面向三维目标跟踪模型的点扰动对抗攻击方法技术

本发明专利技术公开了一种面向三维目标跟踪模型的点扰动对抗攻击方法，该方法通过复合的目标函数生成点扰动，对目标模板添加点扰动生成对抗样本，对抗样本攻击了三维目标跟踪模型得到的目标模板特征描述与候选框，让三维目标跟踪模型的预测结果偏离真实值，复合的目标函数包括置信度损失、特征损失和距离损失，其中，置信度损失与特征损失构成攻击损失，特征损失优化针对目标模板特征的攻击，置信度损失优化针对候选区域置信度的攻击；距离损失用来优化对抗样本与目标模板之间的视觉差距，以达到不会轻易被肉眼察觉的目的。本发明专利技术研究了基于点云的三维目标跟踪模型的鲁棒性，有助于提高三维目标跟踪的可靠性。标跟踪的可靠性。标跟踪的可靠性。

【技术实现步骤摘要】
面向三维目标跟踪模型的点扰动对抗攻击方法


[0001]本专利技术属于目标跟踪领域，尤其涉及一种面向三维目标跟踪模型的点扰动对抗攻击方法。

技术介绍

[0002]基于点云的三维目标跟踪在自动驾驶领域起着至关重要的作用。与二维目标跟踪相比，点云可以完整地表示三维场景，但是点云本身是由不同基数的无序点构成的点集，因此较难被神经网络使用。许多已有的三维目标跟踪方法使用RGB
‑
D图像，将三维特征转化为二维特征并借助二维目标跟踪模型实现跟踪，然而RGB
‑
D图像可能会损失三维场景细节，所以跟踪效果并不理想。Qi等人提出了一种直接提取点云数据特征的方法(参见文献：Qi C R,Su H,Mo K,et al.Pointnet:Deep learning on point sets for 3d classification and segmentation[C]//Proceedings of the IEEE conference on computer vision and pattern recognition.2本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种面向三维目标跟踪模型的点扰动对抗攻击方法，其特征在于，该方法具体包括如下步骤：步骤S1：使用随机数生成符合正态分布的初始化扰动；步骤S2：使用原始点云场景数据划分搜索区域与目标模板；步骤S3：使用初始化扰动添加到目标模板生成初始的对抗样本；步骤S4：加载三维目标跟踪模型，对三维目标跟踪模型输入对抗样本与搜索区域得到特征描述、候选区域以及候选区域的置信度；步骤S5：根据特征描述、候选区域以及候选区域的置信度计算置信度损失、特征损失与距离损失；步骤S6：将步骤S5计算出的置信度损失、特征损失与距离损失输入到复合的目标函数通过迭代复合的目标函数生成点扰动；将点扰动施加到目标模板来更新对抗样本，判断迭代次数是否到达预设次数k，如果迭代次数等于k时停止迭代并返回对抗样本，否则跳转至步骤S4；步骤S7：对三维目标跟踪模型输入对抗样本与搜索区域，令三维目标跟踪模型的预测结果偏离真实值。2.根据权利要求1所述的面向三维目标跟踪模型的点扰动对抗攻击方法，其特征在于，所述步骤S3中使用初始化扰动添加到目标模板生成初始的对抗样本具体包括：给定目标模板其中t表示目标模板中点的总个数，3表示目标模板中每个点的XYZ三维坐标，表示实数集；点扰动对抗攻击通过扰动改变目标模板中点的三维坐标生成对抗样本如公式(1)所示：其中x
i
，y
i
，z
i
表示目标模板第i个点的三维坐标；Δx
i
，Δy
i
，Δz
i
表示随机生成的目标模板第i个点的初始化点扰动；x
′
i
，y
′
i
，z
′
i
表示针对目标模板第i个点生成的初始的对抗样本的三维坐标。3.根据权利要求2所述的面向三维目标跟踪模型的点扰动对抗攻击方法，其特征在于，所述步骤S4中对三维目标跟踪模型输入对抗样本与搜索区域得到特征描述、候选区域以及候选区域的置信度具体包括：被攻击的三维目标跟踪模型采用PointNet++作为特征提取骨干网络分别提取对抗样本与搜索区域点云数据的特征描述φ(P
attack
)与φ(P
sea
)，其中φ(
·
)表示采用特征提取骨干网络提取特征描述的函数；再根据所述三维目标跟踪模型的三维目标提案得到候选区域集合以及每一个候选区域的置信度C(h
j
′
)，其中h
j
′
表示第j
′
个候选区域，n表示候选区域的总个数，三维目标跟踪模型最终的预测结果是置信度最高的候选区域。4.根据权利要求3所述的面向三维目标跟踪模型的点扰动对抗攻击方法，其特征在于，所述根据特征描述、候选区域以及候选区域的置信度计算置信度损失...

【专利技术属性】
技术研发人员：成日冉，桑楠，周银源，张梓豪，王正奕，王旭鹏，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：