[[213371]]

導讀：突然冒出的 90 后女生發文怒懟水滴攝像頭直播平臺，矛頭直指 360；周鴻祎緊急發文回應，強調遭遇黑公關。360 水滴事件引發公眾對個人隱私安全的集體擔憂，身處智能時代的我們，是否需要像電影里一樣，誠惶誠恐躲避無處不在的攝像頭？面對越發強大的技術進步，普通民眾對個人隱私的擔憂究竟能否得到解決？這場智能時代的隱私保衛戰，我們該怎么打？最近公眾有些焦慮，有些憤怒；最近有一位企業家也很焦慮，也很憤怒。

一篇《一位 92 年女生致周鴻祎：別再盯著我們看了》將這家在安全領域屹立 12 年的互聯網安全企業推向了風口浪尖。具體內容想必各位讀者多少都有所了解，我們簡單的總結一下這位姑娘的觀點：360 水滴攝像頭的直播功能，暴露了無數公眾的隱私。此文一出，立刻就在眾網友的朋友圈刷屏瘋轉，360 頓時成為了眾矢之的。

隨后 360 官方對事件進行了回應，周鴻祎本人也在微博上對事件進行了說明：

事件發生后，網絡上有關監控攝像頭與隱私的話題引起了熱烈討論，甚至有網友說：這次的事件讓人不禁想到幾年前的“棱鏡門”，各種機密的泄露，也大都來自那一個小小的攝像頭。

現在的監控技術到了怎樣的水平？

為了各位讀者能更加容易理解本文的內容，我們認為有必要先跟大家簡單談談監控攝像頭背后的技術。

智能監控的基礎技術學科是計算機視覺（Computer Vision），簡稱“CV”，是一門研究如何教會機器“看”的科學，更進一步的說，就是是指用攝影機和電腦代替人眼對目標進行識別、跟蹤和測量等機器視覺，并進一步做圖形處理，使電腦處理成為更適合人眼觀察或傳送給儀器檢測的圖像。而應用在監控領域，最常用的就是 人臉檢測和人臉識別技術。

人臉檢測有三大關鍵技術：

• 基于特征的人臉檢測技術

通過采用顏色、輪廓、紋理、結構或者直方圖特征等進行人臉檢測。

• 基于模板匹配人臉檢測技術

從數據庫當中提取人臉模板，接著采取一定模板匹配策略，使抓取人臉圖像與從模板庫提取圖片相匹配，由相關性的高低和所匹配的模板大小確定人臉大小以及位置信息。

• 基于統計的人臉檢測技術

通過對于“人臉”和“非人臉”的圖像大量搜集構成的人臉正、負樣本庫，采用統計方法強化訓練該系統，從而實現對人臉和非人臉的模式進行檢測和分類。

基于這三大關鍵技術，監控可以通過以下四個方面的特征進行人臉識別：

• 以面部點之間的距離和比率作為特征；
• 以不同特征狀態所具有概率不同而提取人臉圖像特征；
• 將人臉圖像視為隨機向量，并用統計方法辨別不同人臉特征模式；
• 利用大量神經單元對人臉圖像特征進行聯想存儲和記憶，根據不同神經單元狀態的概率實現對人臉圖像準確識別。

可以這么簡單進行理解：人臉檢測是判斷一張照片里有沒有人臉；而人臉識別是判斷某張人臉是誰。

根據 AI 前線編輯收集到的資料，目前警務場景中使用的人臉識別監控，譬如地鐵當中的監控，已經可以很清晰的捕捉幾乎每個上下車乘客的清晰面容，如果要對某一嫌疑人進行抓捕，可以說被抓捕人幾乎是無可遁形的。

有沒有可能躲開這些監控？

正如上文所述，被抓捕人“幾乎”是無可遁形的。

“幾乎”就代表著還是有可能逃脫的。

我們就能否躲避現在的智能監控收集了部分資料，同時也對一些技術專家進行了簡單的采訪，以下是我們得到的說法：

人臉檢測目前已經十分成熟，有不少檢測技術已經加入了步態識別，同時取樣也已經不僅局限在面部，而是肩部以上，簡單來說：識別出這是個人是完全沒問題的。

而識別出這人是誰就有一些挑戰了，比如光線、表情、遮擋、人臉相似等等，如果從這些角度入手，智能監控還是有可能被騙過。

不久之前，在大洋彼岸的美國，一位小哥就進行了一次針對 NSA（美國國家安全局）人臉識別挑戰：

具體事件的起因我們無從而知，小哥的文章里也沒有提到。我們只了解到他為了躲避 NSA 的監控，選擇在臉上的特征部位畫上迷彩。按照他的說法：對于面部識別算法像素計算機器人，會把他的臉翻譯成一堆不起眼的像素。而他畫上迷彩的臉出現在計算機的視野里，會瞬間引起系統混亂。

