本發(fā)明涉及電數(shù)字?jǐn)?shù)據(jù)領(lǐng)域。具體而言，涉及一種車道線的隱藏性對(duì)抗樣本生成方法及系統(tǒng)。

背景技術(shù)：

1、車道線檢測(cè)是通過分析攝像頭捕獲的圖像來確定車輛所在的車道。隨著深度學(xué)習(xí)技術(shù)的發(fā)展，車道線檢測(cè)的方法也越來越依賴于神經(jīng)網(wǎng)絡(luò)模型。這些模型雖然在許多情況下表現(xiàn)出色，但也存在著被對(duì)抗樣本欺騙的可能，這可能會(huì)影響自動(dòng)駕駛系統(tǒng)的安全性。因此車道線對(duì)抗樣本對(duì)于測(cè)試模型穩(wěn)健性，提升模型的性能以及測(cè)試提升自動(dòng)駕駛車道檢測(cè)系統(tǒng)的安全性至關(guān)重要。

2、現(xiàn)有的車道線檢測(cè)對(duì)抗樣本生成方法主要有三種：基于優(yōu)化的方法、基于學(xué)習(xí)的方法和基于梯度的方法?；趦?yōu)化的方法通常定義一個(gè)目標(biāo)函數(shù)，然后通過優(yōu)化這個(gè)函數(shù)生成對(duì)抗樣本。這種方法雖然可以產(chǎn)生高質(zhì)量的對(duì)抗樣本，但計(jì)算成本高，不適合實(shí)時(shí)應(yīng)用。基于學(xué)習(xí)的方法通過訓(xùn)練一個(gè)對(duì)抗生成器來生成對(duì)抗樣本。這種方法的生成速度快，但需要大量的訓(xùn)練數(shù)據(jù)，且生成的對(duì)抗樣本可能會(huì)偏移現(xiàn)實(shí)場(chǎng)景?；谔荻鹊姆椒?，這種方法計(jì)算簡(jiǎn)單，速度快，時(shí)效性較好，但是這種方式往往是對(duì)整張圖片加噪聲，對(duì)圖片的擾動(dòng)較大。

3、因此，亟需一種對(duì)抗樣本生成方法以解決現(xiàn)有技術(shù)中計(jì)算成本高、需要大量訓(xùn)練數(shù)據(jù)、擾動(dòng)較大等問題。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明正是基于現(xiàn)有技術(shù)的上述需求而提出的，本發(fā)明要解決的技術(shù)問題是提供一種車道線的隱藏性對(duì)抗樣本生成方法及系統(tǒng)以實(shí)時(shí)生成具有隱藏性的擾動(dòng)圖像數(shù)據(jù)。

2、為了解決上述問題，本發(fā)明是采用如下技術(shù)方案實(shí)現(xiàn)的：

3、提供了一種車道線的隱藏性對(duì)抗樣本生成方法，該方法包括：獲取帶有車道線的目標(biāo)圖像數(shù)據(jù)；對(duì)目標(biāo)圖像數(shù)據(jù)進(jìn)行邊緣檢測(cè)，得到邊緣圖像數(shù)據(jù)；將目標(biāo)圖像數(shù)據(jù)從rgb空間轉(zhuǎn)換至hsv空間中，得到hsv圖像數(shù)據(jù)；將邊緣圖像數(shù)據(jù)和hsv圖像數(shù)據(jù)輸入至模型中，得到最優(yōu)擾動(dòng)，包括：利用dcnn網(wǎng)絡(luò)對(duì)邊緣圖像數(shù)據(jù)和hsv圖像數(shù)據(jù)進(jìn)行處理，得到車道線特征數(shù)據(jù)；以最小化目標(biāo)函數(shù)為目標(biāo)，得到最優(yōu)擾動(dòng)，所述目標(biāo)函數(shù)為擾動(dòng)圖像數(shù)據(jù)與目標(biāo)圖像數(shù)據(jù)的差異；在優(yōu)化過程中，基于第一條件和第二條件對(duì)目標(biāo)函數(shù)的梯度進(jìn)行處理，更新擾動(dòng)；所述第一條件包括將車道線特征數(shù)據(jù)與目標(biāo)圖像數(shù)據(jù)中對(duì)應(yīng)位置的坐標(biāo)代入至高斯核函數(shù)中得到掩碼值，并限制掩碼值小于預(yù)設(shè)第一數(shù)值；所述第二條件為限制擾動(dòng)的無窮范式小于預(yù)設(shè)第二數(shù)值；將最優(yōu)擾動(dòng)添加至目標(biāo)圖像數(shù)據(jù)中，得到擾動(dòng)圖像數(shù)據(jù)以作為對(duì)抗樣本。

