[发明专利]基于显著性图的点云对抗攻击方法

说明书

本发明公开了基于显著性图的点云对抗攻击方法，该方法通过将采样点移动到点云中心计算采样点的显著性值，从而构建点云显著性图，选择具有最高显著性值的采样点集作为关键点集，以确保对网络分类结果造成更大的影响。同时利用Chamfer距离衡量点云模型之间的差异性，并选择与点云模型库中具有最近Chamfer距离的模型的关键点集进行替换，从而实现最小化点云扰动并使得人眼难以察觉。本方法提出的点云对抗攻击方法，不仅考虑到对抗攻击的效率，而且考虑了对抗样本的不可察觉性，能够高效攻击主流的点云深度神经网络。

技术领域

本发明属于计算机技术领域，涉及三维点云的对抗攻击方法，具体涉及基于显著性图的点云对抗攻击方法。

背景技术

三维点云数据具有能够提供丰富的三维物体或场景的几何特征，是三维空间信息的重要表现形式，被广泛应用于三维重建和无人驾驶等领域。上述领域的特定决定了有关三维点云模型技术的安全性至关重要。但是传统对抗攻击的研究通常集中于2维图像领域，针对3维点云数据的对抗攻击研究并不多。

通过精心制作的点云对抗样本，诸如点云物体分类、点云物体分割等的深度神经网络通常容易受到攻击，致使点云深度神经网络做出错误判断。不同于2维图像数据，对3维物体进行修改会直接影响该物体的3维特性，生成令人无法察觉的扰动是十分困难的。基于此，本发明提出了一种基于显著性图的点云对抗攻击方法，生成难以察觉的点云对抗样本。

发明内容

针对现有技术的不足，本发明提出了基于显著性图的点云对抗攻击方法，本发明通过将采样点移动到点云中心计算点的显著性值，从而构建点云显著性图，选择具有最高显著性值的采样点集作为关键点集，以确保对点云分类深度神经网络分类结果造成更大的影响；利用Chamfer距离衡量点云模型之间的差异性，并选择与点云模型库中具有最近Chamfer距离的模型关键点集进行替换，从而实现最小化点云扰动并使得人眼难以察觉。

本发明具体包括以下步骤：

步骤1、通过将采样点移动到点云中心构建显著性图：

将点云模型分成两部分x′_i,c_i，其中c_i代表点云形心(centroid)采样点点集，x′_i则代表其余的分布在3维物体表面的离散采样点点集，在原始点云模型输入时形心点集通常是一个空集。此时，点云分类深度神经网络中的最大池化层等价于：

MAX{h(x_i)}＝max(MAX{h(x′_i)},MAX{h(c_i)}}；式中，max(a,b)得到a和b中较大的元素,MAX操则为最大池化层，此时上式等价于下式：MAX{h(x_i)}＝MAX{h(x′_i)}；

为了构建点云模型显著性图，针对输入的点云模型采样点数据需要计算每一采样点对点云分类深度神经网络分类结果的贡献。

首先计算该采样点在点云分类深度神经网络的损失函数值，其次计算该采样点不在点云分类深度神经网络的损失函数值，求其差值并将其作为该采样点对点云分类深度神经网络分类结果的贡献值，即采样点的显著性值。

在计算采样点显著性值时，为了满足计算的视角不变性，先在以模型中心为球心的球面坐标系下计算各采样点位置，采样点位置可表示为其中r为采样点到模型中心的距离，ψ和分别表示采样点在球面坐标系下的经度和维度。该方法将点云模型中所有采样点3个坐标的中位数作为点云中心的坐标值x_ck，x_ck＝md({x_ik|x_i∈X}),k＝1,2,3；式中(x_i1,x_i2,x_i3)表示采样点x_i的坐标，而md(·)为取中位数操作。