一种基于对抗网络的AI视觉人像识别逃逸方法、系统、设备以及存储介质技术方案

一种基于对抗网络的AI视觉人像识别逃逸方法、系统、设备以及存储介质。所述系统包括补丁图片生成模块、数据集人像定位模块、补丁数据集生成模块、补丁攻击效果计算模块、补丁生成策略调整模块和输出补丁图片模块：所述补丁图片生成模块随机生成补丁图片；所述数据集人像定位模块定位人物像素的中心坐标；所述补丁数据集生成模块增加补丁图片的性能后，将补丁图片的中心点和人物像素的中心点重合叠加，生成训练模块；所述补丁攻击效果计算模块调用人像识别模型对该模型进行训练后，该模块输出置信度的值；所述补丁生成策略调整模块根据输出的置信度的值对补丁图像进行修改；所述输出补丁图片模块用于输出修改后的补丁图片。丁图片模块用于输出修改后的补丁图片。丁图片模块用于输出修改后的补丁图片。

【技术实现步骤摘要】
一种基于对抗网络的AI视觉人像识别逃逸方法、系统、设备以及存储介质


[0001]本专利技术涉及人工智能安全
，具体涉及一种基于对抗网络的AI视觉人像识别逃逸方法、系统、设备以及存储介质。

技术介绍

[0002]目前众多视频监控系统高度依赖人工智能人体识别技术来做人类入侵检测。在AI检测的流程是将摄像头采集的视频以隔几帧检测一帧的方法进行检测，并检测到人后向服务端上报事件。
[0003]但是，现有监控产品大量基于通用人工智能人像检测算法，在人像被针对性伪装下，人工智能系统将无法识别入侵，产生漏报，造成安全漏洞。