4、可選地，對(duì)目標(biāo)圖像數(shù)據(jù)進(jìn)行邊緣檢測(cè)，得到邊緣圖像數(shù)據(jù)，包括：使用高斯濾波器對(duì)目標(biāo)圖像數(shù)據(jù)進(jìn)行平滑處理，得到第一圖像數(shù)據(jù)；對(duì)第一圖像數(shù)據(jù)進(jìn)行一階偏導(dǎo)數(shù)計(jì)算，得到第二圖像數(shù)據(jù)；對(duì)第二圖像數(shù)據(jù)進(jìn)行非極大值抑制，得到第三圖像數(shù)據(jù)；對(duì)第三圖像數(shù)據(jù)進(jìn)行雙閾值處理，將像素點(diǎn)分為強(qiáng)邊緣點(diǎn)、弱邊緣點(diǎn)和非邊緣點(diǎn)；將弱邊緣點(diǎn)與其周圍的強(qiáng)邊緣點(diǎn)連接，得到邊緣圖像數(shù)據(jù)。

5、可選地，將目標(biāo)圖像數(shù)據(jù)從rgb空間轉(zhuǎn)換至hsv空間中，得到hsv圖像數(shù)據(jù)，包括：，，，其中，h表示hsv圖像數(shù)據(jù)中的色相值，g表示綠色通道中的像素值，b表示藍(lán)色通道中的像素值，r表示紅色通道中的像素值，s表示hsv圖像數(shù)據(jù)中的飽和度值，v表示hsv圖像數(shù)據(jù)中的亮度值。

6、可選地，利用交叉熵?fù)p失函數(shù)訓(xùn)練dcnn網(wǎng)絡(luò)。

7、可選地，所述目標(biāo)函數(shù)的表達(dá)式為：，其中，表示目標(biāo)函數(shù)，表示目標(biāo)圖像數(shù)據(jù)，表示擾動(dòng)，表示l2范數(shù)。

8、可選地，所述第一條件包括：，其中， m( x,y)表示掩碼值， x表示目標(biāo)圖像數(shù)據(jù)的橫軸坐標(biāo)值， y表示目標(biāo)圖像數(shù)據(jù)的縱軸坐標(biāo)值， p x表示車道線特征數(shù)據(jù)中與對(duì)應(yīng)的坐標(biāo)值， p y表示車道線特征數(shù)據(jù)中與 y對(duì)應(yīng)的坐標(biāo)值，表示高斯核的標(biāo)準(zhǔn)差。

9、可選地，基于第一條件和第二條件對(duì)目標(biāo)函數(shù)的梯度進(jìn)行處理，更新擾動(dòng)，包括：，其中，表示第 t+1次迭代的擾動(dòng)，表示第 t次迭代的擾動(dòng)，表示預(yù)設(shè)步長(zhǎng)，表示目標(biāo)函數(shù)的梯度。

