CN109255306B - 一种人脸检测器的测试方法、装置、设备以及存储介质 - Google Patents

一种人脸检测器的测试方法、装置、设备以及存储介质 Download PDF

Info

Publication number
CN109255306B
CN109255306B CN201810954713.XA CN201810954713A CN109255306B CN 109255306 B CN109255306 B CN 109255306B CN 201810954713 A CN201810954713 A CN 201810954713A CN 109255306 B CN109255306 B CN 109255306B
Authority
CN
China
Prior art keywords
face
image
disturbance
detector
cost function
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201810954713.XA
Other languages
English (en)
Other versions
CN109255306A (zh
Inventor
郭梓坚
李东
王晓东
曾宪贤
胡晓瑞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong University of Technology
Original Assignee
Guangdong University of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN201810954713.XA priority Critical patent/CN109255306B/zh
Publication of CN109255306A publication Critical patent/CN109255306A/zh
Application granted granted Critical
Publication of CN109255306B publication Critical patent/CN109255306B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/161—Detection; Localisation; Normalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/172—Classification, e.g. identification

Abstract

本发明公开了一种人脸检测器的测试方法、装置、设备以及计算机可读存储介质，包括：在图像数据集中选一张人脸图像，在人脸图像上加一个扰动，得到人脸合成图像；将人脸合成图像输入至包含人脸类别的多分类检测器中，得到人脸合成图像的概率向量；将概率向量和多分类检测器的人脸单热向量代入代价函数中，利用所述代价函数的输出结果和梯度下降算法，计算得到初始扰动；迭代执行在人脸图像上附加一个扰动，得到人脸合成图像的操作，直至得到目标扰动，用附加有目标扰动的人脸图像对待检测的人脸检测器进行检测。本发送所提供的方法、装置、设备以及计算机可读存储介质，在人脸图像上附加最优扰动对人脸检测器进行测试，提高了测试结果的准确率。

