[发明专利]一种面向姿态估计深度神经网络的扰动图像生成方法

说明书

本发明公开了一种面向姿态估计深度神经网络的扰动图像生成方法，涉及图像处理技术领域，包括以下步骤：S1、将图像x输入目标神经网络K，得结果P0；S2、将P0重组后生成P1，并将P0作为图像x的标签，P1作为图像x的第一次训练结果；S3、将P0和P1输入目标神经网络K，产生P0与P1的误差值，获取该误差值的梯度方向并将其乘以系数λ作为单次噪声值z；S4、多次迭代训练获取噪声值累加z'，将z'规范化处理，使图像x与z'叠加生成扰动图a。本发明通过预测图像的结果与真实结果产生的误差值，并通过获取误差值变化的梯度方向对图像添加扰动噪声，不仅能对图像分类产生很好误导效果，还能对姿态识别方面产生较佳误导效果，让原正确姿态识别为另一种毫不相干姿态。

技术领域

本发明涉及图像处理技术领域，更具体地说，它涉及一种面向姿态估计深度神经网络的扰动图像生成方法。

背景技术

随着人工智能技术不断发展成熟，在图像识别领域有各种各样的智能识别方法，可以识别图像中的物体，例如人，动物，车辆等；还有些应用可以识别人体姿态，手势等内容。虽然目前使用的大多数智能识别方法已经能达到较高的准确率，但这大部分都是基于普通图像训练出来的结果，一旦对这些图像修改或者添加一些其他东西，就会使原本准确率很高的智能识别方法出现错误。

现有的公开号为CN109993805A的中国专利公开了一种面向深度神经网络的高隐蔽性对抗性图像攻击方法，对图像添加噪声之外，还利用Lp范式来衡量生成噪声的大小，从而达到对图像的改变尽可能小的目的。

虽然图像攻击会误导智能识别方法错误百出，但是另一方面也可以使现有的智能识别系统更具鲁棒性；换句话说，如果可以利用生成的扰动图像来训练识别系统，或者在训练识别系统的时候增加一些抵抗图像扰动的方法，这样使得训练生成的智能识别系统会更加鲁棒，更能抵抗干扰。

目前，现有技术中未存在关于姿态估计的深度网络的扰动图像生成方法，因此，本发明旨在设计提供一种面向姿态估计深度神经网络的扰动图像生成方法。

发明内容

本发明的目的是提供一种面向姿态估计深度神经网络的扰动图像生成方法，本发明的方法通过预测图像的结果与真实结果产生的误差值Loss，并通过获取到误差值Loss变化的梯度方向来对图像添加扰动噪声，其不仅能对图像分类产生很好的误导效果，还可以对姿态识别方面产生不错的误导效果，让原本正确的姿态识别为另一种毫不相干的姿态。

本发明的上述技术目的是通过以下技术方案得以实现的：一种面向姿态估计深度神经网络的扰动图像生成方法，给定一个人体姿态估计神经网络或手势识别神经网络K，假定神经网络K的预测结果具有100％的准确率，假定且攻击者拥有对目标模型的白盒访问权限，能获得到神经网络的损失函数信息，设定目标类别或姿态t；利用快速梯度下降法获取识别结果与真实结果的误差值，从而获取减小该误差值的梯度方向，然后通过多次迭代计算累加该值，从而生成扰动因子，再将该扰动因子与原图像叠加生成扰动图像；具体包括以下步骤：

S1、将图像x输入至目标神经网络K中，得到结果P0；

S2、将结果P0重组后生成结果P1，并将P0作为图像x的标签，将P1作为图像x的第一次训练结果；

S3、将结果P0和结果P1输入至目标神经网络K中，产生P0与P1的误差值Loss(P0，P1)，并获取该误差值Loss(P0，P1)的梯度方向，然后将该梯度方向乘以系数λ作为单次迭代的结果，即单次噪声值z；

S4、通过多次迭代训练获取噪声值累加z'，并将z'做规范化处理之后，使图像x与z'叠加得到对抗样本，即生成扰动图a。

进一步地，步骤S1中所述的神经网络K为人体姿态估计神经网络或手势识别神经网络，所述神经网络K可针对人体姿态生成扰动，或对人体手势生成扰动。

进一步地，步骤S2中将结果P0重组后生成结果P1的方法为：将结果P0中的关键点随机移动至另一个位置作为P1。