[發(fā)明專利]一種針對激光雷達(dá)的對抗樣本生成方法和系統(tǒng)

在審

• 申請?zhí)枺?/td>: 202110526682.X
• 申請日: 2021-05-14
• 公開（公告）號: CN113361565A
• 公開（公告）日: 2021-09-07
• 發(fā)明（設(shè)計）人: 宣琦;鄭俊杰;劉壯壯;朱城超;朱振強;邱君瀚
• 申請（專利權(quán)）人: 浙江工業(yè)大學(xué)
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06K9/00
• 代理公司: 杭州天正專利事務(wù)所有限公司 33201
• 代理人: 王兵

1.一種針對激光雷達(dá)的對抗樣本生成的方法，其特征在于：包括以下步驟：

S1：在點云圖中找出需要被攻擊的目標(biāo)以及目標(biāo)的脆弱區(qū)域；

S2：在步驟S1目標(biāo)區(qū)域生成對抗性的獨立點；

S3：對S2生成的對抗性的獨立點基于擾動指標(biāo)進(jìn)行優(yōu)化；

S4：基于對抗點產(chǎn)生對抗性團簇；

S5：對S4產(chǎn)生的對抗性團簇基于擾動指標(biāo)進(jìn)行優(yōu)化。

2.如權(quán)利要求1所述的一種針對激光雷達(dá)的對抗樣本生成的方法，其特征在于：步驟S1具體包括：

S1.1：在原始點云圖中進(jìn)行目標(biāo)檢測找到需要被攻擊的目標(biāo)：

利用PointNet神經(jīng)網(wǎng)絡(luò)對原始點云進(jìn)行目標(biāo)檢測找到需要被攻擊的目標(biāo)；

S1.2：找到目標(biāo)之后找到目標(biāo)的攻擊脆弱區(qū)域：

在S1.1的基礎(chǔ)上，對目標(biāo)點云集進(jìn)行關(guān)鍵點云集提取，在PointNet網(wǎng)絡(luò)中最大化池化之后的全局特征中構(gòu)建全局特征集合，在全局特征集合中篩選對應(yīng)的點云點，這些點就是關(guān)鍵點集，在關(guān)鍵點集上做網(wǎng)格平滑，找出網(wǎng)格中關(guān)鍵點集密度最大的網(wǎng)格，這個網(wǎng)格的外圍就是攻擊脆弱區(qū)域。

3.如權(quán)利要求1所述的一種針對激光雷達(dá)的對抗樣本生成的方法，其特征在于：步驟S3具體包括：

S3.1：對步驟S2添加的對抗獨立點基于擾動指標(biāo)進(jìn)行豪斯多夫距離優(yōu)化，豪斯多夫距離算法如下：

其中S為原始點集，S'為添加的對抗性獨立點，x,y分別為坐標(biāo)點的x坐標(biāo)和y坐標(biāo)，對輸入的所有對抗點進(jìn)行豪斯多夫距離優(yōu)化，對每一點的x坐標(biāo)以及y坐標(biāo)進(jìn)行約束，調(diào)整x以及y的值直到對抗點集中的每一點都符合約束條件；

S3.2：對步驟S3.1處理完的對抗點進(jìn)行點數(shù)優(yōu)化：

在S3.1處理后的無關(guān)性對抗點云進(jìn)行點數(shù)優(yōu)化，方法如下：

其中S為原始點集，S'為添加的對抗性獨立點，x,y分別為點的x坐標(biāo)和y坐標(biāo)，輸入對應(yīng)的點集之后迭代進(jìn)行原始點集和攻擊電集之間損失的優(yōu)化，迭代直到損失符合預(yù)設(shè)的閾值。

4.如權(quán)利要求1所述的一種針對激光雷達(dá)的對抗樣本生成的方法，其特征在于：步驟S5具體包括：

S5.1：對產(chǎn)生的對抗團簇進(jìn)行最遠(yuǎn)距離優(yōu)化：

對步驟S4產(chǎn)生的每個對抗團簇進(jìn)行單獨最遠(yuǎn)距離優(yōu)化，優(yōu)化方法如下：

其中S就是需要優(yōu)化的團簇集合，x和y分別為對應(yīng)點的坐標(biāo)；

S5.2：對步驟S5.1最遠(yuǎn)距離優(yōu)化后的團簇進(jìn)行整體團簇數(shù)優(yōu)化：

求出整體團簇和原始點集之間的損失，利用這個損失對團簇數(shù)量進(jìn)行優(yōu)化方法如下：

其中S_i對應(yīng)不同的團簇，S₀是原始沒有加任何攻擊點擾動的原始點云集，并且i∈{1,2,......,m}，其中m是點云團簇的數(shù)量，μ是用于平衡最遠(yuǎn)距離損失和團簇數(shù)量重要性的權(quán)重。

5.實施權(quán)利要求1所述的一種針對激光雷達(dá)的對抗樣本生成的方法的系統(tǒng)，其特征在于：包括目標(biāo)檢測以及篩選模塊、對抗點生成模塊、對抗點優(yōu)化模塊、對抗團簇生成模塊、對抗團簇優(yōu)化模塊；

所述目標(biāo)檢測以及篩選模塊，在原始點云圖中進(jìn)行目標(biāo)檢測找到需要被攻擊的目標(biāo)，利用PointNet神經(jīng)網(wǎng)絡(luò)對原始點云進(jìn)行目標(biāo)檢測找到需要被攻擊的目標(biāo)，找到的目標(biāo)的基礎(chǔ)上，對目標(biāo)點云集進(jìn)行關(guān)鍵點云集提取，在PointNet網(wǎng)絡(luò)中最大化池化之后的全局特征中構(gòu)建全局特征集合，在全局特征集合中篩選對應(yīng)的點云點，這些點就是關(guān)鍵點集，在關(guān)鍵點集上做網(wǎng)格平滑，找出網(wǎng)格中關(guān)鍵點集密度最大的網(wǎng)格，這個網(wǎng)格的外圍就是攻擊脆弱區(qū)域；

所述對抗點生成模塊，在目標(biāo)檢測以及篩選模塊選定的目標(biāo)區(qū)域生成對抗性的獨立點；

所述對抗點優(yōu)化模塊，對對抗點生成模塊生成的對抗性的獨立點基于豪斯多夫距離以及最少對抗點算法優(yōu)化，使得生成的對抗點距離攻擊目標(biāo)較遠(yuǎn)并且對抗點數(shù)最優(yōu)；

所述對抗團簇生成模塊，基于上述對抗點產(chǎn)生對抗性團簇；

所述對抗團簇優(yōu)化模塊，對對抗團簇生成模塊產(chǎn)生的對抗性團簇基于最遠(yuǎn)距離優(yōu)化以及最優(yōu)團簇數(shù)優(yōu)化，使得每一個單獨的團簇都是在約束情況下離攻擊目標(biāo)最遠(yuǎn)點，并且攻擊團簇的數(shù)量也是最優(yōu)的。