Description

一种人脸检测器的测试方法、装置、设备以及存储介质
技术领域
本发明涉及人脸识别技术领域，特别是涉及一种人脸检测器的测试方法、装置、设备以及计算机可读存储介质。
背景技术
随着机器学习和计算机视觉技术的发展，人脸识别系统被广泛地应用于监控和访问控制领域中。机器学习的广泛应用使得机器学习算法受到了越来越多的关注，特别是在物理安全的应用程序中。而且，大多数现有的机器学习分类器存在安全漏洞，使得其容易受到攻击。
人脸检测器的攻击能够帮助人们逃避人脸检测器的检测，可以应用于保护个人隐私，如不被商场获取个人行踪；也可以应用于保护生命安全，如士兵逃过自动瞄准机器人的射击。
通过对人脸检测器的攻击，可以测试人脸检测器的稳定性，判断人脸检测器是否会因为比较小的扰动而无法正确识别人脸。现有的人脸攻击主要是通过化妆、变装、遮挡等方法实现，上述方法这样会对人脸加入了非常大的扰动，即变化非常的明显。在人脸上增加较大的扰动后再对人脸检测器进行检测时，导致人脸识别器的识别率过低的影响因素过多，从而不能准确的判断影响人脸检测器的检测结果的具体问题所在。
综上所述可以看出，如何在对人脸检测器进行检测时，在人脸增加较小的扰动是目前有待解决的问题。
发明内容
本发明的目的是提供一种人脸检测器的测试方法、装置、设备以及计算机可读存储介质，已解决现有技术中通过化妆、变装、遮挡等方法对人脸图像增加了较大的扰动，导致对人脸检测器检测结果不准确的问题。
为解决上述技术问题，本发明提供一种人脸检测器的测试方法，包括：在预先建立的图像数据集中选取一张人脸图像，在所述人脸图像上附加一个起始扰动，得到人脸合成图像；将所述人脸合成图像输入至包含人脸类别的多分类检测器中，得到所述人脸合成图像的概率向量；将所述概率向量和所述多分类检测器的人脸单热向量代入代价函数中，得到所述代价函数的输出结果，利用所述代价函数的输出结果和梯度下降算法，计算得到初始扰动；迭代执行所述在所述人脸图像上附加一个起始扰动，得到人脸合成图像的操作，直至得到目标扰动，从而利用附加有所述目标扰动的人脸图像对待检测的人脸检测器进行检测。
优选地，所述在所述人脸图像上附加一个起始扰动，得到人脸合成图像包括：对起始扰动r和掩码矩阵Mx进行点乘，以便于将所述起始扰动附加至所述人脸图像X中的人脸区域内，从而得到人脸合成图像X+Mx·r；其中，所述起始扰动与所述人脸图像的维数相同。
优选地，所述将所述人脸合成图像输入至包含人脸类别的多分类检测器中，得到所述人脸合成图像的概率向量包括：
将所述人脸合成图像输入至所述多分类检测器后，输出所述人脸合成图像的概率向量f(X+Mx·r)。
优选地，所述将所述概率向量和所述多分类检测器的人脸单热向量代入代价函数中，得到所述代价函数的输出结果包括：
将所述概率向量f(X+Mx·r)和所述人脸检测的人脸单热向量hcx代入代价函数：
Figure GDA0001893164340000021
计算得到所述代价函数的输出结果；
其中，所述Loss为所述代价函数的输出结果，用于衡量干扰的干扰效果；当所述概率向量和所述人脸单热向量的误差越小或扰动越大时，所述Loss值越大，扰动效果越弱；所述概率向量和所述人脸单热向量误差越小，Loss中的第一项越大；扰动越大，则Loss中的第二、第三项越大；
所述
Figure GDA0001893164340000022
均为超参数；N为所述图像数据集的图像数量；其中
Figure GDA0001893164340000023
所述
Figure GDA0001893164340000024
