[发明专利]基于局部光滑投影的抗对抗攻击相机源识别方法

权利要求书

1.基于局部光滑投影的抗对抗攻击相机源识别方法，其特征在于，包括以下步骤：

1)相机图像预处理

给定相机拍摄图像数据集，将不同相机型号采集的图像切分成不重叠的原始图像分块，筛选原始图像分块并进行归一化处理；

2)构建相机源识别特征提取网络

根据原始图像分块的大小，定义一个相机源识别特征提取网络并进行初始化，使用步骤1)中处理后的原始图像分块训练相机源识别特征提取网络，包括以下步骤：

2.1)定义相机源识别特征提取网络为f(·|W_f,b_f),其中，相机源识别特征提取网络的权值矩阵为偏置项为L表示相机源识别特征提取网络的层数,在W_f中,W_f^l表示第l层权值矩阵，W_f^L表示最后一层权值矩阵，在b_f中，表示第l层偏置项，表示最后一层偏置项；定义无偏置线性分类器g(·|W_g)，其中W_g为无偏置线性分类器权值矩阵，层数为1；对相机源识别特征提取网络的各层权值矩阵和无偏置线性分类器的权值矩阵W_g进行初始化：

其中，W表示或者W_g，ω为采样自标准正态分布的矩阵，ω的维度与W的维度相同，并且ω的第i行j列元素ω_ij均采样自标准正态分布，D_in为权值矩阵W所在网络层的输入维度；第l层偏置项服从均值为0，标准差为0.0001的正态分布；

2.2)输入相机型号标签为C_X的原始图像分块X到相机源识别特征提取网络中，计算原始图像分块特征Y＝f(X|W_f,b_f)；

2.3)对原始图像分块特征Y，用无偏置线性分类器g(·|W_g)评分，并用softmax函数对评分标准化：

g_out＝g(Y|W_g) (2)

其中，g_out表示原始图像分块特征Y在无偏置线性分类器下的评分向量，g_out的维度与相机型号标签的数量相同，大小为Q；用表示评分向量g_out中第i个相机型号标签的评分值；score_i表示进行softmax标准化后第i个相机型号标签的评分值；

2.4)计算相机源识别特征提取网络的交叉熵损失值

其中，条件概率表示在第C_X个相机型号标签得分为的条件下，预测的相机型号标签和输入的相机型号标签C_X相同的概率；

2.5)计算相机源识别特征提取网络梯度并反向传播：

其中，t表示迭代次数，η^t表示学习率，和分别代表第t次迭代时相机源识别特征提取网络的权值矩阵和偏置值，表示第t次迭代时无偏置线性分类器的权值矩阵；和分别代表第t+1次迭代时相机源识别特征提取网络的权值矩阵和偏置值，表示第t+1次迭代时无偏置线性分类器的权值矩阵；

2.6)对相机拍摄图像中预处理好的原始图像分块，重复步骤2.2)到步骤2.4)，直到网络收敛，得到训练好的相机源识别特征提取网络；

3)生成噪声图像分块集合

基于步骤2)中相机源识别特征提取网络的梯度生成含有多个噪声图像分块的噪声图像分块集合，该噪声图像分块集合中的噪声包含对抗噪声和高斯噪声两种噪声，因此，该噪声图像分块集合包含对抗噪声图像分块和高斯噪声图像分块两种噪声图像分块；

4)定义局部光滑投影损失函数

基于步骤1)中的原始图像分块和步骤3)中的噪声图像分块集合构建局部统计坐标，并利用所构建的局部统计坐标定义局部光滑投影损失函数；

5)构建相机源识别前置防御网络

定义并初始化相机源识别前置防御网络；输入步骤1)中的原始图像分块和步骤3)中噪声图像分块集合内的噪声图像分块到相机源识别前置防御网络中，并将相机源识别前置防御网络的输出结果输入到相机源识别特征提取网络中，利用步骤4)中的局部光滑投影损失函数计算损失值，以训练相机源识别前置防御网络；

6)应用识别模型

对给定相机拍摄图像数据集，将原始图像分块或者噪声图像分块输入到相机源识别前置防御网络中并输出结果，将输出结果再输入到相机源识别特征提取网络中后得到特征，对特征分类得到预测结果；将预测结果同预设的相机型号标签比较，判断是否正确，以此评估识别性能。