一种基于拓扑-像素解耦分层优化的红外对抗扰动方法

本发明属于人工智能安全与红外目标识别对抗，具体涉及一种基于拓扑-像素解耦分层优化的红外对抗扰动方法。

背景技术：

1、红外目标检测是智能安防、夜间监控、无人平台感知与边境巡检等任务中的关键基础能力。与可见光成像不同，红外成像主要依赖目标热辐射分布，具有弱纹理、低对比、噪声敏感等特点，使得红外检测模型在复杂环境下的鲁棒性面临更高挑战。近年来，随着深度学习检测器（如yolo、ssd、faster r-cnn等）在红外场景中的广泛应用，其安全性问题也日益受到关注，对抗样本与对抗遮挡可导致检测置信度显著下降，甚至引发漏检，进而影响系统安全可靠运行。

2、现有红外对抗方法主要包括基于连续优化的白盒方法和基于启发式搜索的黑盒方法两类。前者通常先在连续空间中优化扰动，再通过阈值化映射为可实施的二值掩膜，容易产生连续优化结果与离散部署结果不一致的问题，即“二值化误差”；后者多采用矩形块、曲线块等低维参数化形状进行搜索，虽然规避了部分梯度依赖，但其拓扑表达能力受限，难以覆盖复杂且高效的掩膜结构。

3、进一步地，红外对抗掩膜优化本质上属于高维离散+严格面积约束+强非凸的组合优化问题：一方面，像素级二值决策维度高、搜索空间巨大；另一方面，攻击效果与掩膜面积存在显著权衡，传统单一优化策略易陷入局部最优，难以同时满足高攻击成功率与低像素占用率。现有方法普遍缺乏全局拓扑规划与局部像素精修的协同机制，导致在跨模型、跨场景及多尺度目标条件下稳定性不足。

4、因此，如何在严格面积预算下高效搜索高维离散掩膜，并兼顾拓扑全局探索与像素细粒度利用，成为红外对抗扰动领域亟待解决的关键技术问题。

技术实现思路

1、针对现有技术中存在的上述问题，本发明所要解决的技术问题在于提供一种基于拓扑-像素解耦分层优化的红外对抗扰动方法，以在二值离散约束下实现高效、稳定且可控的掩膜搜索，降低检测模型置信度并提升扰动成功率，同时保持严格的像素稀疏性约束。

2、技术方案：为了解决上述技术问题，本发明采用的技术方案如下：

3、一种基于拓扑-像素解耦分层优化的红外对抗扰动方法，包括以下步骤：

4、s1、将红外图像输入目标检测模型，提取检测置信度与梯度显著性信息，初始化二值掩膜并建立分层优化状态；

5、s2、采用强化学习智能体在宏观决策层从预定义拓扑动作集合中选择当前演化动作；

6、s3、当动作为局部拓扑调整类动作时，在微观执行层采用启发式离散搜索对掩膜进行平移、收缩、分裂或重定位；

7、s4、当动作为像素扩展类动作时，在候选边界像素集合上采用基于高斯过程代理模型的贝叶斯优化执行批量像素注入；

8、s5、基于扰动前后检测置信度变化与掩膜面积约束惩罚构建奖励函数，更新强化学习策略并迭代执行s2-s4，输出满足面积预算的最优二值对抗掩膜。

9、作为优选，在s1中，具体包括以下步骤：

10、s1.1、输入红外图像，并设定掩膜面积预算阈值；

11、s1.2、通过目标检测模型计算对象置信度损失，并计算输入梯度显著图；

12、s1.3、依据输入梯度显著图高响应区域初始化二值掩膜；

13、s1.4、构建分层马尔可夫决策过程状态向量；

14、其中，表示当前检测置信度，表示面积占比，表示停滞计数，表示归一化迭代进度。

15、作为优选，在s2中，具体包括以下步骤：

16、s2.1、定义宏观决策动作空间；

17、其中，drift用于平移微调，split用于拓扑分裂，teleport用于区域重定位，shrink用于形态收缩，expand用于像素扩展；

18、s2.2、构建状态-动作价值函数，并采用-贪心策略选择动作：以概率随机探索，以概率1-选择第t次迭代的动作；

19、其中，表示强化学习智能体所处的当前状态；表示候选动作空间中的任一宏观演化动作；表示在第t次迭代时选择并执行的动作；表示宏观决策动作空间；表示马尔可夫决策过程状态向量；

20、s2.3、动作执行后依据bellman更新式更新q值。

21、作为优选，在s3中，具体包括以下步骤：

22、s3.1、当动作为drift时，在离散位移集合{(0,1),(0,-1),(1,0),(-1,0)}上执行贪心搜索，选择使目标损失降低的位移更新掩膜；

23、s3.2、当动作为shrink时，对掩膜边界像素执行随机形态学腐蚀，优先剔除对扰动增益贡献低的像素；

24、s3.3、当动作为split时，向非连通区域随机播种新子掩膜以增强多区域协同扰动；

25、s3.4、当动作为teleport时，在停滞计数超过阈值时将掩膜重定位至新的高显著区域，以跳出局部最优。

26、作为优选，在s4中，具体包括以下步骤：

27、s4.1、当动作为expand时，构建当前掩膜边界候选像素集合；

28、s4.2、定义候选像素特征映射；

29、其中，表示梯度幅值，表示像素热强度，表示局部邻域密度，表示与掩膜中心距离，表示语义显著先验；表示向量转置；

30、s4.3、采用高斯过程代理模型对像素注入增益建模；

31、s4.4、根据观测样本更新后验均值与后验方差，并采用ucb采集函数进行top-(k)批量选择；

32、s4.5、将集合中像素注入掩膜，完成高维离散扩展更新。

33、作为优选，在s4.4中，具体包括以下步骤：

34、；

35、其中，表示探索与利用平衡系数；表示由ucb采集函数选出的最优批量注入像素集合；表示从当前边界候选像素集合中选取的候选子集；表示第t次迭代时当前掩膜的边界候选像素集合；表示每次expand动作批量注入的像素数量；表示候选边界像素；表示经过n个历史观测样本更新后，像素p的注入增益后验均值；表示像素p的注入增益后验标准差。

36、作为优选，在s5中，具体包括以下步骤：

37、s5.1、构建即时奖励函数；

38、s5.2、以累计奖励最大化为目标训练策略；

39、s5.3、当满足扰动成功条件或达到最大迭代步时终止搜索，输出最优二值掩膜。

40、作为优选，在s5.1中，具体包括以下步骤：

41、；

42、；

43、；

44、其中，表示置信度下降量；表示面积约束惩罚系数；表示超面积惩罚；表示执行第t次动作后得到的下一时刻二值掩膜；表示第t次迭代时目标检测模型对目标的检测置信度；表示任一待评估的二值扰动掩膜；表示允许的最大掩膜面积预算阈值。

45、有益效果：与现有技术相比，本发明具有以下优点：

46、（1）本发明提出了基于拓扑-像素解耦分层优化的红外对抗扰动方法，通过拓扑与像素两级解耦，将高维离散优化问题分解为可协同求解的子问题，显著提高搜索效率。

47、（2）本发明直接在二值空间中优化掩膜，避免连续松弛与阈值化带来的量化偏差。

48、（3）本发明通过分裂、重定位等拓扑动作增强全局跳跃能力，有效降低陷入局部最优的概率。

49、（4）本发明通过贝叶斯优化在候选边界上进行批量像素注入，提升关键像素利用率，在小面积预算下仍可获得高扰动收益。

50、（5）本发明对不同结构红外检测器与不同场景数据具有较好的适配性与鲁棒性。