当前，人脸识别的过程依次为活体检测—人脸检测拍摄—上传服务器对比或本地处理—面部特征点定位—提取和分类—校验和识别—分析返回结果，但这些过程中依然会找到突破点来实现欺骗或者绕过人脸识别，人脸识别隐私问题依然存在技术难点。1、活体检测攻击和绕过SecID的员工使用录制的视频，轻松绕过了俄罗斯人脸识别公司VisionLabs的活体检测。这个方法毫无技术门槛，只要有目标用户的音视频即可剪辑出一段视频实现活体检测的攻击。用应用注入的方式，甚可以实现绕过活体检测，因为活体检测肯定是先于人脸识别发生的，可以在程序中打断点，通过试验演示整个流程触发断点，分析并修改程序存储的一些关键数值，能达到绕过活体检测的目的。而一旦活体检测被绕过，一张普通的照片都能通过静态的人脸识别。2、服务器交互过程攻击很多APP或SDK在上传拍摄的照片时，明文传输，且没有对图像数据进行签名，导致图像数据可以被截获篡改，有的在数据报文没有加入时间戳，可以通过重放数据报文的方式来实施破解。在测试某款应用的过程中，甚出现过这样的情况：本地上传人脸数据到服务器，服务器返回一个匹配度，本地通过匹配度来决定人脸识别是否通过，该应用没有对数据报文加签名，导致返回数据可以被轻松篡改，终绕过人脸检测。3、3D打印绕过检测iPhoneX发布后一周，越南安全公司Bkav用3D打印的脸部大面具轮廓、硅树脂材料制作的鼻子、2D打印的眼眶区域和部分面部的化妆，制作成了一个假的人体面具成功破解了苹果的FaceID系统。随着3D打印技术的低成本化和普及化，可以预料的是，未来会出现越来越多的人脸识别系统被破解的案例，即使3D结构光的在旗舰手机上的逐渐普及也无法挽回这个趋势。说到底，人脸识别智能作为一种弱加密手段来使用，他无法改变人脸可以被复制的属性，破解人脸识别只是时间和成本问题，而不是技术问题。4、对抗网络破坏人脸识别多伦多大学的教授ParhamAarabi和研究生AvishekBose5月31日在Arxiv上提交了一篇论文，该论文演示了一种“对抗性训练”，建立起两种相互对抗的算法。Aarabi和Bose创建了两个神经网络，一个是识别人脸的网络，另一个是破坏其既定目标的神经网络。这两个网络互相学习，相互提升效果。其实是当初对抗样本的原理，利用对抗原理，只要轻微改动几个关键像素的值，这样的改动对人类来说甚无法察觉，但完全可以达到欺骗神经网络的作用。