一件花衬衫能让监控算法“看不见人”？答案只对特定模型成立

一件印满彩色图案的衬衫，正在被包装成可以躲过人工智能监控的“隐身衣”。

8 月 31 日，内容创作者 Vaibhav Sisinty 在 X 平台发布了一段 11.1 秒的视频。画面俯拍一处公共空间，绿色方框不断圈出其他行人，并标注“person”，穿花衬衫的男子从画面中走过时却没有被框住。视频没有音轨，也没有人物讲解。

这个现象是真的，流行说法却把结论推得太远。项目作者、西蒙·韦克特（Simon Weckert）在官方网站上写得很清楚：演示使用的是 YOLO（一类开源实时目标检测算法）；作品不声称能够骗过任何具体的政府监控系统，也不承诺让穿衣者获得匿名保护。

换句话说，视频证明的是“某个模型在这段画面里漏检了一个人”，不是“所有监控摄像头都看不见这个人”。

它不是遮住人，而是让算法判断失误

这类算法能够快速在图像中寻找人物、汽车等物体。摄像头把画面交给模型后，模型会寻找头、肩膀、躯干和四肢等特征，再判断某一区域有多大可能是“人”。判断超过设定门槛，画面上才会出现识别框。

花衬衫使用的是“对抗性纹理”。简单说，就是反复调整图案，让图案对人眼仍像普通花纹，却持续干扰模型最依赖的视觉线索。人的身体并没有消失，算法只是把“这是一个人”的把握压低到了识别门槛以下。

韦克特列出的技术来源包括清华大学等机构研究人员发表于 2022 年计算机视觉与模式识别会议的一项研究。研究团队把可重复铺开的特殊纹理印在衣服上，并在多个角度测试。论文显示，这些衣服能明显降低若干人物检测模型的识别效果，其中演示重点包括较早的 YOLO 第二代模型。

这类研究的意义很明确：人工智能看到的不是“现实本身”，而是摄像头画面经过模型计算后的结果。只要输入被精心设计，模型就可能犯下人眼觉得不可思议的错误。

演示成功，离“躲过监控”还有很远

同一件衣服换一个模型、摄像头、拍摄距离或光线，结果都可能改变。衣服走动时产生的褶皱、图案被背包遮挡、人物转身，也会影响干扰效果。较新的系统还可能同时使用连续画面追踪、面部特征、步态或热成像；即使某一帧没有框出人物，下一帧也可能重新找到他。

真实城市监控通常还会把多台摄像头和不同算法组合起来。外界不知道具体系统使用什么模型，便无法根据这段演示推断它在现实中的效果。韦克特本人因此把作品定义为一种公开提问：当公共空间里的自动识别系统无法被独立测试时，人们如何知道它会漏掉谁，又会错把谁当成可疑对象？

这也是视频最值得关注的地方。它没有提供一件可靠的反监控工具，却用一件普通衣服，把算法的脆弱性变成了肉眼可见的画面。

真正需要验证的是系统，而不是神化衬衫

判断这类产品是否有效，至少需要三组公开测试：在不同版本的人物检测模型上重复；改变距离、角度、光线和衣服褶皱；再加入连续追踪等真实监控常用功能。测试还应公布失败次数，而不是只展示最成功的片段。

在这些证据出现前，把它称为“让监控人工智能看不见人的衬衫”并不严谨。更准确的说法是：这是一件能够在特定演示条件下诱导人物检测模型漏检的实验性服装。

韦克特曾在 2020 年拉着装有 99 部手机的手推车，制造出谷歌地图上的虚假拥堵。两件作品采用了相同的方法：先找到自动化系统理解世界的捷径，再用一个看似简单的动作暴露它的盲点。花衬衫没有让人隐身，却提醒人们，机器画出的每一个方框都只是一项判断，不等于事实本身。

参考资料

[1] SISINTY V. A Berlin Artist Made a Shirt That Makes You Invisible to AI Surveillance Cameras[EB/OL]. (2026-08-31)[2026-09-01].

[2] WECKERT S. Digital Camouflage[EB/OL]. [2026-09-01].

[3] HU Z H, HUANG S Y, ZHU X P, et al. Adversarial Texture for Fooling Person Detectors in the Physical World[C]//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. New Orleans: IEEE/CVF, 2022: 13307-13316.

[4] WECKERT S. Google Maps Hacks[EB/OL]. (2020)[2026-09-01].