人脸识别这么好糊弄，我的钱会不会被盗刷？

AI换脸，曾经只会困扰名人，如今却会直接影响到我们普通人的财产安全。

伪造人脸盗号、转账的新闻不在少数，今年8月，就有两名犯罪嫌疑人因使用手机软件制作人脸识别动态视频，并“伪装”登录他人的网络账号盗取资金而被警方抓获。

另一则新闻提到，由于制作简单，一个视频价格仅为2至10元，

“客户”往往是成百上千购买，牟利空间巨大 | 图源：北京青年报

根据新闻报道和法院裁定书，这类案件的非法获利几千至几十万元不等，全国各地都已经发生了许多类似案件。甚至有不法分子利用银行的人脸识别授权功能，再通过木马病毒拦截短信验证码盗取存款，涉案总金额超200万元。

一、骗不过人，可以骗摄像头啊！

AI换脸，术语是Deepfake（深度伪造），是把Deep learning（深度学习）和Fake（伪造）组合在一起，用AI把一个人的人脸换到另一个人的照片/视频当中的技术。

围绕AI换脸有着相当多的“犯罪应用”，包括且不限于：

• 攻击刷脸验证：直接从支付宝、微信钱包、甚至贷款软件里，伪造他人信息套现；
• 制作虚假色情图片/视频：诈骗、敲诈勒索或损坏他人名誉；
• 实时换脸通话：盗号并诈骗号主亲友；
• 制造虚假信息：蒙骗政客、法官、投资者等；
• 发布假新闻：煽动民众、引起混乱恐慌、打击商业对手、制造股市动荡等。

在这当中，刷脸验证与普通人关系最大，因为它验证的是一个人的身份，一旦这个信息被突破，你的资产安全与信息安全都会受到威胁，很容易在网络上“裸奔”。

除了Deepfake技术，还有相当多的方法可以干扰人脸识别认证，比如造一个“骗AI眼镜”：

图源：Accessorize to a crime: Real and stealthy attacks on

state-of-the-art face recognition.

在一篇图像识别领域的经典文献中，研究者通过数学运算设计了一种特定的“眼镜”（中图），戴上就可以让一个人（左图）被AI人脸识别认成另外一个人（右图）。

另一种骗检测设备的方式是3D面具，比如下面这些图：

图源：businessinsider & kneron

这是Kneron这家公司的产品，他们在2019年底声明，对于微信、支付宝的刷脸支付和火车站的人脸识别闸机，都可以戴着面具伪装成别人通过。

二、AI换脸，特别在哪？

对普通人来说，上述技术还不必过于担心，因为它们有着各种各样的缺陷，比如“骗AI眼镜”主要是针对静态图片识别，无法突破动态人脸识别，而“人脸面具”需要定制、价值不菲且制作工艺复杂，用在普通人身上性价比并不高。

但AI改变了一切，简直把造假成本降到了“白菜价”。

视频越短、像素越低、实时性要求（需要实时换脸还是可以制作完视频再发出）越低、欺骗对象警惕性越低、可用素材（就是目标人物的多角度照片、视频）越多，造假成本就越低。

举个例子，同样是一个人说话，AI换成另一个人的脸，直接上手就能用的AI模型配合NVIDIA GTX1080 Ti可以做到这样，动作还算流畅，但“塑胶感”严重，一眼就能看出不是真人的视频。

图源：Youtube@Matthias Niessner

而经过NVIDIA RTX 3090 Ti长时间（数小时甚至数天）训练的AI模型，可以做出相当以假乱真的效果。可能只有在认真反复的观看下，才会发现：诶？刚刚这个人额头的皱纹是不是在闪？

图源：Youtube@Druuzil Tech & Games

针对“人脸识别”，deepfake便宜很多；因为攻破“人脸识别”不需要最“精细”，最费工夫的Deepfake技术，只需要一个清晰度一般的几秒钟的视频。

而提高成本后制作的更精细的视频，则可以用于其他的诈骗用途。并且这种造假是一种“一本万利”的买卖，在设备与算法齐全后，就可以根据不同的情境与需求，批量生产假视频。

三、普通人能怎么办

当AI换脸进入普通人的生活，我们能做些什么来应对跟它相关的不法行为呢？

1. “骗”机器的换脸咋办？

针对刷脸验证身份这一类场景，伪造的视频需要通过的是人脸识别系统的自动验证，或者说“骗过”机器。所需的视频时间短（几秒钟以内）、动态简单（只有少量固定动作、甚至有些系统仅仅识别图片）、没有实时要求，从技术上来讲是相对简单的，识别端也不在真人的掌控之中。

