[发明专利]基于N版本机器学习的交通标志识别方法及装置

说明书

本发明提供了一种基于N版本机器学习的交通标志识别方法及装置，构建两版本的机器学习架构，包括易感模型和非易感模型，其中，易感模型是为易受对抗样本攻击的模型，非易感模型为不容易或者不会受到对抗攻击的模型；将自动驾驶系统检测到的交通标志牌图像输入两版本的机器学习架构中，得到交通标志识别结果。本发明采用N版本机器学习系统的思想，使用多样性分类模型来防止单一模型的错误输出。在同一系统中使用不相关的分类模型组成多样性模型，以提高系统输出的可靠性。

技术领域

本发明涉及车联网安全中交通标志识别领域，尤其涉及一种基于N版本机器学习的交通标志识别方法及装置。

背景技术

作为智能驾驶系统的重要功能模块，交通标志识别的准确性直接影响到自动驾驶汽车的道路行驶安全。而神经网络作为识别交通标志的一种技术方法，近年来被广泛发现容易受到精心设计的人眼不可察觉的扰动的攻击，给智能驾驶系统带来了严重的安全隐患。

攻击方法主要有两大类：对抗扰动和对抗补丁。对抗扰动的攻击方式受到扰动大小的限制，不受扰动范围的限制；而对抗补丁则正好相反，将不受大小限制的扰动添加到一个受限的范围中。正因如此，对抗补丁相比于对抗扰动更容易在物理世界中产生攻击效果，各种攻击手段也不停被研究出来。

现有的防御方法中，只有对抗训练被认为是最鲁棒的防御方法。但是对抗训练的方法在训练过程中引入了特定对抗攻击的知识，导致防御没有通用性。

如果智能驾驶系统无法有效防御对抗攻击，可能存在不法分子恶意攻击路边的交通标志，使得系统无法正确识别，导致交通事故，甚至影响到生命安全。

发明内容

本发明提供一种基于N版本机器学习的交通标志识别方法及装置，用以解决或者至少部分解决现有技术中因无法有效抵御对抗攻击而存在的识别准确性不高的技术问题。

为了实现上述目的，本发明采用如下技术方案：

第一方面提供了基于N版本机器学习的交通标志识别方法，包括：

构建两版本的机器学习架构，包括易感模型和非易感模型，其中，易感模型是为易受对抗样本攻击的模型，非易感模型为不容易或者不会受到对抗攻击的模型；

将自动驾驶系统检测到的交通标志牌图像输入两版本的机器学习架构中，得到交通标志识别结果。

在一种实施方式中，将自动驾驶系统检测到的交通标志牌图像输入两版本的机器学习架构中，得到交通标志识别结果，包括：

由易感模型和非易感模型分别对输入的交通标志牌图像进行识别，如果易感模型输出的结果与非易感模型输出的结果一致且都为正确结果，则将易感模型输出的结果或者非易感模型输出的结果作为交通标志识别结果；

如果易感模型输出的结果与非易感模型输出的结果不一致，则向外部模块发出警告，由外部模块干预识别；

如果易感模型输出的结果与非易感模型输出的结果一致且都为错误结果，则识别失效。

在一种实施方式中，所述方法还包括在输入数据进入易感模型和非易感模型之前，增加第一检测器，第一检测器用以分辨输入数据为干净样本或对抗样本。

在一种实施方式中，所述方法还包括在易感模型和非易感模型输出数据之后，增加第二检测器，第二检测器用以分辨输入数据为干净样本或对抗样本。

在一种实施方式中，所述方法还包括：

如果易感模型输出的结果与非易感模型输出的结果一致且都为正确结果，则认为是准确输出，输出共同结果；

如果易感模型输出的结果与非易感模型输出的结果不一致，则通过第二检测器对判别输入数据进行判别，如果输入数据为对抗样本则将非易感模型输出的结果作为最终识别结果，否则将易感模型输出的结果作为最终识别结果。