish to avoid automatic recognition are becoming less able to do so. Where do we stand in this cat-and-mouse race? We currently live in a society where everyone carries a camera in their pocket. Many people willfully upload most or all of the pictures they take to social networks which invest heavily in automatic face recognition systems. In this setting, is it still possible for privacy-conscientious users to avoid automatic face detection and recognition? If so, how? Must evasion techniques be obvious to be effective, or are there still simple measures that users can use to protect themselves? In this work, we find ways to evade face detection on Facebook, a representative example of a popular social network that uses automatic face detection to enhance their service. We challenge widely-held beliefs about evading face detection: do our old techniques such as blurring the face region or wearing "privacy glasses" still work? We show that in general, state-of-the-art detectors can often find faces even if the subject wears occluding clothing or even if the uploader damages the photo to prevent faces from being detected.

研究动机与目标

• 评估传统图像隐私保护修改是否能有效规避现代自动人脸检测系统。
• 评估遮挡技术（如隐私面罩、模糊处理和图像噪声）在隐藏人脸方面对检测的有效性。
• 理解在各种混淆条件下，人类与机器在人脸检测性能之间的差距。
• 探讨普遍存在的面部检测对注重隐私的用户（包括举报人和活动人士）的潜在影响。
• 识别出实用的、基于图像的防护措施，可在不降低图像质量的前提下帮助用户规避检测。

提出的方法

• 对照片应用了一系列合成图像变换（如噪声注入、模糊处理和光照失真），以测试其对人脸检测的影响。
• 评估 Facebook 的人脸检测器在 Labeled Faces in the Wild（LFW）和 Labeled Faces in the Wild with Faces（COFW）数据集上的表现。
• 基于对特定面部关键点（如鼻子、嘴巴、眼睛）的遮挡，分析检测率，以识别易受攻击的区域。
• 利用 COFW 数据集的关键点标注和遮挡标志，量化在部分遮挡条件下的检测失败率。
• 测试了如带红外 LED 的隐私面罩等真实世界防护措施，以评估其对检测的鲁棒性。
• 探讨了社交网络可能存在的监视滥用风险，例如利用朋友的识别模型来追踪个人。

实验结果

研究问题

• RQ1 像模糊处理或噪声注入这样的常见图像混淆技术是否能可靠地防止 Facebook 上的自动人脸检测？
• RQ2 像隐私眼镜或围巾这样的物理遮挡在规避最先进的人脸检测器方面有多有效？
• RQ3 当哪些面部区域被遮挡时，会显著降低现代人脸检测器的检测概率？
• RQ4 社交网络通过隐式访问用户识别模型，能在多大程度上实现在无明确同意情况下的监视？
• RQ5 能否设计出在保持视觉质量的同时可规避检测的图像扰动，从而提供一种实用的隐私保护解决方案？

主要发现

• Facebook 的人脸检测器在 COFW 训练集中仍能检测到 97.8% 的人脸，即使关键面部点被遮挡。
• 仅 61.9% 的鼻尖被遮挡的人脸被检测到，表明鼻部遮挡是最有效的防护手段之一，但仍不足以完全规避检测。
• 与眼睛遮挡相比，嘴巴遮挡显著降低了检测概率，表明不同检测器对不同面部区域的敏感度存在差异。
• 即使在高密度图像噪声、模糊处理或光照失真下，Facebook 的检测器仍能定位到人脸，表明其对常见图像操作具有高度鲁棒性。
• 带红外 LED 的隐私面罩并非总是有效，因为 Facebook 的系统仍能通过此类伪装检测到人脸。
• 本研究揭示了人类与机器在人脸检测之间存在显著性能差距，机器能检测到人类几乎无法察觉的人脸。