[发明专利]基于深度网络的目标追踪攻击与防御方法

说明书

本发明提供了一种基于深度网络的目标追踪攻击与防御方法，获取被攻击目标跟踪器，输入待攻击的目标跟踪视频序列；确定待检测的正负样本及伪正负样本；根据正负样本及伪正负样本，分别计算样本及伪样本的对抗攻击损失函数，并计算损失函数对输入图像的梯度值反传至输入图像；进行多次帧内迭代，得到多次迭代的对抗样本；将对抗样本与输入图像进行差值计算，得到的结果即为该帧的对抗攻击扰动，将该帧的扰动作为下一帧的初始扰动，重复此过程，得到完整的对抗攻击视频序列。本发明通过在原视频序列上增加及减少人眼不易见的微小扰动，有效地降低及恢复了基于深度网络目标追踪器的追踪性能；应用于原始视频序列上，能够有效提升目标追踪的准确度。

技术领域

本发明涉及视觉目标追踪技术领域的攻击与防御技术，具体地，涉及一种基于深度网络梯度的目标追踪器攻击与防御方法。

背景技术

视觉目标追踪是计算机视觉领域的重要方向，并且具有广泛的应用前景和市场价值。随着深度学习的方法在图像分类、物体检测、目标追踪等众多任务的成功应用，学者发现现有深度模型的鲁棒性普遍较差。举例来说，如果在待检测图像加上特定的不影响人类视觉观察的微小扰动，就会导致预训练的分类模型检测错误。这些增加过特定扰动的图片常被称作对抗样本，现有的卷积神经网络模型无法准确地处理分析对抗样本，而导致预训练模型的准确率大幅度下降。因此，如何提高现有深度模型的鲁棒性显得格外重要，可以阻挡人为的恶意攻击，提升深度学习模型的安全性，减少不必要的经济损失，对深度模型在实际生产生活中的应用有着重大意义。

基于现有深度模型的这一局限性，国内外专家和学者提出了众多对抗攻击方法来降低现有模型的性能，但大多都集中在基于单张图片的任务，例如图像分类、目标检测、语义分割等，而较少涉猎动态视频序列的对抗攻击与防御。而对视频序列的攻击与防御机制的探索，在实际生活应用中有重要的价值，可应用于智能视频监控系统、智能交通系统和视觉导航系统等诸多方面。因此，如何实现一种针对动态视频序列的目标跟踪器攻击与防御技术，成为本领域亟待解决的问题。

目前没有发现同本发明类似技术的说明或报道，也尚未收集到国内外类似的资料。

发明内容

本发明针对现有技术中对抗攻击与防御方法大多集中在处理单张图像的任务上，较少涉猎视频序列的对抗攻击与防御的缺陷，提供了一种基于深度网络的目标追踪攻击与防御方法。

本发明是通过以下技术方案实现的。

根据本发明的一个方面，提供了一种基于深度网络的目标追踪攻击方法，包括：

S1，获取被攻击目标跟踪器的网络结构及网络参数θ，同时，输入待攻击的目标跟踪视频序列，所述视频序列包括多个视频帧I₁，I₂…I_n；

S2，根据S1中获取的目标跟踪器及当前攻击的视频帧I_i，确定待检测的正负样本及伪正负样本；

S3，根据S2中得到的正负样本及伪正负样本，分别计算样本及伪样本的对抗攻击损失函数，并根据对应的损失函数，计算损失函数对视频帧I_i的梯度值作为扰动反传至视频帧I_i；

S4，重复执行S3，进行多次帧内迭代，将每次迭代的图像梯度值多次累积叠加，得到最终的对抗样本；

S5，将S4中得到的对抗样本与对应的视频帧进行差值计算，得到的结果即为该视频帧的扰动；

S6,结合视频序列的时序特性，将当前视频帧的扰动作为下一视频帧的初始扰动，重复S2-S5的过程，依次得到完整的对抗攻击视频序列。

优选地，所述S2，包括：

S21，将当前攻击的视频帧I_i输入至被攻击目标跟踪器，根据被攻击目标跟踪器网络结构提取出m个待检测的候选框P；