雖然成功騙過了人臉識別系統，但是小哥自己也坦言，每天頂著一張大花臉出門，在人群中反而更加顯眼了，而且心理上的副作用更是讓他倍感壓力：

“她們的眼神讓我意識到，我的這種奇怪的行為會引起公眾的不信任感。······我不禁想到，假如有一天我真的病了，病得很嚴重，街上的人會對我伸出援手嗎？我臉上的迷彩會讓我邊緣化，失去公眾對我的信任嗎？······臉上的迷彩讓我感到不安，我擔心我臉上的痕跡會讓我格格不入，讓人以為我是在惡作劇或演戲，從而在需要時得不到幫助，處于危險的境地。 ”

[[213372]]

美國小哥遮擋住了人臉的基本特征，導致監控無法識別，遮蓋特征是騙過監控的原因之一，而究其根本原因，接受我們采訪的幾位專家和技術人都提到了一個問題：目標庫的尺寸。

其中一位受訪專家提到：人臉識別的準確率會受到目標庫尺寸的影響。 比如公司打卡，只要在 1:1000 做判斷的話，帶口罩估計也能識別出是誰；如果是人臉抓壞人這種 1:1,000,000,000 的比對，戴口罩肯定就不行了。給定一張照片，判斷是庫里的哪個人，準確率跟庫的大小 N 有關系。而現在流行的人臉支付，其實屬于人臉驗證（verification），是指給定一張照片，已經知道他是誰了，判斷是否和庫里的某個人是同一個人，是 1:1 的對比，難度比人臉識別要小。

我們是否需要躲避監控？

人臉識別監控是有可能躲避的，普通老百姓不犯罪不違法，有必要專門躲避這些無處不在的智能攝像頭嗎？

據 AI 前線了解，實際上 90% 以上的已建點位無法直接用于人臉識別，現有監控畫面中提取的人像圖片分辨率很難達到 40*40pixel。低分辨率圖像相對于高分辨率圖像會損失很多高頻信息，其所能提供的細節信息豐富度和表達能力會減少。同一個算法模型，圖片的分辨率越低，相應的識別準確率也越低。若要采用云中心結構化建設人臉識別，意味著未來還要新建大量的高清視頻。

要使得人臉識別系統的準確率達到實戰應用的要求，畫面中人臉雙眼瞳距要求能達到 40 個像素點以上，這對攝像機架設的 高度和角度 都有一定要求?，F有的 90% 以上的治安監控點位，即便擁有 200 萬像素甚至更高分辨率，但由于架設高度、監控角度并非專為人臉識別而建設，依舊無法直接用于人臉抓拍，而那些遍布在商場、地鐵、路口等等人口流量巨大地區的監控攝像頭則需要更加復雜的技術。

從這些數據不難看出，一般的安防監控攝像頭對公民隱私的影響微乎其微，我們真正需要注意的是那些存在我們日常生活當中的家用網絡攝像頭、電腦攝像頭，甚至是手機攝像頭。這些設備被別有用心之人入侵之后，除了個人資料泄露之外，私人生活甚至可能被暴露在網絡上，受到億萬雙眼睛的“欣賞”。

未來該如何？

隨著技術的不斷進步，上文所說的各種挑戰也會漸漸的不再是問題。目前已經有企業在進行紅外 + 人臉識別監控的探索，據說可以完美解決面部遮擋問題；除此之外，前一陣大火的 iPhone X 搭載的 Face ID 人臉解鎖技術，代表著人臉識別技術的進步和技術民主化進程的發展，人臉識別的技術已經開始邁向 3D，雖然安全性仍然有待提高。

我們無法停止技術的進步，但是由進步帶來的隱私安全也將成為人們重點關注的問題，我們希望不論從技術還是政策層面，都能夠產生一套行之有效的方案，保護公民的基本隱私安全，畢竟“棱鏡門”有一個就足夠了，誰也不希望會冒出第二、第三、第 N 個斯諾登，不是嗎？