的值域为：[0,+∞)；
Figure GDA0001893164340000025
用于衡量扰动效果，当所述的结果越大时，扰动的效果越强；所述||Mx·r||为一个2范数，用于计算扰动的大小；
所述
Figure GDA0001893164340000031
用于表示扰动的平滑性；
TV(r)用于表示所述人脸图像中相邻像素之间的误差；其中，i为所述人脸图像横轴的第i个元素，j为所述人脸图像纵轴的第j个元素，i+1为所述人脸图像横轴的第i+1个元素，j+1为所述人脸图像纵轴的第j+1个元素。
优选地，所述利用所述代价函数的输出结果和梯度下降算法，计算得到初始扰动包括：将所述误差参数Loss输入梯度下降优化算法，输出初始扰动r'。
本发明还提供了一种人脸检测器的测试装置，包括：
合成模块，用于在预先建立的图像数据集中选取一张人脸图像，在所述人脸图像上附加一个起始扰动，得到人脸合成图像；
输入模块，用于将所述人脸合成图像输入至包含人脸类别的多分类检测器中，得到所述人脸合成图像的概率向量；
计算模块，用于将所述概率向量和所述多分类检测器的人脸单热向量代入代价函数中，得到所述代价函数的输出结果，利用所述代价函数的输出结果和梯度下降算法，计算得到初始扰动；
检测模块，用于迭代执行所述在所述人脸图像上附加一个起始扰动，得到人脸合成图像的操作，直至得到目标扰动，从而利用附加有所述目标扰动的人脸图像对待检测的人脸检测器进行检测。
优选地，所述合成模块具体用于：
对起始扰动r和掩码矩阵Mx进行点乘，以便于将所述起始扰动附加至所述人脸图像X中的人脸区域内，从而得到人脸合成图像X+Mx·r；其中，所述起始扰动与所述人脸图像的维数相同。
优选地，所述输入模块具体用于：将所述人脸合成图像输入至所述人脸检测器后，输出所述人脸合成图像的概率向量f(X+Mx·r)。
本发明还提供了一种人脸检测器的测试设备，包括：
存储器，用于存储计算机程序；处理器，用于执行所述计算机程序时实现上述一种人脸检测器的测试方法的步骤。
本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述一种人脸检测器的测试方法的步骤。
本发明所提供的人脸检测器的测试方法，在图像数据集中选取一张人脸图像；选择一个随机扰动作为起始扰动附加在所述人脸图像上，从而形成人脸合成图像。将附加了起始扰动的人脸合成图像输入至包含人脸类别的多分类检测器中，从而得到所述人脸合成图像的概率向量；将所述概率向量与所述多分类检测器的人脸单热向量代入所述代价函数，计算得到所述代价函数的输出结果，当所述代价函数的输出结果越大，说明扰动的效果越弱。将所述误差参数输入梯度下降算法，得到初始扰动。迭代执行所述在所述人脸图像上附加一个起始扰动，得到人脸合成图像的操作，直至得到目标扰动，从而利用附加有所述目标扰动的人脸图像检测人脸检测器的漏洞。本发明所提供的测试方法，通过不断向检测器输入附加了扰动的人脸图像，根据人脸检测器的输出来迭代优化寻找最优对抗扰动，即最小扰动。然后，将最优扰动附加在人脸图像上，对待检测的人脸检测器进行检测，从而提高了人脸检测器的测试结果的准确率。
附图说明
为了更清楚的说明本发明实施例或现有技术的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明所提供的人脸检测器的测试方法的第一种具体实施例的流程图；
图2为本发明所提供的人脸检测器的测试方法的第二种具体实施例的流程图；
图3为本发明实施例提供的一种人脸检测器的测试装置的结构框图。
具体实施方式