10、可選地，還包括：計(jì)算擾動(dòng)圖像數(shù)據(jù)中正確預(yù)測(cè)為車道線的像素?cái)?shù)，作為第一數(shù)值；計(jì)算擾動(dòng)圖像數(shù)據(jù)中正確預(yù)測(cè)為非車道線的像素?cái)?shù)，作為第二數(shù)值；計(jì)算擾動(dòng)圖像數(shù)據(jù)中錯(cuò)誤將非車道線預(yù)測(cè)為車道線的像素?cái)?shù)，作為第三數(shù)值；計(jì)算擾動(dòng)圖像數(shù)據(jù)中錯(cuò)誤將車道線預(yù)測(cè)為非車道線的像素?cái)?shù)，作為第四數(shù)值；根據(jù)第一數(shù)值與第二數(shù)值之和，在第一數(shù)值、第二數(shù)值、第三數(shù)值與第四數(shù)值之和中的占比，得到模型的準(zhǔn)確率以評(píng)估目標(biāo)圖像數(shù)據(jù)與擾動(dòng)圖像數(shù)據(jù)的性能差異。

11、可選地，計(jì)算所述準(zhǔn)確率的表達(dá)式為：，，，，，其中，tp表示第一數(shù)值，表示對(duì)抗性擾動(dòng)中位置的像素值，表示目標(biāo)圖像數(shù)據(jù)中位置的車道線標(biāo)簽，tn表示第二數(shù)值，fp表示第三數(shù)值，fn表示第四數(shù)值，accuracy表示準(zhǔn)確率。

12、提供了一種車道線的隱藏性對(duì)抗樣本生成系統(tǒng)，該系統(tǒng)包括：獲取模塊，獲取帶有車道線的目標(biāo)圖像數(shù)據(jù)；檢測(cè)模塊，對(duì)目標(biāo)圖像數(shù)據(jù)進(jìn)行邊緣檢測(cè)，得到邊緣圖像數(shù)據(jù)；第一處理模塊，將目標(biāo)圖像數(shù)據(jù)從rgb空間轉(zhuǎn)換至hsv空間中，得到hsv圖像數(shù)據(jù)；第二處理模塊，將邊緣圖像數(shù)據(jù)和hsv圖像數(shù)據(jù)輸入至模型中，得到最優(yōu)擾動(dòng)，包括：利用dcnn網(wǎng)絡(luò)對(duì)邊緣圖像數(shù)據(jù)和hsv圖像數(shù)據(jù)進(jìn)行處理，得到車道線特征數(shù)據(jù)；以最小化目標(biāo)函數(shù)為目標(biāo)，得到最優(yōu)擾動(dòng)，所述目標(biāo)函數(shù)為擾動(dòng)圖像數(shù)據(jù)與目標(biāo)圖像數(shù)據(jù)的差異；在優(yōu)化過程中，基于第一條件和第二條件對(duì)目標(biāo)函數(shù)的梯度進(jìn)行處理，更新擾動(dòng)；所述第一條件包括將車道線特征數(shù)據(jù)與目標(biāo)圖像數(shù)據(jù)中對(duì)應(yīng)位置的坐標(biāo)代入至高斯核函數(shù)中得到掩碼值，并限制掩碼值小于預(yù)設(shè)第一數(shù)值；所述第二條件為限制擾動(dòng)的無窮范式小于預(yù)設(shè)第二數(shù)值；輸出模塊，將最優(yōu)擾動(dòng)添加至目標(biāo)圖像數(shù)據(jù)中，得到擾動(dòng)圖像數(shù)據(jù)，并將擾動(dòng)圖像數(shù)據(jù)作為對(duì)抗樣本輸出。

13、與現(xiàn)有技術(shù)相比，本發(fā)明提供了一種車道線的隱藏性對(duì)抗樣本生成方法及系統(tǒng)，實(shí)時(shí)生成低擾動(dòng)的車道線對(duì)抗樣本，盡可能使模型發(fā)現(xiàn)不了擾動(dòng)圖像數(shù)據(jù)有問題，評(píng)估車道線檢測(cè)算法應(yīng)對(duì)對(duì)抗攻擊風(fēng)險(xiǎn)的魯棒性，進(jìn)而有助于提高車道線檢測(cè)算法的魯棒性。

