研究员史威林根向外界展示了六种图纹，但据悉他手中握有效能更强的版本，这些高级方案之所以未对外公开，是为了防止被人工智能训练数据库所采纳。
根据TechCrunch的报道，这位名叫比尔·史威林根的科研人士花费整整一年的时间，进行了多达3100万轮次的反复验证实验。他所研发的名为「noRecognition」的模式库，能够根据实际需要定制生成各类干扰图案，对美国社区街道上广泛部署的车牌识别装置、人员识别系统和面部识别技术造成混淆。
当代的监控技术已经突破了单纯记录画面的局限。
与AI识别算法相结合后，这些系统能够自动从数万小时的视频素材中搜索并锁定特定的车牌号码、车辆类型、特定人物或面部特征。借此技术，执法部门无需一帧一帧地审看画面，就能迅速地在海量信息中精准定位目标人物或车辆，就像从无尽的草堆里准确地抽出那一根草针。
值得注意的是，这些图案并不能让摄像头的视线被挡住，也不会使穿戴者在视频中完全隐形。相反，它们是通过迷惑识别程序，使其对被图案覆盖的对象产生错误理解——识别系统无法判断图案下藏着的是个人还是一辆汽车，抑或别的什么东西。
当系统失去目标时，它就不会去自动做出标注、开展搜索或触发警报。这样一来，穿着这种图案的人就重新成为了大量监控影像中无法被发现的一个数据点。
「隐私乃是人的基本权利。」史威林根这样说道，他的目标是为那些不想被持续跟踪的人群提供一种选择——他们可以利用这项技术来规避来自算法的监视。
这位研究者的家乡是密苏里州的堪萨斯城，同时他也是本地网络安全社团SecKC的创始成员之一。
在他的叙述中，他居住的社区到处都是监视摄像头，某些地点的摄像头甚至间隔仅有数英尺之远。然而这些居民并未给予同意就被纳入了全天候的监控范围，而史威林根本人也从未授权政府部门用他的驾驶执照照片进行面部特征识别。
促使他开始着手研发这一技术的真正动力，源于过去的一次经历：他打算去参加一场公众示威游行，但他害怕沿途密集的监视器可能会对参加这项受宪法保护的集会活动的人进行身份识别和追踪。
作为一个居住在美国中部的白人男性，史威林根承认自己很少因为身份或相貌而遭受不公正待遇。正因为如此，他认识到：如果连他这样相对特权的人都为监控感到担忧，那么那些社会地位较低的群体就更有理由害怕在公开场合表达自己的想法。
起初，史威林根开设了一个小规模的实验场所，针对各种可公开获取的图像识别程序进行逐个测试。随着研究的推进，他逐步提升了计算资源的投入，最终将整个项目升级为一个强化学习系统。在他的比喻中，这个研发的过程就如同在「训练AI学会绘画」一样。
只要生成的图案仍然被识别系统察觉，他就会调整设计方案并进行下一轮试验。通过这样的迭代过程，最终他成功地开发出了能够同时迷惑多种识别算法的图案。
根据史威林根的说法，他开发的模型已经能够找到对11种不同的开放式识别算法造成干扰的图纹方案。该系统现在的能力是每60秒生成一套全新的图案，且每一代产品的性能指标都优于前一代。
在8月7日举办于拉斯维加斯的DEF CON网络安全峰会上，史威林根首次在公众面前进行了实战检验。他与专注于汽车媒体的Donut Media频道携手，利用最新开发的图纹来装饰一台2009款丰田Yaris汽车，随后让这辆车通过车牌识别摄像机的监控区域。「我们用实际行动验证了这一方案的可行性。」他如此总结。
然而，那些未被图纹覆盖的车轮部件成了实验中的一个挑战。Donut Media频道计划在接下来的几个星期内向公众发布完整的实验视频记录。
图中所示，穿着特制图案服装的女性无法被AI系统识别为人类。