本发明的核心是提供一种人脸检测器的测试方法、装置、设备以及计算机可读存储介质，在人脸图像上附加最优扰动对人脸检测器进行测试，提高了测试结果的准确率。
为了使本技术领域的人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参考图1，图1为本发明所提供的人脸检测器的测试方法的第一种具体实施例的流程图；具体操作步骤如下：
步骤S101：在预先建立的图像数据集中选取一张人脸图像，在所述人脸图像上附加一个起始扰动，得到人脸合成图像；
所述预先建立的图像数据集中包括n个不同用户，每个用户有m张在不同物理条件下(如光照、表情、发型等)，与相机距离、角度相同的人脸图像。
步骤S102：将所述人脸合成图像输入至包含人脸类别的多分类检测器中，得到所述人脸合成图像的概率向量；
步骤S103：将所述概率向量和所述多分类检测器的人脸单热向量代入代价函数中，得到所述代价函数的输出结果，利用所述代价函数的输出结果和梯度下降算法，计算得到初始扰动；
步骤S104：迭代执行所述在所述人脸图像上附加一个起始扰动，得到人脸合成图像的操作，直至得到目标扰动，从而利用附加有所述目标扰动的人脸图像对待检测的人脸检测器进行检测。
本实施例所提供的测试方法，通过不断向多分类检测器输入附加了扰动的人脸图像，根据人脸检测器的输出来迭代优化寻找最小对抗扰动后将最小扰动附加在人脸图像上，对待检测的人脸检测器进行检测；解决了现有技术中通过化妆、遮挡等方法在人脸上增加的扰动非常大导致对人脸检测器的测试结果不精确的问题，提高了人脸检测器的测试结果的准确率。且本实施例中计算得到的最优扰动可以附加在人脸的任何位置上；最优扰动具有一定的鲁棒性，从而在不同的光照、不同的表情等不同的物理条件下也可以在保证测试结果准确性的情况下对所述待检测的人脸检测器进行检测。
基于上述实施例中，在本实施例中，将所述人脸合成图像的概率向量和所述人脸单热向量输入至代价函数中，利用输出结果来衡量所述概率向量与所述人脸单热向量之间的误差。代价函数的输出结果越大，表示所述概率向量和所述人脸单热向量的误差越大，说明扰动的效果越弱。请参考图2，图2为本发明所提供的人脸检测器的测试方法的第二种具体实施例的流程图；具体操作步骤如下：
步骤S201：在预先建立的图像数据集中选取一张人脸图像，对起始扰动r和掩码矩阵Mx进行点乘，以便于将所述起始扰动附加至所述人脸图像X中的人脸区域内，从而得到人脸合成图像X+Mx·r；
其中，所述起始扰动和所述掩码矩阵的维度均与所述人脸图像的维数相同。所述掩码矩阵通过与所述起始扰动点乘的方式把扰动附加在人脸上而不是背景中。
步骤S202：将所述人脸合成图像输入至包含人脸类别的多分类检测器后，输出所述人脸合成图像的概率向量f(X+Mx·r)；
步骤S203：将所述概率向量f(X+Mx·r)和所述多分类检测器的人脸单热向量hcx代入代价函数，计算得到所述代价函数的输出结果；
将所述概率向量f(X+Mx·r)和所述多分类检测器的人脸单热向量hcx代入代价函数：
Figure GDA0001893164340000061
计算得到所述代价函数的输出结果；
其中，所述Loss为所述代价函数的输出结果，用于衡量干扰的干扰效果；当所述概率向量和所述人脸单热向量的误差越小或扰动越大时，所述Loss值越大，扰动效果越弱；所述概率向量和所述人脸单热向量误差越小，Loss中的第一项越大；扰动越大，则Loss中的第二、第三项越大；
所述
Figure GDA0001893164340000062
均为超参数；N为所述图像数据集的图像数量；其中
