面向视频跟踪的对抗攻击方法、系统、介质、设备及终端技术方案

本发明专利技术属于计算机视觉技术领域，公开了一种面向视频跟踪的对抗攻击方法、系统、介质、设备及终端，构建时空变换攻击算法，确定时空对抗攻击算法的迭代轮数、扰动的大小以及联合损失函数的平衡系数；将上一帧的跟踪结果输入到时空对抗攻击算法中，每运行一次进行N轮梯度下降迭代，用于生成扰动，并将扰动加到当前帧中；攻击后的视频帧作为跟踪图像输入到跟踪算法中，获取当前帧的跟踪结果，而后迭代运行流程至遍历测试数据集的全部视频序列的全部视频帧；将每一帧的跟踪结果记录保存，并定量分析跟踪精确度和跟踪成功率。本发明专利技术提供的对抗攻击方法大幅降低了对抗样本的扰动强度，在可以达到明显的攻击效果的同时，大幅降低了被察觉的可能性。觉的可能性。觉的可能性。

【技术实现步骤摘要】
面向视频跟踪的对抗攻击方法、系统、介质、设备及终端


[0001]本专利技术属于计算机视觉
，尤其涉及一种面向视频跟踪的对抗攻击方法、系统、介质、设备及终端。

技术介绍

[0002]作为计算机视觉的重要组成部分，视觉目标跟踪已广泛应用于无人驾驶、安防等场景。随着深度学习技术的飞速发展，基于深度学习的目标跟踪技术取得了重大突破。然而，近年来，目标跟踪、图像分割、自然语言处理领域都有研究者报告遭到对抗攻击，深度学习的安全性令人担忧。在图像识别领域，对抗样本的存在已经引起了研究者的广泛关注，但在单目标跟踪领域，由于这一问题的复杂性，对于对抗样本的研究仍比较少。
[0003]早期基于梯度迭代的对抗攻击算法如FGSM，PAD，BIM通过优化损失函数来误导深度学习模型，但是此类算法需要了解跟踪算法的完整知识且攻击效果不佳。Jiawei Su等人提出了单像素对抗攻击算法，通过这一算法生成一个仅修改一个像素的对抗样本，即可深度学习模型以高置信度误导至错误的分类，但该方法无法适应视频的多帧任务。同年，Xugang Wu等人提出了STA算法，他们分析了本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种面向视频跟踪的对抗攻击方法，其特征在于，所述面向视频跟踪的对抗攻击方法包括：构建时空变换攻击算法，确定时空对抗攻击算法的迭代轮数、添加扰动大小的范围，联合损失函数的平衡系数以及迭代轮数；将上一帧的跟踪结果输入到时空对抗攻击算法中，每运行一次进行N轮梯度下降迭代，用于生成扰动，并将扰动加到当前帧中；攻击后的视频帧作为跟踪图像输入到跟踪算法中，获取当前帧的跟踪结果，将当前帧生成的扰动添加到下一帧作为迭代的初始帧，而后迭代运行流程至遍历测试数据集的全部视频序列的全部视频帧；将每一帧的跟踪结果记录保存，并定量分析跟踪精确度和跟踪成功率。2.如权利要求1所述的面向视频跟踪的对抗攻击方法，其特征在于，所述面向视频跟踪的对抗攻击方法包括以下步骤：步骤一，获取目标跟踪视频以及上一帧视频图像的跟踪结果；步骤二，将当前帧输入到跟踪器中，得到建议候选框，计算当前帧的建议候选框与上一帧跟踪结果的交并比结果，确定真实分类置信度标签；步骤三，计算当前帧的跟踪建议框与上一帧跟踪结果的真实回归偏移量；步骤四，对于当前帧，得到跟踪器损失函数，包括二进制分类损失函数和边框回归损失函数；根据二进制分类损失函数设计分类欺骗损失函数，根据边框回归损失函数设计回归欺骗损失函数；步骤五，设计感知损失函数；综合分类欺骗损失函数、回归欺骗损失函数和感知损失函数，得到综合损失函数；步骤六，对于综合损失函数，求关于输入帧的偏导数，计算梯度；步骤七，将梯度传递给一个符号函数，作为当前迭代轮次生成的扰动。将第m轮迭代的对抗输入帧加上第m轮生成的扰动，得到第m+1次迭代的对抗输入帧，迭代M次后得到当前帧最终添加扰动的对抗视频图像。步骤八，对于第t帧视频图像，选取视频图像帧的第t
‑
1帧最终生成的扰动来初始化第t帧第一次迭代的视频图像。3.如权利要求2所述的面向视频跟踪的对抗攻击方法，其特征在于，所述步骤一中，获取目标跟踪视频，输入上一帧视频图像到跟踪器中，获取上一帧跟踪结果(x
c
,y
c
,w
r
,h
r
)，其中x
c
,x
y
分别为跟踪结果中心点的横纵坐标，w
r
,h
r
分别为跟踪结果的宽与高；所述步骤二中，将当前帧I输入到跟踪器中，得到N个建议候选框，计算当前帧N个建议候选框与上一帧跟踪结果(x
c
,y
c
,w
r
,h
r
)的交并比结果IOU1，那么真实分类置信度标签p
c
为：所述步骤三中，对于当前帧I第n个跟踪建议框其中0<n≤N，分别为跟踪结果中心点的横纵坐标，分别为跟踪结果的宽与高；与上一帧跟踪结果(x
c
,y
c
,w
r
,h
r
)的真实回归偏移量为)的真实回归偏移量为
计算当前帧N个跟踪建议框与上一帧跟踪结果(x
c
,y
c
,w
r
,h
r
)的真实回归偏移量p
r
。4.如权利要求2所述的面向视频跟踪的对抗攻击方法，其特征在于，所述步骤四中，对于当前帧I，得到的跟踪器损失函数为L(I,N,θ)；其中，N表示输入帧I中建议候选框的总数量；L
c
表示二进制分类损失函数，采用交叉熵损失函数进行计算；L
r
表示边框回归损失函数，采用smoothL1损失函数进行计算；表示当前帧I中的第n个建议候选框的预测分类置信度分数；输入帧I中的第n个建议候选框的预测回归偏移量；表示当前帧I中的第n个建议候选框的真实分类置信度分数；表示当前帧I中的第n个建议候选框的真实回归偏移量；α是一个固定的权重参数；θ表示跟踪器所采用的网络参数；设计分类欺骗损失函数L
cheat_class
；其中，...

【专利技术属性】
技术研发人员：李福生，鲁欣，
申请(专利权)人：电子科技大学长三角研究院湖州，
类型：发明
国别省市：