对于这类案件，普通人能做的就是平时守护好自己的个人信息（包括人脸信息），并且尽量采用多种方式结合的身份验证。

密码、指纹、手机号，能选的验证方式都选上，虽然自己也会麻烦点，但是相当于多几道保险，全部被同时攻破的可能性还是小很多的。

如果不幸被盗刷，立刻报警，配合警察追踪不法分子、追回违法所得，同时上报平台，让平台获取更多的信息来修补漏洞、升级系统。

2. “骗”真人的换脸，咋办？

欺骗真人的AI换脸，比如面对个人的勒索、诈骗，还有面对大众的虚假新闻，则显得更加隐蔽和多样化。

从根本上来说，有了AI换脸技术以后，普通人面对图像信息都应该多留个心眼，不能一味相信“眼见为实”。

如果被人用伪造的裸照、不雅视频勒索，不要回应，直接报警。

这类犯罪的AI换脸目标就是受害人，所以只要看到视频的人知道自己没有拍过此类照片、视频，就可以判断视频是伪造的。最大的难点反而在于不要自乱阵脚、不要因为害怕而向不法分子交付钱财。

如果被人用伪造的视频诈骗，比如骗子盗了你朋友的号，用AI换脸跟你实时通话借钱。这个时候，多渠道验证就很重要，各个社交平台、邮箱、短信、电话，不要因为对方看起来很着急就想都不想地打钱。

在观看网上的新闻、视频时，多查查新闻来源是否可靠。尤其是什么拜登讲话，马斯克讲话，这些名人们可用于机器学习的训练集太多了，仿造高精度视频很容易。

这张图里的马斯克是假的哈…… | 图源：VR陀螺

四、识别Deepfake的亿些小技巧

还有一些小诀窍，可以帮助你更好地判断一个视频是不是AI换脸伪造的（如果开了十级美颜，这些方法就不是很可靠了。毕竟，十级美颜也可以被看作一种AI换脸呢）：

1. 关注脸型

多看看脸的大小、形状、下颚线位置，尤其是动起来的样子，和本人是否一致。

2. 关注皱纹

毕竟每个人的皮肤情况和皱纹走向都是不一样的，AI模型仅凭一些照片（而且不一定是最近的照片），生成的皱纹很难跟本人一模一样。

一个人皮肤过于光滑、皱纹过多、或者全脸皮肤状况不一致（比如额头很多皱纹、脸颊却很光滑）、一段视频中年龄感不一致（一会儿看着年轻一会儿看着年长），都可能是伪造视频的特征。

3. 关注背景

看看这个背景是不是这个人平时用的背景、背景和人的衔接是不是自然、背景本身有没有变形等等。

4. 关注光影

AI换脸生成的视频并不遵循现实世界的物理光影规则，因此面部的阴影、眼镜的反光等等，都可能出卖伪造的视频。

5. 关注五官的位置和大小

AI伪造的视频可能会出现五官忽大忽小、位置飘移的现象。

6. 关注独特的面部特征

如果这个人脸上有痣、文身、疤痕，它们看起来都在正确的位置吗？

7. 关注头发

发量、发际线看起来真实吗？头发边缘看起来自然吗？

8. 关注动态

比如眨眼的频率和方式是否正常、眉毛和嘴的运动是否像这个人平时的样子、转头（尤其是转到90度的侧面）的时候有无变形、脸部被遮挡的时候遮挡物是否清晰可见，都是一些辨别AI伪造视频的要点。

一些容易露馅的动作 | 图源：metaphysic & VFXChris Ume

除了以上的理论知识，你还可以试着去这个网站（https://detectfakes.media.mit.edu/）实操做题，提升一下自己鉴别假视频的能力，说不定还能帮科学家对抗使用AI换脸的不法行为。