技术实现思路

[0004]本专利技术解决了现有监控产品大量基于通用人工智能人像检测算法，在人像被针对性伪装下，人工智能系统将无法识别入侵，产生漏报，造成安全漏洞的问题。
[0005]本专利技术所述的一种基于对抗网络的AI视觉人像识别逃逸系统，所述系统包括补丁图片生成模块、数据集人像定位模块、补丁数据集生成模块、补丁攻击效果计算模块、补丁生成策略调整模块和输出补丁图片模块：
[0006]所述补丁图片生成模块随机生成补丁图片；
[0007]所述数据集人像定位模块定位人物像素的中心坐标；
[0008]所述补丁数据集生成模块增加补丁图片的性能后，将补丁图片的中心点和人物像素的中心点重合叠加，生成训练模块；
[0009]所述补丁攻击效果计算模块调用人像识别模型对该模型进行训练后，该模块输出置信度的值；
[0010]所述补丁生成策略调整模块根据输出的置信度的值对补丁图像进行修改；
[0011]所述输出补丁图片模块用于输出修改后的补丁图片。
[0012]进一步地，在本专利技术的一个实施例中，所述补丁图片生成模块随机生成补丁图片，具体为：
[0013]补丁图片生成模块创建一张固定宽高的图片，在0～255像素值范围内，使用随机函数随机获取该图片中每个点的像素值，即获得补丁图片。
[0014]进一步地，在本专利技术的一个实施例中，所述数据集人像定位模块定位人物像素的中心坐标，具体为：
[0015]数据集人像定位模块通过调用人像识别模型，并确定人物像素的位置边界，基于投影计算方法，数据集人像定位模块分别获取人物像素的最左上角和最右下角的坐标，将最左上角和最右下角的坐标进行求和，再取均值的处理，即可得到人物像素中心坐标。
[0016]进一步地，在本专利技术的一个实施例中，所述增加补丁图片的性能是通过对补丁图
片进行旋转、加噪声和改变亮度的操作。
[0017]进一步地，在本专利技术的一个实施例中，所述置信度的计算公式为：
[0018]置信度＝类置信度*目标置信度。
[0019]进一步地，在本专利技术的一个实施例中，所述补丁生成策略调整模块根据置信度的值对补丁图像进行修改，具体为：
[0020]补丁生成策略调整模块对每个补丁点按10像素值为步进行修改，获得新的补丁图片，再根据相邻像素点的欧式距离，平滑新的补丁图片。
[0021]本专利技术所述的一种基于对抗网络的AI视觉人像识别逃逸方法，所述方法是采用上述方法中任一所述的一种基于对抗网络的AI视觉人像识别逃逸系统实现的，包括以下步骤：
[0022]步骤S1，补丁图片生成模块随机生成补丁图片；
[0023]步骤S2，数据集人像定位模块进行定位人物像素的中心坐标后，补丁数据集生成模块对补丁图片进行增加性能的操作；
[0024]步骤S3，补丁数据集生成模块将性能增加的补丁图片的中心点和人物像素的中心点进行重合叠加，生成训练模块；
[0025]步骤S4，补丁攻击效果计算模块调用人像识别模型对该模型进行训练后，该模块输出置信度的值；
[0026]步骤S5，补丁生成策略调整模块根据输出的置信度的值进行修改补丁图像后，判断置信度的值是否符合要求，若符合要求，则输出补丁图片模块输出补丁图片，若不符合要求，则重复步骤S1～步骤S4，直至置信度的值符合要求，结束操作。
[0027]本专利技术所述的一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
[0028]存储器，用于存放计算机程序；
[0029]处理器，用于执行存储器上所存放的程序时，实现上述方法所述的方法步骤。
[0030]本专利技术所述的一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述方法所述的方法步骤。
[0031]本专利技术解决了现有监控产品大量基于通用人工智能人像检测算法，在人像被针对性伪装下，人工智能系统将无法识别入侵，产生漏报，造成安全漏洞的问题。具体有益效果包括：
[0032]本专利技术所述的一种基于对抗网络的AI视觉人像识别逃逸系统，用对抗网络生成补丁图像，入侵者手拿或者穿戴该补丁图像，对该补丁图像进行反馈及改进检测算法，即可实现识别逃逸。
附图说明
[0033]本专利技术上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
[0034]图1是具体实施方式所述的一种基于对抗网络的AI视觉人像识别逃逸系统流程图；
[0035]图2是具体实施方式所述的一种基于对抗网络的AI视觉人像识别逃逸方法流程
图。
具体实施方式
[0036]下面结合附图将对本专利技术的多种实施方式进行清楚、完整地描述。通过参考附图描述的实施例是示例性的，旨在用于解释本专利技术，而不能理解为对本专利技术的限制。
[0037]本实施方式所述的一种基于对抗网络的AI视觉人像识别逃逸系统，所述系统包括补丁图片生成模块、数据集人像定位模块、补丁数据集生成模块、补丁攻击效果计算模块、补丁生成策略调整模块和输出补丁图片模块：
[0038]所述补丁图片生成模块随机生成补丁图片；
[0039]所述数据集人像定位模块定位人物像素的中心坐标；
[0040]所述补丁数据集生成模块增加补丁图片的性能后，将补丁图片的中心点和人物像素的中心点重合叠加，生成训练模块；
[0041]所述补丁攻击效果计算模块调用人像识别模型对该模型进行训练后，该模块输出置信度的值；
[0042]所述补丁生成策略调整模块根据输出的置信度的值对补丁图像进行修改；
[0043]所述输出补丁图片模块用于输出修改后的补丁图片。
[0044]本实施方式中，所述补丁图片生成模块随机生成补丁图片，具体为：
[0045]补丁图片生成模块创建一张固定宽高的图片，在0～255像素值范围内，使用随机函数随机获取该图片中每个点的像素值，即获得补丁图片。
[0046]本实施方式中，所述数据集人像定位模块定位人物像素的中心坐标，具体为：
[0047]数据集人像定位模块通过调用现有人像识别模型，并确定人物像素的位置边界，基于投影计算方法，数据集人像定位模块分别获取人物像素的最左上角和最右下角的坐标，将本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于对抗网络的AI视觉人像识别逃逸系统，其特征在于，所述系统包括补丁图片生成模块、数据集人像定位模块、补丁数据集生成模块、补丁攻击效果计算模块、补丁生成策略调整模块和输出补丁图片模块：所述补丁图片生成模块随机生成补丁图片；所述数据集人像定位模块定位人物像素的中心坐标；所述补丁数据集生成模块增加补丁图片的性能后，将补丁图片的中心点和人物像素的中心点重合叠加，生成训练模块；所述补丁攻击效果计算模块调用人像识别模型对该模型进行训练后，该模块输出置信度的值；所述补丁生成策略调整模块根据输出的置信度的值对补丁图像进行修改；所述输出补丁图片模块用于输出修改后的补丁图片。2.根据权利要求1所述的一种基于对抗网络的AI视觉人像识别逃逸系统，其特征在于，所述补丁图片生成模块随机生成补丁图片，具体为：补丁图片生成模块创建一张固定宽高的图片，在0～255像素值范围内，使用随机函数随机获取该图片中每个点的像素值，即获得补丁图片。3.根据权利要求1所述的一种基于对抗网络的AI视觉人像识别逃逸系统，其特征在于，所述数据集人像定位模块定位人物像素的中心坐标，具体为：数据集人像定位模块通过调用人像识别模型，并确定人物像素的位置边界，基于投影计算方法，数据集人像定位模块分别获取人物像素的最左上角和最右下角的坐标，将最左上角和最右下角的坐标进行求和，再取均值的处理，即可得到人物像素中心坐标。4.根据权利要求1所述的一种基于对抗网络的AI视觉人像识别逃逸系统，其特征在于，所述增加补丁图片的性能是通过对补丁图片进行旋转、加噪声和改变亮度的操作。5.根据权利要求1所述的一种基于对抗网络的AI视觉人像识别逃逸系统，其特征在于，所述置信度的计算公式为：置...

【专利技术属性】
技术研发人员：赵阳，王洪智，马红伟，陈华林，徐敏，孙哲，牛树海，王栋柱，潘新，夏铭，
申请(专利权)人：吉林省吉林祥云信息技术有限公司，
类型：发明
国别省市：