Figure GDA0001893164340000063
所述
Figure GDA0001893164340000064
的值域为：[0,+∞)；
Figure GDA0001893164340000065
用于衡量扰动效果，当所述的结果越大时，扰动的效果越强；所述||Mx·r||为一个2范数，用于计算扰动的大小；
所述
Figure GDA0001893164340000071
用于表示扰动的平滑性；
TV(r)用于表示所述人脸图像中相邻像素之间的误差；其中，i为所述人脸图像横轴的第i个元素，j为所述人脸图像纵轴的第j个元素，i+1为所述人脸图像横轴的第i+1个元素，j+1为所述人脸图像纵轴的第j+1个元素。
步骤S204：将所述误差参数Loss输入梯度下降优化算法，输出初始扰动r'；
步骤S205：将所述初始扰动作为起始扰动，循环所述对起始扰动和掩码矩阵进行点乘，以便于将所述起始扰动附加至所述人脸图像中的人脸区域内，从而得到人脸合成图像的操作，直至得到目标扰动；
步骤S206：利用附加有所述目标扰动的人脸图像对待检测的人脸检测器进行检测。
在机器学习中，代价函数是用于训练模型并优化其参数的，所以代价函数是用于衡量模型的效果性能。在本实施例中的利用代价函数是衡量扰动的效果，即扰动使人脸检测器无法正确进行检测的能力。当多分类检测器的预测值(即所述概率向量)与真实值(即所述人脸单热向量)之间的误差越小，代价函数的输出结果越大，说明扰动的效果越弱。在本实施例的目标的就是使所述代价函数的输出结果达到最小值，也就说明这个扰动的效果最好，是最佳扰动。
请参考图3，图3为本发明实施例提供的一种人脸检测器的测试装置的结构框图；具体装置可以包括：
合成模块100，用于在预先建立的图像数据集中选取一张人脸图像，在所述人脸图像上附加一个起始扰动，得到人脸合成图像；
输入模块200，用于将所述人脸合成图像输入包含人脸类别的多分类检测器中，得到所述人脸合成图像的概率向量；
计算模块300，用于将所述概率向量和所述多分类检测器的人脸单热向量代入代价函数中，得到所述代价函数的输出结果，利用所述代价函数的输出结果和梯度下降算法，计算得到初始扰动；
检测模块400，用于迭代执行所述在所述人脸图像上附加一个起始扰动，得到人脸合成图像的操作，直至得到目标扰动，从而利用附加有所述目标扰动的人脸图像对待检测的人脸检测器进行检测。
本实施例的人脸检测器的测试装置用于实现前述的人脸检测器的测试方法，因此人脸检测器的测试装置中的具体实施方式可见前文中的人脸检测器的测试方法的实施例部分，例如，合成模块100，输入模块200，计算模块300，检测模块400，分别用于实现上述人脸检测器的测试方法中步骤S101，S102，S103和S104，所以，其具体实施方式可以参照相应的各个部分实施例的描述，在此不再赘述。
本发明具体实施例还提供了一种人脸检测器的测试设备，包括：存储器，用于存储计算机程序；处理器，用于执行所述计算机程序时实现上述一种人脸检测器的测试方法的步骤。
本发明具体实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述一种人脸检测器的测试方法的步骤。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上对本发明所提供的人脸检测器的测试方法、装置、设备以及计算机可读存储介质进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。