技術(shù)特征：

1.一種車道線的隱藏性對(duì)抗樣本生成方法，其特征在于，包括：

2.根據(jù)權(quán)利要求1所述的一種車道線的隱藏性對(duì)抗樣本生成方法，其特征在于，對(duì)目標(biāo)圖像數(shù)據(jù)進(jìn)行邊緣檢測(cè)，得到邊緣圖像數(shù)據(jù)，包括：

3.根據(jù)權(quán)利要求1所述的一種車道線的隱藏性對(duì)抗樣本生成方法，其特征在于，將目標(biāo)圖像數(shù)據(jù)從rgb空間轉(zhuǎn)換至hsv空間中，得到hsv圖像數(shù)據(jù)，包括：

4.根據(jù)權(quán)利要求1所述的一種車道線的隱藏性對(duì)抗樣本生成方法，其特征在于，還包括：利用交叉熵?fù)p失函數(shù)訓(xùn)練dcnn網(wǎng)絡(luò)。

5.根據(jù)權(quán)利要求1所述的一種車道線的隱藏性對(duì)抗樣本生成方法，其特征在于，所述目標(biāo)函數(shù)的表達(dá)式為：

6.根據(jù)權(quán)利要求1所述的一種車道線的隱藏性對(duì)抗樣本生成方法，其特征在于，所述第一條件包括：

7.根據(jù)權(quán)利要求1所述的一種車道線的隱藏性對(duì)抗樣本生成方法，其特征在于，基于第一條件和第二條件對(duì)目標(biāo)函數(shù)的梯度進(jìn)行處理，更新擾動(dòng)，包括：

8.根據(jù)權(quán)利要求1所述的一種車道線的隱藏性對(duì)抗樣本生成方法，其特征在于，還包括：

9.根據(jù)權(quán)利要求8所述的一種車道線的隱藏性對(duì)抗樣本生成方法，其特征在于，計(jì)算所述準(zhǔn)確率的表達(dá)式為：

10.一種車道線的隱藏性對(duì)抗樣本生成系統(tǒng)，其特征在于，包括：

技術(shù)總結(jié)
本發(fā)明公開了一種車道線的隱藏性對(duì)抗樣本生成方法及系統(tǒng)，所述方法包括：獲取帶有車道線的目標(biāo)圖像數(shù)據(jù)；對(duì)目標(biāo)圖像數(shù)據(jù)進(jìn)行邊緣檢測(cè)，得到邊緣圖像數(shù)據(jù)；將目標(biāo)圖像數(shù)據(jù)從RGB空間轉(zhuǎn)換至HSV空間中，得到HSV圖像數(shù)據(jù)；將邊緣圖像數(shù)據(jù)和HSV圖像數(shù)據(jù)輸入至模型中，得到最優(yōu)擾動(dòng)，包括：利用DCNN網(wǎng)絡(luò)對(duì)邊緣圖像數(shù)據(jù)和HSV圖像數(shù)據(jù)進(jìn)行處理，得到車道線特征數(shù)據(jù)；以最小化目標(biāo)函數(shù)為目標(biāo)，得到最優(yōu)擾動(dòng)；在優(yōu)化過程中，基于第一條件和第二條件對(duì)目標(biāo)函數(shù)的梯度進(jìn)行處理，更新擾動(dòng)；將最優(yōu)擾動(dòng)添加至目標(biāo)圖像數(shù)據(jù)中，得到擾動(dòng)圖像數(shù)據(jù)。本發(fā)明能夠?qū)崟r(shí)生成低擾動(dòng)的車道線對(duì)抗樣本，盡可能使模型發(fā)現(xiàn)不了擾動(dòng)圖像數(shù)據(jù)有問題。

技術(shù)研發(fā)人員：于海洋,程猛越,任毅龍,白雪松,崔志勇
受保護(hù)的技術(shù)使用者：北京航空航天大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/19