本發明涉及數據對抗干擾，具體而言，涉及一種攝像圖像的可逆對抗干擾方法、裝置、設備和介質。

背景技術：

1、隨著自動駕駛技術的快速發展，汽車上配備的攝像頭數量不斷增加，這些攝像頭在行駛過程中能夠捕捉到大量的圖像數據。這些數據不僅包含了道路環境和交通狀況，還可能涉及敏感信息，例如特定區域的基礎設施、私人場所或其他具有保密性質的對象。

2、由于數據收集和存儲機制尚不完善，這些圖像數據極易在未獲得數據所有者許可的情況下，被用于訓練相關模型。這一現象不僅導致場景級敏感信息面臨極大的泄露風險，數據收集過程中涉及的機密基礎設施、特殊場所或敏感對象的圖像可能會被不當獲取和利用，而且會侵犯了數據所有者的權益。

技術實現思路

1、本發明提供了一種攝像圖像的可逆對抗干擾方法、裝置、設備和介質，以改善上述技術問題中的至少一個。

2、第一方面、本發明提供了一種攝像圖像的可逆對抗干擾方法，其包含：

3、獲取原始圖像。

4、通過超像素分割算法將所述原始圖像劃分為多個超像素塊。

5、根據所述超像素塊，通過代理模型和損失函數，計算初始梯度。

6、根據所述初始梯度，構建初始擾動貢獻矩陣。

7、根據所述初始擾動貢獻矩陣，構建初始擾動。

8、將所述初始擾動疊加至所述原始圖像，獲取初始對抗樣本。

9、迭代后續步驟直至迭代完成，獲取最終對抗樣本和對應的最終擾動。

10、基于上一次迭代生成的對抗樣本，通過代理模型和損失函數，計算迭代梯度。

11、通過通道注意力網絡對所述迭代梯度進行特征重標定，生成通道注意力權重矩陣，并將權重矩陣與所述迭代梯度進行哈達瑪積運算，獲得通道增強后的迭代梯度；

12、通過衰減因子動態融合所述迭代梯度和上一次迭代的梯度，獲取新梯度。

13、根據所述新梯度，構建新擾動貢獻矩陣。

14、根據所述新擾動貢獻矩陣，構建擾動增量進行擾動累積，并對累積擾動進行幅值裁剪，獲取新擾動。

15、將所述新擾動疊加至所述原始圖像，獲取新對抗樣本。

16、進一步的，初始梯度的計算模型為：。式中，為初始梯度、表示梯度、為原始圖像、為用于維度擴展和填充的函數、為代理模型、為真實的類別標簽。

17、進一步的，基于上一次迭代生成的對抗樣本，通過代理模型和損失函數，計算迭代梯度，具體包括：

18、將上一次迭代生成的對抗樣本輸入代理模型，獲取預測結果。其中，所述代理模型為2d分類預測模型。

19、根據所述預測結果計算損失函數。其中，輸入上一次迭代生成的對抗樣本和真實的類別標簽時的損失值為為用于維度擴展和填充的函數、為上一次迭代得到的對抗樣本、為真實的類別標簽。

20、根據損失函數計算迭代梯度。其中，所述迭代梯度的計算模型為：。其中，為第次迭代的梯度、表示梯度、為上一次迭代生成的對抗樣本、為用于維度擴展和填充的函數、為真實的類別標簽。

21、進一步的，通過通道注意力網絡對所述迭代梯度進行特征重標定，生成通道注意力權重矩陣，并將權重矩陣與所述迭代梯度進行哈達瑪積運算，獲得通道增強后的迭代梯度，具體包括：

22、對所述迭代梯度進行全局平均池化操作，對每個通道的特征進行壓縮，得到一個特征向量；

23、使用一個全連接層對特征向量進行變換，然后對變換后的特征向量應用?relu?激活函數，引入非線性；

24、再使用一個全連接層將特征向量恢復到變換前的形狀，然后應用sigmoid激活函數，將每個通道的權重限制在[0,1]范圍內，得到通道注意力權重矩陣；

25、最后，將生成的通道注意力權重矩陣與所述迭代梯度進行哈達瑪積運算，獲取通道增強后的迭代梯度；

26、進一步的，新梯度的融合模型為：。式中，為新梯度、為衰減因子、為上一次迭代的梯度、為第次迭代的迭代梯度。

27、進一步的，根據所述新梯度，構建新擾動貢獻矩陣，具體包括：

28、根據所述新梯度，獲取絕對值矩陣。其中，。式中，為絕對值矩陣、為新梯度。

29、根據絕對值矩陣，構建新擾動貢獻矩陣。新擾動貢獻矩陣的構建模型為：。式中，為第次迭代的新擾動貢獻矩陣、為自然指數函數、表示第行第列的超像素的梯度的絕對值、表示第個超像素的梯度的絕對值、表示模型的限制條件、表示圖像高度，表示圖像寬度、表示超像素的高度，表示超像素的寬度。