Claims (5)

1.一种人脸检测器的测试方法，其特征在于，包括：
在预先建立的图像数据集中选取一张人脸图像，在所述人脸图像上附加一个起始扰动，得到人脸合成图像；
将所述人脸合成图像输入至包含人脸类别的多分类检测器中，得到所述人脸合成图像的概率向量；
将所述概率向量和所述多分类检测器的人脸单热向量代入代价函数中，得到所述代价函数的输出结果，利用所述代价函数的输出结果和梯度下降算法，计算得到初始扰动；
将所述初始扰动作为所述起始扰动，并迭代执行所述在所述人脸图像上附加一个起始扰动，得到人脸合成图像的操作，直至得到目标扰动，从而利用附加有所述目标扰动的人脸图像对待检测的人脸检测器进行检测；
其中，所述在所述人脸图像上附加一个起始扰动，得到人脸合成图像包括：
对起始扰动r和掩码矩阵Mx进行点乘，以便于将所述起始扰动附加至所述人脸图像X中的人脸区域内，从而得到人脸合成图像X+Mx·r；
其中，所述起始扰动与所述人脸图像的维数相同；
其中，所述将所述人脸合成图像输入至包含人脸类别的多分类检测器中，得到所述人脸合成图像的概率向量包括：
将所述人脸合成图像输入至所述多分类检测器后，输出所述人脸合成图像的概率向量f(X+Mx·r)；
其中，所述将所述概率向量和所述多分类检测器的人脸单热向量代入代价函数中，得到所述代价函数的输出结果包括：
将所述概率向量f(X+Mx·r)和所述多分类检测器的人脸单热向量
Figure FDA0003474178040000012
代入代价函数：
Figure FDA0003474178040000011
计算得到所述代价函数的输出结果；
其中，所述Loss为所述代价函数的输出结果，用于衡量干扰的干扰效果；当所述概率向量和所述人脸单热向量的误差越小或扰动越大时，所述Loss值越大，扰动效果越弱；所述概率向量和所述人脸单热向量误差越小，Loss中的第一项越大；扰动越大，则Loss中的第二、第三项越大；所述第一项为
Figure FDA0003474178040000021
所述第二项为
Figure FDA0003474178040000022
所述第三项为
Figure FDA0003474178040000023
所述
Figure FDA0003474178040000024
均为超参数；N为所述图像数据集的图像数量；其中
Figure FDA0003474178040000025
所述
Figure FDA0003474178040000026
的值域为：[0,+∞)；
Figure FDA0003474178040000027
用于衡量扰动效果，当所述
Figure FDA0003474178040000028
的结果越大时，扰动的效果越强；所述||Mx·r||为一个2范数，用于计算扰动的大小；
所述
Figure FDA0003474178040000029
用于表示扰动的平滑性；
TV(r)用于表示所述人脸图像中相邻像素之间的误差；其中，i为所述人脸图像横轴的第i个元素，j为所述人脸图像纵轴的第j个元素，i+1为所述人脸图像横轴的第i+1个元素，j+1为所述人脸图像纵轴的第j+1个元素。
2.如权利要求1所述的测试方法，其特征在于，所述利用所述代价函数的输出结果和梯度下降算法，计算得到初始扰动包括：
将所述代价函数的输出结果Loss输入梯度下降优化算法，输出初始扰动r’。
3.一种人脸检测器的测试装置，其特征在于，包括：
合成模块，用于在预先建立的图像数据集中选取一张人脸图像，在所述人脸图像上附加一个起始扰动，得到人脸合成图像；
输入模块，用于将所述人脸合成图像输入至包含人脸类别的多分类检测器中，得到所述人脸合成图像的概率向量；
计算模块，用于将所述概率向量和所述多分类检测器的人脸单热向量代入代价函数中，得到所述代价函数的输出结果，利用所述代价函数的输出结果和梯度下降算法，计算得到初始扰动；
检测模块，用于迭代执行所述在所述人脸图像上附加一个起始扰动，得到人脸合成图像的操作，直至得到目标扰动，从而利用附加有所述目标扰动的人脸图像对待检测的人脸检测器进行检测；
其中，所述合成模块具体用于：
对起始扰动r和掩码矩阵Mx进行点乘，以便于将所述起始扰动附加至所述人脸图像X中的人脸区域内，从而得到人脸合成图像X+Mx·r；
其中，所述起始扰动与所述人脸图像的维数相同；
其中，所述输入模块具体用于：
将所述人脸合成图像输入至所述多分类检测器后，输出所述人脸合成图像的概率向量f(X+Mx·r)；
其中，所述计算模块具体用于：
将所述概率向量f(X+Mx·r)和所述多分类检测器的人脸单热向量
Figure FDA0003474178040000031
代入代价函数：
Figure FDA0003474178040000032
计算得到所述代价函数的输出结果；
其中，所述Loss为所述代价函数的输出结果，用于衡量干扰的干扰效果；当所述概率向量和所述人脸单热向量的误差越小或扰动越大时，所述Loss值越大，扰动效果越弱；所述概率向量和所述人脸单热向量误差越小，Loss中的第一项越大；扰动越大，则Loss中的第二、第三项越大；所述第一项为
Figure FDA0003474178040000033
所述第二项为
Figure FDA0003474178040000034
所述第三项为
Figure FDA0003474178040000035
所述
Figure FDA0003474178040000036
均为超参数；N为所述图像数据集的图像数量；其中
Figure FDA0003474178040000041
所述
Figure FDA0003474178040000042
的值域为：[0,+∞)；
Figure FDA0003474178040000043
用于衡量扰动效果，当所述
Figure FDA0003474178040000044
的结果越大时，扰动的效果越强；所述||Mx·r||为一个2范数，用于计算扰动的大小；
所述
Figure FDA0003474178040000045
用于表示扰动的平滑性；
TV(r)用于表示所述人脸图像中相邻像素之间的误差；其中，i为所述人脸图像横轴的第i个元素，j为所述人脸图像纵轴的第j个元素，i+1为所述人脸图像横轴的第i+1个元素，j+1为所述人脸图像纵轴的第j+1个元素。
4.一种人脸检测器的测试设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1或2所述一种人脸检测器的测试方法的步骤。
5.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1或2所述一种人脸检测器的测试方法的步骤。
CN201810954713.XA 2018-08-21 2018-08-21 一种人脸检测器的测试方法、装置、设备以及存储介质 Active CN109255306B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810954713.XA CN109255306B (zh) 2018-08-21 2018-08-21 一种人脸检测器的测试方法、装置、设备以及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810954713.XA CN109255306B (zh) 2018-08-21 2018-08-21 一种人脸检测器的测试方法、装置、设备以及存储介质

