这款现代且功能强大的wiki应用程序，我粉了

我们使用的是人脸68个特征分类器，它试图更精确地理解点面，这给了我们更多的选择去分析结果，其缺点是速度有点慢。所以必须划定一个矩形来确定我们的脸可能在哪里，特征是我们可以识别的人脸特征，包括脸、嘴、眼睛、眉毛。

一旦用矩形的方式框出了脸，就可以使用功能部件将这些特征返回，最后将得到一些可视化的东西去生成一个带有面部点的图像。结果是：

 

我们能够准确地分析两张出现的脸(采用矩形的方式将人脸框起来)，有两个人完全正面地露出他们的脸，人脸完全显现，所以我们可以清楚地看到他的脸;另一个人只露出了面部的一部分，所以我们没有得到准确的信息来确认这是一张完整的人脸。

面部特征检测

Dlib是一个拥有一些分类器的库，可以帮助我们检测人脸的某些部分，例如：眼睛、眉毛、鼻子和洋娃娃的区域。以下图为例：

 

感兴趣区域

在使用图像进行面部分析时，最重要的概念之一是定义感兴趣区域(ROI)，我们必须在图像中定义一个特定的部分，在那里筛选或执行一些操作。

例如，如果我们需要筛选汽车的车牌，我们的感兴趣领域只停留在车牌上，那么街道、车身和图片中出现的任何东西都只是辅助部分。在本例中，我们将使用opencv库，该库支持对图像进行分区并帮助我们确定感兴趣领域。

Haar库

本项目中将使用现成的分类器：级联的Haar分类器，这种特定的分类器将始终适用于灰度图像。

 

微软网络安全研究人员Kevin Beaumont也注意到了此次针对Emotet的攻击活动，他对Emotet发行站点进行了检查，并且发现其中大约有四分之一的Payload已经被GIF图片所代替了。

研究人员表示，整个内容替换活动发生的非常快，当Emotet上传了恶意Payload之后，它们便在不到一个小时的时间里全部被替换掉了。除此之外研究人员还发现，在某些情况下，攻击者的行动速度更加快的惊人，他们竟然可以在不到两分钟内的时间里就更换了恶意软件Payload。

实际上，Emotet背后的攻击者一直都在使用Webshell来管理和维护其分发网络。因此，目前最合理的解释就是，有人获取到了Emotet的管理密码，并决定利用这个优势来对Emotet进行攻击。

Kevin Beaumont在2019年12月底曾通过发表推文表示，Emotet背后的攻击者使用了一款开源的Webshell来实现对分发网站的管理和控制，并循环生成访问密码，因为这样就不必再为修改密码而烦恼了。但是现在，研究人员相信是有人在Emotet分发站点上获取到了Webshell的密码，并决定以编程的方式替换了站点上原有的恶意Payload。

但是，Roosen还指出，Emotet可能还有其他方法来传播和投放其恶意Payload，并且可以想办法重新获取并访问他们用来传播恶意软件的网站。

如果Emotet背后的攻击者仍然能够控制网站托管的硬件设备，那么他们就可以使用不同的密码来部署新的Webshell，并重新拿回Emotet分发网络的控制权。但是，Emotet所使用的服务器很可能是从其他执行流量重定向攻击的网络犯罪分子手上买过来的，而这些重定向攻击活动可以通过钓鱼网站或合法网站中的广告以

及虚假促销来吸引用户，并想办法将用户骗入各种欺诈活动之中。

（编辑：四平站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!