[發明專利]一種檢測車牌識別系統抵御對抗樣本透明膜攻擊的方法

在審

• 申請號: 202011317807.X
• 申請日: 2020-11-23
• 公開（公告）號: CN112508008A
• 公開（公告）日: 2021-03-16
• 發明（設計）人: 顧釗銓;劉宸瑋;蘇煜;簡云翔;呂吟玉;方濱興;賈焰;田志宏;唐可可
• 申請（專利權）人: 廣州大學
• 主分類號: G06K9/32
• 分類號: G06K9/32
• 代理公司: 廣州市華學知識產權代理有限公司 44245
• 代理人: 雷芬芬;黃磊

本發明公開了一種檢測車牌識別系統抵御對抗樣本透明膜攻擊的方法，包括：S1，生成對抗樣本透明膜，將對抗樣本透明膜貼在車牌上；S2，車牌上貼有對抗樣本透明膜的車輛通過車牌識別系統，對抗樣本透明膜對車牌識別系統進行攻擊，車牌識別系統拍攝車輛照片并識別其中的車牌信息，以此來判斷車牌識別系統抵御對抗樣本透明膜攻擊的能力。本發明能用于實際的車牌識別系統，判斷實際的車牌識別系統抵御對抗樣本透明膜攻擊的能力，且能用于其他識別系統，應用范圍廣。

技術領域

本發明涉及計算機視覺和深度學習技術領域，具體涉及一種檢測車牌識別系統抵御對抗樣本透明膜攻擊的方法。

背景技術

隨著機器學習和深度學習技術的快速發展，計算機視覺的應用場景越來越廣泛，例如人臉識別系統、手寫簽名識別、車輛識別等，日常生活中的各個地方都存在著計算機視覺技術的應用。

目前計算機視覺技術已經廣泛應用于車牌識別領域，最廣泛使用的技術是卷積神經網絡(Convolutional Neural Networks,CNN)，能有效識別圖像中的車牌號碼等。目前基于神經網絡的車牌識別技術已經廣泛應用于電子不停車收費系統(Electronic TollCollection,ETC)、社區出入管理、無人停車場、交通系統監控管理等場景中，不僅提高了社會的效率，還降低了管理成本。

但是，近年來的一些研究表明，神經網絡等人工智能技術存在一定的安全隱患，引起了人們的擔憂。例如卷積神經網絡具有脆弱性，攻擊者通過添加人眼難以察覺的微小的擾動構造對抗樣本，對抗樣本和原始圖像相似性高，人眼難以察覺異常，但使用卷積神經網絡識別該對抗樣本時，神經網絡將以很大的概率將對抗樣本識別錯，從而產生錯誤的預測。

研究針對車牌識別系統等神經網絡的攻擊具有積極的意義。一方面通過生成對抗樣本，可以去評測現有的車牌識別系統的穩定性和魯棒性；另一方面，通過產生對抗樣本，然后利用對抗樣本進行重新學習和訓練，得到的車牌識別系統的準確率能大大提升。目前主流的對抗樣本生成方法包括：FGSM(Fast Gradient Sign Method,快速梯度攻擊法)、JSMA(Jacobian-based Saliency Map，一種基于雅克比矩陣的攻擊方法)、CW(Carlini和Wagner提出的優化方法)、EOT(Expectation over Transformation)等。目前對抗樣本的研究主要聚焦在圖像分類方面，對于車牌識別領域的研究資料較少。

現有技術中，如申請號201810186291.6基于Jacobian-based Saliency MapAttack(JSMA)攻擊方法生成對抗樣本，并取得了一定的攻擊效果，但這種攻擊方法僅在圖像空間進行，并不能用于實際的圖像識別系統，該方法生成的對抗樣本不具很高的可打印性，打印以后的對抗樣本不容易在真實物理世界中實現對圖像識別系統的攻擊；申請號201810188108.6實現了在真實物理世界中的對抗攻擊，然而其攻擊的網絡模型LeNet5相對輕量化，該方法產生的對抗樣本遷移性一般，即并不一定能適用于其他車牌識別系統的神經網絡。

因此，行業內急需研發一種能用于攻擊實際車牌識別系統的高遷移性對抗樣本生成方法，從而能對車牌識別系統的穩定性和魯棒性進行評測，促進提高車牌識別系統的識別效果及安全性。

發明內容

本發明的目的是為了克服以上現有技術存在的不足，提供了一種能面向實際車牌識別系統的檢測車牌識別系統抵御對抗樣本透明膜攻擊的方法。

本發明的目的通過以下的技術方案實現：

一種檢測車牌識別系統抵御對抗樣本透明膜攻擊的方法，包括：

S1，生成對抗樣本透明膜，將對抗樣本透明膜貼在車牌上；

S2，車牌上貼有對抗樣本透明膜的車輛通過車牌識別系統，對抗樣本透明膜對車牌識別系統進行攻擊，車牌識別系統拍攝車輛照片并識別其中的車牌信息，以此來判斷車牌識別系統抵御對抗樣本透明膜攻擊的能力。