Publications (2)

Publication Number Publication Date
CN109255306A CN109255306A (zh) 2019-01-22
CN109255306B true CN109255306B (zh) 2022-03-25

Family

ID=65049510

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810954713.XA Active CN109255306B (zh) 2018-08-21 2018-08-21 一种人脸检测器的测试方法、装置、设备以及存储介质

Country Status (1)

Country Link
CN (1) CN109255306B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106611402A (zh) * 2015-10-23 2017-05-03 腾讯科技（深圳）有限公司 图像处理方法及装置
CN107330456A (zh) * 2017-06-23 2017-11-07 江南大学 一种基于改进AdaBoost算法的集成深度信念网络图像识别方法
CN107423690A (zh) * 2017-06-26 2017-12-01 广东工业大学 一种人脸识别方法及装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9977968B2 (en) * 2016-03-04 2018-05-22 Xerox Corporation System and method for relevance estimation in summarization of videos of multi-step activities

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106611402A (zh) * 2015-10-23 2017-05-03 腾讯科技（深圳）有限公司 图像处理方法及装置
CN107330456A (zh) * 2017-06-23 2017-11-07 江南大学 一种基于改进AdaBoost算法的集成深度信念网络图像识别方法
CN107423690A (zh) * 2017-06-26 2017-12-01 广东工业大学 一种人脸识别方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于条件深度卷积生成对抗网络的图像识别方法;唐贤伦等;《自动化学报》;20180309;全文 *
纹理图像分类系统及其关键技术研究;王晓东;《中国优秀硕士学位论文全文数据库（信息科技辑）》;20130615;全文 *

Also Published As

Publication number Publication date
CN109255306A (zh) 2019-01-22

Similar Documents

Publication Publication Date Title
JP7297226B2 (ja) 個人情報を保護するために原本データをコンシーリング処理して生成された変造データを認識するために使われる使用者ラーニングネットワークを学習する方法及びテストする方法、そしてこれを利用した学習装置及びテスト装置
CN112215201B (zh) 评估人脸识别模型、针对图像的分类模型的方法及装置
WO2011148596A1 (ja) 顔特徴点位置補正装置、顔特徴点位置補正方法および顔特徴点位置補正プログラム
CN112673381B (zh) 一种对抗样本的识别方法及相关装置
JP7336552B2 (ja) 多面的放射線検出及び分類システム
US20190370982A1 (en) Movement learning device, skill discriminating device, and skill discriminating system
CN108875534A (zh) 人脸识别的方法、装置、系统及计算机存储介质
US11721229B2 (en) Question correction method, device, electronic equipment and storage medium for oral calculation questions
CN112287869A (zh) 一种图像数据检测方法及装置
WO2022148391A1 (zh) 模型训练及数据检测方法、装置、设备及介质
JP2017220176A (ja) 判定装置、判定方法、および判定プログラム
CN113989156A (zh) 脱敏方法的可靠性验证的方法、装置、介质、设备和程序
CN109254924B (zh) 一种软件故障定位方法、装置、设备及可读存储介质
CN112200380A (zh) 优化风险检测模型的方法及装置
JPWO2013122009A1 (ja) 信頼度取得装置、信頼度取得方法および信頼度取得プログラム
CN114817933A (zh) 评估业务预测模型鲁棒性的方法、装置及计算设备
CN109255306B (zh) 一种人脸检测器的测试方法、装置、设备以及存储介质
CN107607129B (zh) 数据校准方法、装置及电子设备
US10936715B1 (en) Detecting fraudulent facial recognition
CN111585761B (zh) 基于特征函数的身份验证方法、装置和计算机设备
Qiu et al. Detecting misclassification errors in neural networks with a gaussian process model
CN112200109A (zh) 面部属性识别方法、电子设备以及计算机可读存储介质
CN111259877A (zh) 一种交通异常场景的判断方法、装置、设备及存储介质
JP2016103245A (ja) 情報処理装置、情報処理方法、プログラム
CN111126566B (zh) 基于gan模型的异常家具布局数据检测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant