1.一种面向人脸识别的黑盒对抗样本攻击方法,其特征在于,包括:
获取带有标签的人脸图像数据;
对获取到的人脸图像数据进行预处理,得到预处理后的人脸图像数据;
将预处理后的人脸图像数据输入DIP网络,结合设定的约束函数,对DIP网络参数进行迭代直至达到预设的迭代停止条件,得到优化好的DIP网络;
基于所述优化好的DIP网络,结合设定的隐编码z,得到攻击图片;
将攻击图片混以干净图片以图片对的形式输入到多重人脸识别模型中得到人脸验证以及识别结果。
2.根据权利要求1所述的面向人脸识别的黑盒对抗样本攻击方法,其特征在于,对获取到的人脸图像数据进行预处理,包括:将人脸图像数据变换为符合训练模型的输入输出要求的尺寸,和/或,采用人脸对齐算法进行人脸提取。
3.根据权利要求1所述的面向人脸识别的黑盒对抗样本攻击方法,其特征在于,所述约束函数,包括:将对抗图像与输入干净图像的差异刻画作为第一损失函数;将对抗图像的集成特征向量与输入干净图像的集成特征向量的差异性刻画作为第二损失函数;将指向性人脸的集成特征向量与对抗图像的集成向量差异性刻画作为第三损失函数。
4.根据权利要求1所述的面向人脸识别的黑盒对抗样本攻击方法,其特征在于,所述的多重人脸识别模型特征提取后的集成表达公式如下:其中,imageinput为输入的原始图像;P(·)为对图片进行的预处理函数;Fi(·)为第i个特征提取器;λi为第i个特征向量对应的权重因子;embddings表示为输入图片imageinput在k个人脸识别网络特征提取后的特征集成表达。
5.根据权利要求3所述的面向人脸识别的黑盒对抗样本攻击方法,其特征在于,所述的第一损失函数具体为:Lspace=Distspace(Imageadv,Imageinput)其中,Imageadv为对抗图像;Imageinput为输入干净图像;Distspace(·)为视觉像素空间的距离衡量函数;Lspace为对抗图像与输入干净图像在视觉像素空间的距离;
所述的第二损失函数具体为:
Lfeature=Distfeature(embddingsadv,embddingsinput)其中,embddingsadv为对抗图像在在多重人脸识别网络特征提取后的集成表达;
embddingsinput为输入干净图像在多重人脸识别网络特征提取后的集成表达;Distfeature(·)为人脸特征空间的距离衡量函数;Lfeature为对抗图像与输入干净图像在人脸特征空间的距离;
所述的第三损失函数具体为:
Ltarget=Distfeature(embddingsadv,embddingstarget)其中,embddingsadv为对抗图像在在多重人脸识别网络特征提取后的集成表达;
embddingstarget为特征引导图像在在多重人脸识别网络特征提取后的集成表达;Distfeature(·)为人脸特征空间的距离衡量函数;Ltarget为对抗图像与特征引导图像在人脸特征空间的距离。
6.根据权利要求1所述的面向人脸识别的黑盒对抗样本攻击方法,其特征在于,将攻击图片混以干净图片以图片对的形式输入到多重人脸识别模型中得到人脸验证以及识别结果,包括:人脸验证时,将干净未处理的人脸图像数据及对应处理对抗后人脸图像数据一一配对,作为测试集联合输入至统一选定好的人脸识别模型,得到各对抗人脸图像数据的分类概率;
采用准确率ACC、验证率Val两项指标评价人脸识别黑盒对抗样本攻击方法的验证性能,包括:将各干净未处理的人脸图像数据和对抗处理后的人脸图像数据两两配对形成正负测试样本,其中正测试样本为各干净未处理的人脸图像数据和标签相同的对抗处理后的人脸图像数据配对形成的样本,负样本为各干净未处理的人脸图像数据和标签不相同的干净未处理的人脸图像数据配对形成的样本,准确率ACC指标表示为:其中,TP指特征分类网络根据分类概率将正测试样本判定为正测试样本,TN指特征分类网络根据分类概率将负测试样本判定为负测试样本,FP指特征分类网络根据分类概率将负测试样本判定为正测试样本,FN指征分类网络根据分类概率将正测试样本判定为负测试样本;
验证率Val指标可以表示为:
其中, 为特征分类网络根据分类概率将正测试样本判定为正测试样本占所有真实的正测试样本的比例; 为特征分类网络根据分类概率将负测试样本判定为正测试样本占所有真实的负测试样本的比例。
7.根据权利要求1或5所述的面向人脸识别的黑盒对抗样本攻击方法,其特征在于,所述预设的迭代停止条件为训练达到预设的训练次数,和/或,总损失函数达到预设的阈值,其中所述总损失函数如下所示:Ltotal=αspaceLspace‑αfeatureLfeature+αtargetLtarget其中,Lspace为对抗图像与输入干净图像在视觉像素空间的距离,Lfeature为对抗图像与输入干净图像在人脸特征空间的距离,Ltarget为对抗图像与特征引导图像在人脸特征空间的距离,αspace、αfeature、αtarget为各项损失的权重因子;Ltotal为总损失函数。
8.一种面向人脸识别的黑盒对抗样本攻击装置,其特征在于,包括:
至少一个处理器;
至少一个存储器,用于存储至少一个程序;
当所述至少一个程序被至少一个处理器执行时,使得至少一个处理器实现如权利要求
1‑7种任一项所述的面向人脸识别的黑盒对抗样本攻击方法。
9.一种计算机设备,其特征在于,包括权利要求8所述的面向人脸识别的黑盒对抗样本攻击装置。
10.一种计算机可读存储介质,其中存储有处理器可执行的程序,其特征在于,所述处理器可执行的程序由处理器执行时用于实现如权利要求1‑7中任一项所述的面向人脸识别的黑盒对抗样本攻击方法。