Introdução
Um pesquisador de segurança cibernética dos Estados Unidos desenvolveu uma tecnologia capaz de criar padrões visuais que confundem os algoritmos de detecção das câmeras de vigilância mais comuns do mercado. Após mais de 31 milhões de testes computacionais, Bill Swearingen conseguiu produzir designs que, quando aplicados a roupas, veículos ou objetos, impedem que sistemas de visão computacional identifiquem o que está sendo coberto pelo padrão. A descoberta levanta questões fundamentais sobre a confiabilidade dos sistemas de vigilância automatizados que estão sendo amplamente implementados em cidades ao redor do mundo, incluindo no Brasil.
Como funcionam os padrões adversariais
O projeto noRecognition, como foi batizado por Swearingen, não bloqueia a gravação de vídeo pelas câmeras de segurança. Em vez disso, os padrões gerados por computador embaralham a capacidade do algoritmo de detectar e classificar objetos, pessoas ou rostos no campo de visão. É como se a pessoa usando o padrão se tornasse novamente uma agulha no palheiro – presente nas gravações, mas invisível para os sistemas automatizados que filtram e analisam o conteúdo.
A técnica se baseia em um conceito conhecido como ‘exemplos adversariais’ na área de machine learning. Essencialmente, são pequenas perturbações visuais, muitas vezes imperceptíveis ao olho humano, que conseguem confundir redes neurais treinadas para reconhecimento de imagens. No caso do noRecognition, esses padrões foram otimizados especificamente para derrotar múltiplos algoritmos de detecção simultaneamente.
O desenvolvimento através de reinforcement learning
Swearingen começou seu trabalho há um ano com testes de prova de conceito, derrotando um algoritmo de detecção de código aberto por vez. Com o tempo e o apoio da comunidade de segurança cibernética, que forneceu poder computacional adicional, ele evoluiu o sistema para um modelo de aprendizado por reforço.
Em termos simples, o pesquisador ensinou seu modelo a ‘pintar’ – criando padrões visuais e testando-os contra os algoritmos de detecção. Cada vez que um padrão falhava e era detectado, o modelo aprendia com o erro e tentava novamente, refinando continuamente sua abordagem. Esse processo iterativo resultou em padrões capazes de derrotar simultaneamente 11 algoritmos de detecção de código aberto diferentes, incluindo softwares usados por leitores de placas Flock, câmeras corporais Axon e sistemas que executam o Clearview AI.
Atualmente, o modelo gera novos padrões a cada minuto, com cada lote sendo matematicamente superior ao anterior em termos de eficácia contra detecção.
Teste no mundo real comprova eficácia
Durante a conferência de cibersegurança Def Con em Las Vegas, Swearingen realizou seu primeiro teste público em condições reais. Com a colaboração do canal Donut Media, um Toyota Yaris 2009 foi completamente coberto com um dos padrões mais recentes do noRecognition. O objetivo era verificar se o veículo seria invisível para uma câmera Flock, uma das marcas mais utilizadas em sistemas de monitoramento urbano.
O teste foi bem-sucedido, embora Swearingen tenha notado que as rodas do veículo apresentaram desafios adicionais. A demonstração prática provou que é possível evitar a detecção algorítmica em espaços públicos, um marco importante para a tecnologia.
Motivações e implicações éticas
A motivação de Swearingen para desenvolver o noRecognition vai além da curiosidade técnica. Como residente de Kansas City, ele observou a proliferação de câmeras de vigilância em sua cidade, muitas vezes instaladas a poucos metros umas das outras. O pesquisador argumenta que os cidadãos nunca consentiram em ser constantemente monitorados, assim como não autorizaram o uso de suas fotos de carteira de motorista para sistemas de reconhecimento facial governamentais.
Um episódio específico catalisou seu trabalho: Swearingen queria participar de um protesto, mas sentiu-se desconfortável com a possibilidade de ser rastreado por câmeras enquanto exercia seu direito constitucional à livre expressão. Reconhecendo seus privilégios como homem branco de meia-idade no centro dos Estados Unidos, ele percebeu que muitas outras pessoas – especialmente de grupos minoritários – enfrentam riscos ainda maiores ao exercer seus direitos democráticos sob vigilância constante.
O que isso significa para o futuro da vigilância
A tecnologia desenvolvida por Swearingen representa um ponto de inflexão importante no debate sobre privacidade e vigilância em massa. No Brasil, onde sistemas de reconhecimento facial têm sido implementados em diversas cidades e já causaram polêmicas por erros de identificação e viés racial, essa tecnologia pode oferecer uma forma de resistência tecnológica.
Por um lado, os padrões adversariais podem ser vistos como uma ferramenta de proteção da privacidade individual contra a vigilância indiscriminada. Por outro, há preocupações legítimas sobre o uso indevido dessa tecnologia por criminosos tentando evitar detecção. É um dilema clássico da era digital: ferramentas que protegem a privacidade dos cidadãos honestos também podem ser exploradas para fins ilícitos.
O projeto também expõe vulnerabilidades fundamentais nos sistemas de visão computacional que estão sendo rapidamente implementados em infraestruturas críticas. Se padrões relativamente simples podem derrotar algoritmos sofisticados, isso levanta questões sobre a confiabilidade desses sistemas para segurança pública e outras aplicações críticas.
Próximos passos e disponibilização comercial
Swearingen lançou uma campanha de crowdfunding no Kickstarter para financiar a produção inicial de produtos com os padrões noRecognition, incluindo camisetas e moletons. O objetivo é criar designs de alta qualidade e resolução suficiente para funcionar à distância, mantendo também um apelo estético fashion. Há planos futuros para desenvolver adesivos com os padrões para veículos.
Estrategicamente, o pesquisador está mantendo seus padrões mais eficazes fora da internet para evitar que fabricantes de câmeras desenvolvam contramedidas. Enquanto isso, seu modelo continua operando, gerando novos padrões continuamente. Como ele mesmo afirma, cada falha melhora o modelo, tornando os padrões progressivamente mais eficazes.
Conclusão
O projeto noRecognition de Bill Swearingen representa uma fascinante interseção entre privacidade individual, tecnologia de vigilância e machine learning adversarial. Ao demonstrar que é possível criar padrões visuais capazes de derrotar múltiplos sistemas de detecção simultaneamente, o trabalho questiona premissas fundamentais sobre a eficácia e confiabilidade dos sistemas de vigilância automatizados.
Para o contexto brasileiro, onde o debate sobre vigilância em massa e reconhecimento facial está cada vez mais presente, essa tecnologia oferece tanto uma ferramenta potencial de proteção da privacidade quanto um alerta sobre as vulnerabilidades dos sistemas que estão sendo implementados. À medida que mais cidades adotam tecnologias de vigilância inteligente, a corrida entre sistemas de detecção e técnicas de evasão promete se intensificar, tornando essencial um debate público informado sobre os limites éticos e legais dessas tecnologias.
Fonte original: Este artigo foi adaptado e traduzido a partir da matéria “This ‘adversarial’ pattern can prevent surveillance cameras from detecting you” publicada em TechCrunch, disponível em https://techcrunch.com/2026/08/09/this-adversarial-pattern-can-prevent-surveillance-cameras-from-detecting-you/.
