安全研究员研发对抗图案使监控摄像头失效

项目背景

近年来，城市道路、商场和公共场所的摄像头配备了车牌识别、人体检测乃至人脸识别等算法，形成了大规模的监控网络。Bill Swearingen 受隐私权驱动，发起 noRecognition 项目，旨在研发一种可在衣物、车辆等表面直接打印的图案，让这些算法失效，从而让被覆盖的对象重新成为“稻草人”。

技术原理

强化学习生成：Swearingen 的模型将 11 种开源检测算法作为环境，每一次图案被算法识别失败后，模型会获得正向奖励并迭代更新。
对抗式图案：通过对像素分布的微调，使得摄像头捕获的特征图在卷积层被扰乱，导致检测阈值无法触发。
实时生成：模型每分钟可输出数十个新图案，且每批图案的成功率均高于前一批。

实际演示

在 2026 年 8 月的 Def Con 安全大会上，Swearingen 将最新图案打印在一辆 2009 年款 Toyota Yaris 上，并在现场的 Flock 车牌识别摄像头前测试。结果显示，摄像头未能捕捉到车牌信息，系统报警未被触发。虽然车轮的金属光泽仍被部分识别，但整体效果已足以证明概念的可行性。演示视频将在后续几周内公开。

市场与隐私影响

个人隐私：该技术为抗议者、记者以及普通市民提供了一种低成本的“脱离监控”手段。
商业风险：摄像头厂商和安防公司可能面临检测失效的声誉危机，需要投入更多资源进行算法硬化。
监管争议：美国部分州已启动立法讨论，是否将对抗式图案列为非法干扰公共安全设备的行为。

未来展望

Swearingen 表示，下一步计划将图案商业化，推出 T 恤、连帽衫以及车辆贴膜等商品，并通过众筹平台筹集研发经费。同时，他将继续保留最强图案的源码，防止被摄像头厂商逆向破解。随着模型迭代和硬件成本下降，对抗式图案有望在更广泛的公共空间得到应用，也将推动监管机构重新审视监控技术的合规边界。

“每一次失败都会让模型更强大”，Swearingen 在接受采访时如是说。

本文基于 TechCrunch 报道整理，旨在为读者提供客观的技术与政策视角。