本發明屬于算法安全攻擊，具體涉及一種基于動態邊界自適應優化的雙檢測器稀疏補丁攻擊方法。

背景技術：

1、在數字世界中，實現對抗攻擊需要攻擊者能夠更改深度神經網絡的輸入圖像，或者獲得深度神經網絡的結構與參數來實現對抗攻擊效果。但實際應用攻擊方法時，攻擊者往往沒有權限修改圖像的像素值以及網絡的相關信息，此時對抗補丁開始發展。對抗補丁近幾年的研究比較熱門，其是對抗樣本中一種特殊形式，僅通過改變圖像中的小部分區域實現攻擊。在擾動級攻擊方法中限制對抗擾動的大小，要求在小范圍內且肉眼不可察覺，且生成的對抗擾動攻擊目標檢測，使其出錯。然而，對抗補丁不再局限在小擾動范圍內，只改變一個小范圍區域的相關像素點，不針對整張圖像做改動，其擾動大小也不受限制。現有技術中，紅外目標檢測對抗補丁存在形狀單一，補丁尺寸較大的問題，由于針對目標檢測對抗補丁生成的方式是通過訓練過程優化而得來的，只針對單個目標檢測器，單個目標類別，因而存在一定的限制，因此，存在泛化性能較差的問題。

技術實現思路

1、為了克服現有技術的不足，解決目標檢測對抗補丁泛化性能較差的問題，本發明提供基于動態邊界自適應優化的雙檢測器稀疏補丁攻擊方法。

2、一種基于動態邊界自適應優化的雙檢測器稀疏補丁攻擊方法，包括以下步驟：

3、步驟一、對輸入的紅外圖像樣本進行數據增強；

4、步驟101：獲取紅外圖像樣本的直方圖信息，并進行處理；

5、步驟102：對紅外圖像樣本增強；

6、步驟二、確定目標檢測網絡，并設計目標檢測網絡的損失函數：

7、所述目標檢測網絡包括一階目標檢測網絡yolov4和二階目標檢測網絡faster-rcnn；

8、步驟201：設計一階目標檢測網絡yolov4的損失函數；

9、步驟202：設計二階目標檢測網絡faster-rcnn損失函數；

10、步驟203：目標檢測網絡的損失函數為一階目標檢測網絡yolov4的損失函數與二階目標檢測網絡faster-rcnn的損失函數的和；

11、步驟三、通過目標檢測網絡與自適應優化方法優化擾動；

12、步驟301：將經過直方圖均衡并疊加擾動的紅外圖像樣本輸入到一階目標檢測網絡yolov4和二階目標檢測網絡faster-rcnn中，對紅外圖像樣本進行優化，迭代1000次后，得到優化后的紅外圖像樣本；

13、步驟302：將目標檢測網絡優化后的紅外圖像樣本進行自適應優化；

14、當擾動同時在學習率上界和學習率下界范圍之外的時候，采用自適應矩估計優化的方法；當擾動同時在學習率上界和學習率下界范圍之間的時候，采用隨機梯度下降優化；

15、采用梯度剪輯方法，對學習速率進行剪切，將學習速率限制在上下界范圍內；

16、

17、式中，α為初始步長，為學習速率，ηl為學習率上界，ηu為學習率下界；

18、利用梯度下降與固定學習速率，一步一步慢慢向學習速率的最小值方向更新，最終得到擾動的最優解。

19、步驟四、對補丁的形狀與位置進行設計；

20、步驟401：根據目標檢測網絡對紅外圖像樣本輸出的檢測框信息得到掩膜位置坐標；

21、步驟402：設計對抗補丁形狀；

22、步驟403：將擾動的最優解與設定的初始掩膜疊加到紅外圖像樣本中，即為最終的對抗樣本；

23、最終對抗樣本xadv為：

24、xadv＝i⊙(1-m)+pvm；

25、式中，i表示紅外圖像，p表示對抗補丁，m表示設計的對抗補丁掩膜，將優化得到的擾動與原圖像、掩膜進行疊加，得到最優的對抗樣本。

26、更進一步的，所述步驟101中，獲取紅外圖像樣本的直方圖信息，并進行處理的步驟為：

27、對紅外圖像樣本采用直方圖均衡的方法進行處理；將采用直方圖均衡過的紅外圖像樣本的像素聚集在高亮度范圍和低亮度范圍內；高亮度范圍為像素亮度值大于紅外圖像樣本亮度平均值的像素亮度值集合；低亮度范圍為像素亮度值小于等于紅外圖像樣本亮度平均值的像素亮度值集合；

28、將高亮度范圍的像素進行拓展；將低亮度范圍的像素值進行合并；

29、計算輸入紅外圖像樣本的總像素數量與不同灰度級的灰度頻率。

30、更進一步的，所述對對紅外圖像樣本增強的步驟為：

31、對紅外圖像樣本采用二維經驗模態分解操作，檢測像素局部最大值和最小值，并在最大值與最小值的點上進行曲面擬合；通過插值計算獲得上包絡m與下包絡n，最后通過平均包絡剪掉原圖像，設定終止條件，得到增強圖像；

32、所述的終止條件為：

33、

34、其中pk(i,j)為經過直方圖均衡后的紅外圖像樣本第k個點的像素大小，w×h為經過直方圖均衡后的紅外圖像樣本的寬與高，k與k-1為相鄰的兩個點，θ其為主觀設定的閾值；pk'(i,j)為對經過直方圖均衡后的紅外圖像樣本第k個點的像素的求導。

35、更進一步的，所述步驟201中，設計一階目標檢測網絡yolov4的損失函數的步驟為：

36、一階目標檢測網絡yolov4的損失函數lloss-yolov4為：

37、

38、式中，cm為目標對應的預測值，m為帶有目標的檢測框，r×r為檢測框集合。

39、更進一步的，所述步驟202中，設計二階目標檢測網絡faster-rcnn損失函數的步驟為：

40、二階目標檢測網絡faster-rcnn的損失函數lloss-faster-rcnn為：

41、

42、式中，pk為各個目標檢測框的對應的預測值。

43、更進一步的，所述步驟301中，所述擾動為0到1之間的隨機值。

44、更進一步的，所述步驟401中，根據目標檢測網絡對紅外圖像樣本輸出的檢測框信息得到掩膜位置坐標的步驟為：

45、紅外圖像樣本輸入二階目標檢測網絡faster-rcnn目標檢測網絡中，獲取檢測框位置信息，檢測框位置信息包括檢測框的寬度wdet、檢測框的高度hdet和檢測框中心點的位置坐標(x，y)；檢測框中心點的位置坐標(x，y)即為掩膜位置坐標。

46、更進一步的，所述步驟402中，設計對抗補丁形狀的步驟為：

47、對抗補丁為十字型補丁；所述十字型補丁的長度是為檢測框長度的一半，十字型補丁的高度是檢測框高度的一半，十字型補丁的位置坐標是檢測框中心點的位置坐標。

48、本發明的有益效果是：

49、本發明將特征紋理少的紅外圖像作為被攻擊目標檢測器模型的輸入，對紅外圖像采用直方圖均衡與二維經驗模態分解操作，通過兩個手段來提高生成對抗補丁的泛化性能。針對補丁的形狀與位置進行設定。采用動態邊界自適應優化，利用學習率的動態邊界實現從自適應矩估計方法到隨機梯度下降的逐步平穩過渡，降低算法在訓練過程中的耗時，攻擊效果較好。