- Lors de la conférence DEF CON 2026, l’expert Bill Swearingen a présenté un véhicule rendu indétectable pour une caméra de surveillance Flock Safety.
- Le procédé s’appuie sur des motifs adversariaux qui empêchent l’algorithme d’identifier la présence d’une voiture, bloquant ainsi la lecture de plaque.
- Déjà documentée dans la recherche académique, cette faille souligne les vulnérabilités structurelles des réseaux de vision automatisée face à des illusions d’optique pour IA.
- Le dispositif demeure parfaitement identifiable par l’œil humain et soulève des questions sur la gouvernance des systèmes de lecture automatique des plaques.
Une faille d’analyse exploitée à la source
Lors de la conférence de cybersécurité DEF CON 2026 organisée à Las Vegas, le chercheur Bill Swearingen, fondateur de l’entreprise SIXCYBER, a dévoilé les résultats d’une expérimentation baptisée « noRecognition ». En recouvrant l’intégralité d’une Toyota Yaris de 2009 d’un habillage adhésif généré par ordinateur, le spécialiste est parvenu à neutraliser l’analyse d’une caméra intelligente Falcon v2 de la société Flock Safety. En perturbant le modèle de vision artificielle en amont, ce camouflage empêche l’algorithme d’identifier le véhicule et d’enclencher la reconnaissance de la plaque d’immatriculation.
Le fonctionnement de ces caméras automatisées repose sur un détecteur d’objets de type YOLO. Ce programme scanne en continu l’image pour y délimiter des catégories précises comme les voitures, les camions ou les deux-roues avant de transmettre la zone de la plaque au module de lecture. Le motif appliqué sur la carrosserie agit comme un piège optique : l’algorithme ne classifie aucun véhicule, ce qui interrompt la chaîne de traitement, bien que le flux vidéo demeure enregistré sur les serveurs distants.
La montée en puissance des attaques adversariales
Ce procédé s’inscrit dans le champ d’étude des attaques physiques dites adversariales, destinées à saturer ou induire en erreur les réseaux de neurones convolutifs. Ces attaques physiques exploitent les angles morts structurels des réseaux de neurones sans altérer directement les éléments d’identification réglementaires. Plusieurs travaux académiques avaient déjà illustré cette vulnérabilité, qu’il s’agisse de motifs imprimés sur des vêtements pour effacer des piétons aux yeux des caméras ou de dispositifs présentés lors de la conférence CVPR 2024.
À lire aussi L’iPhone 18 Pro Max accélère sa charge à 52 watts
Lors de cette dernière, des chercheurs avaient démontré que des autocollants en aluminium ciblant le spectre infrarouge faisaient chuter la détection de modèles Faster R-CNN avec un taux de réussite de 91,5 %, contre 6,2 % pour des adhésifs classiques. D’autres initiatives, à l’image de la jante SPAR conçue pour perturber la lecture des plaques sans enfreindre la législation texane, ou du manteau chinois InvisDefense, confirment l’intérêt croissant pour ces mécanismes de dissimulation face aux capteurs thermiques et optiques.
Portée réelle et limites opérationnelles
Si la démonstration met en lumière les fragilités des quelque 90 000 caméras déployées par Flock aux États-Unis, son application pratique sur la route demeure très limitée. En France, le réseau de lecture automatisée des plaques d’immatriculation (LAPI), encadré par la CNIL au profit des forces de l’ordre, ainsi que les radars de contrôle de vitesse s’appuient toujours sur une prise de vue globale soumise à validation humaine. Conçu comme une démonstration technique plutôt que comme un moyen d’échapper aux contraventions, ce dispositif reste hautement repérable par l’œil humain et vulnérable aux mises à jour logicielles.
L’altération de la lisibilité d’une plaque d’immatriculation demeure par ailleurs sanctionnée par le Code de la route d’une amende de 135 euros et d’une immobilisation possible du véhicule. De surcroît, ces motifs adversariaux perdent généralement leur efficacité dès lors que les modèles d’intelligence artificielle sont réentraînés avec de nouvelles données, ramenant l’enjeu principal vers la fiabilité globale de la surveillance algorithmique.