30、進一步的，初始擾動的計算模型為：。式中，為初始擾動、為單位擾動、為符號函數、為初始擾動貢獻矩陣。

31、進一步的，根據所述新擾動貢獻矩陣，構建擾動增量進行擾動累積，并對累積擾動進行幅值裁剪，獲取新擾動，具體包括：

32、根據所述新擾動貢獻矩陣，生成擾動增量。其中，擾動增量的計算模型為：。式中，為第次迭代的擾動增量、為單位擾動、為符號函數、為第次迭代的新擾動貢獻矩陣。

33、根據擾動增量進行擾動累積，得到新擾動。其中，新擾動的積累模型為：。式中，為新擾動、為上一次迭代得到的擾動、為第次迭代的擾動增量。

34、對新擾動進行幅值裁剪以確保滿足不可見性約束。即：。式中，為用于維度擴展和填充的函數、為范數、為單位擾動、為最大擾動倍數。

35、進一步的，根據所述新擾動貢獻矩陣，構建擾動增量進行擾動累積，并對累積擾動進行幅值裁剪，獲取新擾動，還包括：

36、基于新擾動，使用隱式場景保護（isp、implicit?scene?protection）對未知模型的代理模型執行黑盒攻擊。將擾動和原始圖像作為輸入，方向基于所選擇的擾動隨機選擇。在方向上添加擾動會改變模型的置信度，如果方向未能降低，則方向相反。對于每個擾動點，記錄其對置信度下降的貢獻。在預定義的擾動迭代次之后，從記錄中識別并選擇產生模型置信度最顯著降低的三個點，排除這些點，在后續迭代過程中，只增強其余的可以應用額外擾動的點。

37、進一步的，一種攝像圖像的可逆對抗干擾方法還包括：根據所述最終擾動和所述最終對抗樣本，進行擾動解碼，獲取所述原始圖像。其中，將擾動疊加至原始圖像，以及對最終對抗樣本進行擾動解碼，通過灰度不變可逆數據嵌入實現。

38、第二方面、本發明提供了一種攝像圖像的可逆對抗干擾裝置，其包含圖像獲取模塊、超像素模塊、初始梯度模塊、初始貢獻模塊、初始擾動模塊、初始疊加模塊、迭代模塊、迭代梯度模塊、新地圖模塊、新貢獻模塊、新擾動模塊和迭代疊加模塊。

39、圖像獲取模塊用于獲取原始圖像。

40、超像素模塊用于通過超像素分割算法將所述原始圖像劃分為多個超像素塊。

41、初始梯度模塊用于根據所述超像素塊，通過代理模型和損失函數，計算初始梯度。

42、初始貢獻模塊用于根據所述初始梯度，構建初始擾動貢獻矩陣。

43、初始擾動模塊用于根據所述初始擾動貢獻矩陣，構建初始擾動。

44、初始疊加模塊用于將所述初始擾動疊加至所述原始圖像，獲取初始對抗樣本。

45、迭代模塊，用于迭代后續步驟直至迭代完成，獲取最終對抗樣本和對應的最終擾動。

46、迭代梯度模塊用于基于上一次迭代生成的對抗樣本，通過代理模型和損失函數，計算迭代梯度。

47、注意力模塊，用于通過通道注意力網絡對所述迭代梯度進行特征重標定，生成通道注意力權重矩陣，并將權重矩陣與所述迭代梯度進行哈達瑪積運算，獲得通道增強后的迭代梯度；

48、新地圖模塊用于通過衰減因子動態融合所述迭代梯度和上一次迭代的梯度，獲取新梯度。

49、新貢獻模塊用于根據所述新梯度，構建新擾動貢獻矩陣。

50、新擾動模塊用于根據所述新擾動貢獻矩陣，構建擾動增量進行擾動累積，并對累積擾動進行幅值裁剪，獲取新擾動。

51、迭代疊加模塊用于將所述新擾動疊加至所述原始圖像，獲取新對抗樣本。

52、第三方面、本發明提供了一種攝像圖像的可逆對抗干擾設備，其包括處理器、存儲器，以及存儲在所述存儲器內的計算機程序。所述計算機程序能夠被所述處理器執行，以實現如第一方面任意一段所述的一種攝像圖像的可逆對抗干擾方法。

53、第四方面、本發明提供了一種計算機可讀存儲介質，所述計算機可讀存儲介質包括存儲的計算機程序，其中，在所述計算機程序運行時控制所述計算機可讀存儲介質所在設備執行如第一方面任意一段所述的一種攝像圖像的可逆對抗干擾方法。

54、通過采用上述技術方案，本發明可以取得以下技術效果：

55、本發明實施例的一種攝像圖像的可逆對抗干擾方法通過嵌入對抗性擾動，降低了未經授權的模型的數據質量，從而能夠用于保護基于攝像頭的自動駕駛數據免受未經授權的使用。同時使合法用戶能夠通過高級隱寫術恢復原始數據。