[發(fā)明專利]人臉識別攻擊樣本的生成方法、模型訓練方法及相關設備

在審

• 申請?zhí)枺?/td>: 202111571253.0
• 申請日: 2021-12-21
• 公開（公告）號: CN114241569A
• 公開（公告）日: 2022-03-25
• 發(fā)明（設計）人: 于志剛;白亮
• 申請（專利權）人: 中國電信股份有限公司
• 主分類號: G06V40/16
• 分類號: G06V40/16;G06N3/04;G06N3/08
• 代理公司: 北京律智知識產(chǎn)權代理有限公司 11438
• 代理人: 孫寶海;闞梓瑄

1.一種人臉識別攻擊樣本的生成方法，其特征在于，包括：

對生成對抗網(wǎng)絡模型進行隱性向量初始化和噪聲輸入，生成虛擬的初始人臉圖像；

基于參考人臉圖像和所述初始人臉圖像的相似度對所述生成對抗網(wǎng)絡的模型參數(shù)進行優(yōu)化，得到優(yōu)化的隱性向量和噪聲，其中，所述參考人臉圖像為真實的人臉圖像；

基于所述優(yōu)化的隱性向量和噪聲訓練所述生成對抗網(wǎng)絡模型，生成訓練人臉圖像；

通過人臉識別模型計算所述訓練人臉圖像與目標人臉圖像的分類損失函數(shù)，其中，所述目標人臉圖像為要攻擊的定向目標人臉圖像；

基于所述訓練人臉圖像與所述參考人臉圖像的相似度計算相似度損失函數(shù)；

基于所述分類損失函數(shù)和所述相似度損失函數(shù)，通過反向傳播算法更新所述對抗網(wǎng)絡模型的模型參數(shù)，直到更新后的對抗網(wǎng)絡模型生成的人臉圖像被所述人臉識別模型誤判為目標人臉圖像。

2.根據(jù)權利要求1所述的人臉識別攻擊樣本的生成方法，其特征在于，基于參考人臉圖像和所述初始人臉圖像的相似度對所述生成對抗網(wǎng)絡的模型參數(shù)進行優(yōu)化，得到優(yōu)化的隱性向量和噪聲的步驟包括：

基于所述參考人臉圖像和所述初始人臉圖像的相似度確定相似度損失函數(shù)；

基于所述相似度損失函數(shù)，通過反向傳播算法對所述生成對抗網(wǎng)絡的模型參數(shù)進行優(yōu)化，使得優(yōu)化后的生成對抗網(wǎng)絡模型生成的人臉圖像和所述參考圖像的相似度達到預設值；

以優(yōu)化后的生成對抗網(wǎng)絡模型中的隱性向量和噪聲作為優(yōu)化的隱性向量和噪聲。

3.根據(jù)權利要求1所述的人臉識別攻擊樣本的生成方法，其特征在于，基于所述分類損失函數(shù)和所述相似度損失函數(shù)，通過反向傳播算法更新所述對抗網(wǎng)絡模型的模型參數(shù)的步驟包括：

基于所述分類損失函數(shù)、所述相似度損失函數(shù)和生成式對抗網(wǎng)絡模型的損失函數(shù)確定總損失函數(shù)；

基于總損失函數(shù)，通過反向傳播算法更新所述對抗網(wǎng)絡模型的模型參數(shù)。

4.根據(jù)權利要求3所述的人臉識別攻擊樣本的生成方法，其特征在于，所述總損失函數(shù)基于的公式為：

L_total＝L_GAN+αL_adv+βL_sim

其中，L_total表示總損失函數(shù)，L_GAN表示生成式對抗網(wǎng)絡模型的損失函數(shù)，L_adv表示訓練人臉圖像與目標人臉圖像的分類損失函數(shù)；L_sim表示訓練人臉圖像與參考人臉圖像的相似度損失函數(shù)；α、β為控制損失函數(shù)權重的超參數(shù)。

5.根據(jù)權利要求3所述的人臉識別攻擊樣本的生成方法，其特征在于，所述訓練人臉圖像與所述目標人臉圖像的分類損失函數(shù)通過計算交叉熵損失函數(shù)確定；所述訓練人臉圖像與所述參考人臉圖像的相似度損失函數(shù)通過計算訓練人臉圖像和參考人臉的結構相似性指數(shù)、余弦距離、KL距離或JS距離確定。

6.根據(jù)權利要求1所述的人臉識別攻擊樣本的生成方法，其特征在于，所述生成式對抗網(wǎng)絡模型為StyleGAN網(wǎng)絡模型、ProGAN網(wǎng)絡模型或BigGAN網(wǎng)絡模型，所述生成式對抗網(wǎng)絡模型通過公開數(shù)據(jù)集預訓練得到。

7.一種人臉識別模型的訓練方法，其特征在于，包括：

獲取真實人臉圖像；

生成所述真實人臉圖像對應的攻擊樣本，所述攻擊樣本依據(jù)權利要求1-6中任意一項所述的人臉識別攻擊樣本的生成方法生成；

對所述真實人臉圖像和對應的所述攻擊樣本進行融合，得到訓練樣本；

根據(jù)所述訓練樣本對人臉識別模型進行訓練。