[發(fā)明專利]基于Defense-GAN的交通標志識別方法

在審

• 申請?zhí)枺?/td>: 202110347767.1
• 申請日: 2021-03-31
• 公開（公告）號: CN113095181A
• 公開（公告）日: 2021-07-09
• 發(fā)明（設計）人: 趙鴻;閆連山;李賽飛;李洪赭
• 申請（專利權）人: 西南交通大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04
• 代理公司: 成都信博專利代理有限責任公司 51200
• 代理人: 舒啟龍

本發(fā)明公開了一種基于Defense?GAN的交通標志識別方法，具體為：采集交通標志圖像，對圖片進行預處理后分為訓練集、測試集和對抗集；使用訓練集和測試集對深度神經(jīng)網(wǎng)絡進行訓練獲得交通標志識別模型；用對抗集訓練模型獲得與原始無噪聲的交通標志圖像分布相似的交通標志對抗樣本圖片；將對抗樣本圖片輸入交通標志分類模型進行評估，獲取高置信度的對抗樣本圖片；將獲取的高置信度對抗樣本圖片添加進訓練集中重新訓練交通標志識別模型；利用對抗防御優(yōu)化后的交通標志識別模型對交通標志圖片進行識別。本發(fā)明能在任何分類模型之間學習遷移，訓練成本低，使用范圍廣，處理速度快，適用于先進的輔助駕駛以及無人駕駛等多方面應用。

技術領域

本發(fā)明屬于交通標志識別技術領域，尤其涉及一種基于Defense-GAN神經(jīng)網(wǎng)絡的交通標志識別方法。

背景技術

近年來，機器學習深度學習快速發(fā)展，計算機視覺技術與自動駕駛逐漸成為人們生活中不可或缺的關鍵技術。交通標志識別(Traffic Sign Identification)也稱為交通標志目標檢測，是利用深度學習技術中的卷積神經(jīng)網(wǎng)絡(CNN)訓練圖片集來判斷圖像或者視頻序列中交通標志類別的技術，有很多特征可以提高卷積神經(jīng)網(wǎng)絡的準確性，需要在大型數(shù)據(jù)集上對這些特征的組合進行實際測試，并需要對結果進行理論證明。大多數(shù)基于CNN的物體檢測器僅適用于推薦系統(tǒng)。提高實時物體檢測器的精度不僅可以將它們用于提示生成推薦系統(tǒng)，還可以用于獨立的過程管理和減少人工輸入。交通標志識別技術逐漸成熟，識別精度也在不斷提高，成功應用于只能駕駛、智能交通等領域。為城市的道路安全做出了極大的貢獻。

雖然交通標志識別技術能夠給我們的交通生活帶來很大的便利和安全保障，但是科學研究表明，基于深度學習的圖片分類神經(jīng)網(wǎng)絡系統(tǒng)存在缺陷，極易受到對抗樣本攻擊。在真實無噪聲的圖片加入一些微小擾動噪聲之后，由于神經(jīng)網(wǎng)絡學習的不連續(xù)性，就會影響深度學習模型的識別，導致正確圖像的錯誤分類預測。在實際場景交通標志識別中，這些擾動可能讓交通標志識別系統(tǒng)出現(xiàn)錯誤分了你，將造成十分嚴重的后果，因此對抗樣本會對交通標志識別系統(tǒng)造成威脅。

目前基于交通標志識別的攻擊都是白盒攻擊，知道交通標志分類模型內(nèi)部參數(shù)的情況下對系統(tǒng)進行攻擊。可是在實時場景中，提前獲得交通標志模型的內(nèi)部參數(shù)是十分困難的，但是基于黑盒模型的交通標志攻擊可以在不知道模型參數(shù)的情況下，模擬物理場景，對交通標志進行攻擊，會引起更大的隱患。

因為深度學習圖像分類過程中的對抗安全威脅，研究了一種基于Defense-GAN神經(jīng)網(wǎng)絡的交通標志識別，針對交給你標志識別模型的對抗樣本，通過對抗訓練實現(xiàn)對對抗攻擊的防御，其主要目的是利用生成模型的表達能力去防御深度神經(jīng)網(wǎng)絡會遭受到的對抗攻擊。

國內(nèi)專利CN111241916A提出一種交通標志識別模型的建立方法，⑴訓練集構成，獲取交通視頻圖像，截取交通標志圖片，匯總成訓練集；⑵訓練集增廣，模擬實際場景中出現(xiàn)的交通標志識別情況，通過多種圖像處理操作對訓練集中的圖片進行人為步長；⑶圖片預處理，對訓練集進行預處理操作；⑷模型構建，建立用于交通標志識別的SSD模型；⑸模型訓練，將訓練集輸入SSD模型中、完成對模型的訓練，使用測試集進行性能檢驗，最終得到交通標志識別模型。