名人们有说过这些话吗？| 图源：MIT Media Lab

只要还有很高的潜在非法收益，不法分子就会不惜加大投入，制作更精美、更“真实”的虚假视频，去欺骗普通人、大公司、大机构乃至政府。

所以，除了个人能做到的事情外，其实也更应该由政府、公司从政策法规和技术建设上不断完善和加强，让技术的进步真正造福于人类，而不是沦为伤害他人的犯罪工具。

参考资料

[1]http://epaper.ynet.com/html/2022-04/14/content_396257.htm?div=-1

[2]惊堂木 | 眼见为实？“变脸”盗刷支付宝！已有人中招… (2022). Retrieved 25 October 2022, from https://mp.weixin.qq.com/s/qNEaUN-A_83OL53vHvbWww

[3]https://www.theverge.com/2019/12/13/21020575/china-facial-recognition-terminals-fooled-3d-mask-kneron-research-fallibility

[4]Kneron’s Edge AI & Facial Recognition Survey Pushes Forward Industry | Kneron – Full Stack Edge AI. (2020). Retrieved 25 October 2022, from https://www.kneron.com/news/blog/85/

[5]All it takes to fool facial recognition at airports and border crossings is a printed mask, researchers found. (2022). Retrieved 25 October 2022, from https://www.businessinsider.com/facial-recognition-fooled-with-mask-kneron-tests-2019-12

[6]To Uncover a Deepfake Video Call, Ask the Caller to Turn Sideways – Metaphysic.ai. (2022). Retrieved 25 October 2022, from https://metaphysic.ai/to-uncover-a-deepfake-video-call-ask-the-caller-to-turn-sideways/

[7]Detecting deepfakes by looking closely reveals a way to protect against them. (2022). Retrieved 25 October 2022, from https://phys.org/news/2019-06-deepfakes-reveals.html

[8]Europol report finds deepfake technology could become staple tool for organised crime | Europol. (2022). Retrieved 25 October 2022, from https://www.europol.europa.eu/media-press/newsroom/news/europol-report-finds-deepfake-technology-could-become-staple-tool-for-organised-crime

[9]Project Overview ‹ Detect DeepFakes: How to counteract misinformation created by AI – MIT Media Lab. (2022). Retrieved 25 October 2022, from https://www.media.mit.edu/projects/detect-fakes/overview/

[10]Sharif, M., Bhagavatula, S., Bauer, L., & Reiter, M. K. (2016, October). Accessorize to a crime: Real and stealthy attacks on state-of-the-art face recognition. In Proceedings of the 2016 acm sigsac conference on computer and communications security (pp. 1528-1540).

[11]Thies, J., Zollhöfer, M., Theobalt, C., Stamminger, M., & Nießner, M. (2018). Headon: Real-time reenactment of human portrait videos. ACM Transactions on Graphics (TOG), 37(4), 1-13.

[12]Li, Y., Yang, X., Wu, B., & Lyu, S. (2019). Hiding faces in plain sight: Disrupting AI face synthesis with adversarial perturbations. arXiv preprint arXiv:1906.09288.

[13]Westerlund, M. (2019). The emergence of deepfake technology: A review. Technology Innovation Management Review, 9(11).

[14]Mirsky, Y., & Lee, W. (2021). The creation and detection of deepfakes: A survey. ACM Computing Surveys (CSUR), 54(1), 1-41.

[15]Li, C., Wang, L., Ji, S., Zhang, X., Xi, Z., Guo, S., & Wang, T. (2022). Seeing is living? rethinking the security of facial liveness verification in the deepfake era. CoRR abs/2202.10673.

[16]Nguyen, T. T., Nguyen, Q. V. H., Nguyen, D. T., Nguyen, D. T., Huynh-The, T., Nahavandi, S., … & Nguyen, C. M. (2022). Deep learning for deepfakes creation and detection: A survey. Computer Vision and Image Understanding, 223, 103525.

[17]警惕！伪造“人脸”盗取账号，漳州两男子被抓_腾讯新闻. (2022). Retrieved 25 October 2022, from https://new.qq.com/rain/a/20220830A068U500

作者：罗碗，编辑：Emeria、游识猷，公众号：果壳（ID：Guokr42）

原文链接：https://mp.weixin.qq.com/s/NiYQywzCLGIADk2LZUYYGw

本文作者 @果壳

版权声明

本文来自互联网用户投稿，文章观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处。如若内容有涉嫌抄袭侵权/违法违规/事实不符，请点击 举报 进行投诉反馈！