[发明专利]一种图像的识别方法及装置

权利要求书

1.一种图像的识别方法，其特征在于，所述方法包括：

获取原始图像；

基于所述原始图像生成粒子群，所述粒子群包括：预设第一数量个粒子，每个粒子对应一个速度以及坐标值，每个粒子表示一个扰动；

迭代更新所述粒子群，直至达到迭代次数，得到更新后的粒子群；

在所述更新后的粒子群中，将自适应值最小的粒子作为目标粒子，所述自适应值表示原始图像在添加扰动后与原始图像的相似程度；

针对所述原始图像，将该原始图像的特征值上与所述目标粒子对应的坐标值求和，得到对抗样本；

利用所述对抗样本，训练预设的深度学习模型，得到训练后的深度学习模型；

利用所述训练后的深度学习模型识别被扰动的图像；

所述在所述更新后的粒子群中，将自适应值最小的粒子作为目标粒子的步骤，包括：

利用预设的适应度函数，计算更新后的粒子群中每个粒子的自适应值；

将自适应值最小的粒子，确定为目标粒子；

所述适应度函数包括：目标适应度函数以及无目标适应度函数；

其中，所述适应度函数为：

其中，P1表示适应度值，minimize表示最小化度量，z表示是原始图像在隐空间的向量，表示p距离的度量，δ代表扰动，p是一个正整数，z∈R^n，Rⁿ是实数集，n表示z向量的维度，表示平衡因子；

对于所述目标适应度函数，

其中，t表示预先标记的被扰动图像的类别，表示深度学习模型识别所述被扰动图像输出的类别，G代表深度学习模型，κ是预设的调节因子，i表示除预先标记的被扰动图像的类别外，深度学习模型输出的类别概率值中第i个类别；

对于所述无目标适应度函数，

其中，y表示原始图像的真实类别，r表示除原始图像的真实类别外，深度学习模型输出的类别概率值中第r个类别。

2.根据权利要求1所述的方法，其特征在于，在所述获取原始图像的步骤之后，所述方法还包括：

将所述原始图像进行编码，得到所述原始图像映射至隐空间的向量；

所述基于所述原始图像生成粒子群的步骤包括：

随机生成粒子，直至达到预设的粒子个数；

针对每个粒子，根据预设的粒子速度生成区间，生成每个粒子的速度；

针对每个粒子，根据预设的坐标值生成区间，生成每个粒子的坐标，所述随机坐标的维度与所述向量的维度相同；

将各个粒子组成粒子群。

3.根据权利要求1所述的方法，其特征在于，所述迭代更新所述粒子群，直至达到迭代次数，得到更新后的粒子群的步骤，包括：

针对当前粒子，将每个当前粒子的坐标值输入至预设的适应度函数中，得到每个当前粒子的适应度值，所述当前粒子是当前粒子群中每个粒子，当前粒子群是上一次更新后的粒子群；

将适应度值最小的当前粒子的坐标值作为终点坐标，以使每个当前粒子按照自身的当前速度向终点坐标所在的位置移动，当前速度是当前粒子上一次更新后的速度；

将达到迭代次数的当前粒子群作为更新后的粒子群。

4.根据权利要求3所述的方法，所述在所述更新后的粒子群中，将自适应值最小的粒子作为目标粒子的步骤，包括：

在所述更新后的粒子群中，当自适应值最小的粒子的个数大于1时，在达到迭代次数的当前粒子群中确定最先到达终点坐标的当前粒子作为目标粒子。