[发明专利]一种基于三维点云的图像生成方法和系统

说明书

本发明公开一种基于三维点云的图像生成方法和系统，涉及三维点云数据处理技术领域。本发明利用样本点云数据训练点云分类模型，使得经训练的点云分类模型能够从表征第一目标的原始点云数据中识别出第一目标；对原始点云数据的部分数据点进行扰动以获取第一对抗点云数据，并计算经训练的点云分类模型将表征第一目标的第一对抗点云数据识别为第二目标的分类损失；获取原始点云数据和第一对抗点云数据之间表征点云泛化距离的第一损失以及表征网格面泛化距离的第二损失，并结合分类损失确定协同优化损失；通过优化协同优化损失确定协同优化损失的最小值，利用协同优化损失的最小值和原始点云数据生成第二对抗点云数据，以对抗来自攻击方的点云攻击。

技术领域

本发明属于三维点云数据处理技术领域，尤其涉及一种基于三维点云的图像生成方法和系统。

背景技术

目前，深度学习模型研究的深入，使得人脸识别、目标检测等基于二维图像识别应用得到了空前的发展。可是由于深度学习模型是由多层权重和偏置的数学参数组成的。相对于二维图像识别模型，在360度全向性的角度上考虑，三维点云识别提供了更加鲁棒的人工智能感知工具，广泛应用在雷达识别、自动驾驶等领域。

针对三维点云识别模型脆弱性的研究，相对于二维图像识别模型脆弱性的研究工作相对较少。本专利针对三维点云数据，在对抗优化过程中采用了协同优化的方式进行学习，最终以较少的点云位置的改动，实现固定标签的攻击。

从市场上现有方法来看，通过对抗优化迭代的方式实现三维点云模型固定标签的攻击，一般通过获取待攻击局部点云和与待攻击局部点云匹配的待匹配局部点云，计算待攻击局部点云内每个点的对抗攻击敏感度，并根据各个对抗攻击敏感度，实现待攻击局部点云的扰动。

此种实现方式借鉴了点云和Mesh（三维视觉表征的网格面数据结构，由节点、边、面组成）之间互相转化的机制，通过直接计算对抗生成点云和Mesh与原始点云和Mesh的距离，实现对抗样本的优化生成，而没有考虑计算匹配度和敏感度的成本问题。

发明内容

针对现有技术中存在的上述技术问题，本发明提出一种基于三维点云的图像生成方案。

本发明第一方面公开了一种基于三维点云的图像生成方法。所述方法包括：步骤S1、利用样本点云数据训练点云分类模型，经训练的点云分类模型从表征第一目标的原始点云数据中识别出所述第一目标；步骤S2、对所述原始点云数据的部分数据点进行扰动以获取第一对抗点云数据，并计算所述经训练的点云分类模型将表征所述第一目标的所述第一对抗点云数据识别为第二目标的分类损失；步骤S3、获取所述原始点云数据和所述第一对抗点云数据之间表征点云泛化距离的第一损失以及表征网格面泛化距离的第二损失，并结合所述分类损失确定协同优化损失；步骤S4、通过优化所述协同优化损失确定所述协同优化损失的最小值，利用所述协同优化损失的最小值和所述原始点云数据生成第二对抗点云数据，以对抗来自攻击方的点云攻击；其中，所述协同优化损失的最小值表征对所述原始点云数据进行最小扰动以获取所述第二对抗点云数据，且所述经训练的点云分类模型将表征所述第一目标的第二对抗点云数据识别为所述第二目标。

根据第一方面的方法，在所述步骤S1中，每一组所述样本点云数据均表征一个目标，利用多组样本点云数据训练所述点云分类模型，所述经训练的点云分类模型对各个目标的分类准确率不低于第一阈值，且从表征第一目标的原始点云数据中识别出所述第一目标。

根据第一方面的方法，在所述步骤S2中，所述部分数据点的数量与所述原始点云数据中全部数据点的数量之间的比值不超过第二阈值，对所述部分数据点的坐标值在给定范围内进行更改，使得得到的所述第一对抗点云数据仍表征所述第一目标。

根据第一方面的方法，在所述步骤S2中，将所述第一对抗点云数据输入至所述经训练的点云分类模型，基于所述经训练的点云分类模型对所述第一对抗点云数据的识别结果，计算将所述第一对抗点云数据识别为所述第二目标的分类损失。