攻击对象检测方法及装置、介质、设备及产品与流程

技术特征：
1.一种攻击对象检测方法，其中，所述方法包括：获取关于待检测对象的至少一种图像类型的待测图像；基于目标预测模型，获取关于目标待测图像的目标攻击概率，以及获取关于所述目标攻击概率的目标置信度，其中，所述目标预测模型的训练样本图像的图像类型与所述目标待测图像的图像类型一致，所述攻击概率表示所述目标待测图像为攻击对象的概率；根据所述目标置信度确定是否对所述目标待测图像进行筛除处理；根据经过所述筛除处理之后剩余的待测图像所对应的攻击概率，确定对所述待检测对象的检测结果。2.根据权利要求1所述的方法，其中，所述目标置信度为置信度矩阵；所述根据所述目标置信度确定是否对所述目标待测图像进行筛除处理，包括：确定所述目标置信度矩阵中是否存在小于第一预设值的矩阵元素；其中，在所述目标置信度矩阵中存在小于所述第一预设值的矩阵元素的情况下，对所述目标待测图像进行筛除处理；在所述目标置信度矩阵中不存在小于所述第一预设值的矩阵元素的情况下，保留所述目标待测图像。3.根据权利要求2所述的方法，其中，所述目标待测图像的图像特征矩阵与所述目标置信度均为m
×
n的矩阵，且所述目标置信度的矩阵元素a
xy
表示：预测所述图像特征矩阵的矩阵元素b
xy
属于攻击对象的概率为目标攻击概率的置信度值，x取值为不大于m的正整数，y取值为不大于n的正整数，m、n为正整数。4.根据权利要求1所述的方法，其中，在所述基于目标预测模型，获取关于目标待测图像的目标攻击概率之前，所述方法还包括：获取目标图像类型的k个训练样本图像，并通过所述k个训练样本图像训练改进后的分类模型，得到所述目标图像类型对应的预测模型，k为正整数。5.根据权利要求4所述的方法，其中，所述改进后的分类模型包括：预测部分，所述预测部分包括：第一预测分支和第二预测分支；所述通过所述k个训练样本图像训练改进后的分类模型，包括：将第i个训练样本图像输入至所述改进后的分类模型，从所述第一预测分支输出第i攻击概率，以及从所述第二预测分支输出第i置信度，i取值为不大于k的正整数；根据所述第i攻击概率、所述第i置信度以及所述第i个训练样本图像对应的标签，确定损失函数，并通过所述损失函数优化所述改进后的分类模型的模型参数，以训练所述改进后的分类模型。6.根据权利要求5所述的方法，其中，所述改进后的分类模型还包括：特征提取部分；所述将第i个训练样本图像输入至所述改进后的分类模型，包括：将第i个训练样本图像输入至所述改进后的分类模型的特征提取部分，得到第i图像特征矩阵；所述从所述第一预测分支输出第i攻击概率，包括：通过所述第一预测分支对所述第i图像特征矩阵进行特征处理，以确定所述第i个训练样本图像为攻击对象的概率，得到所述第i攻击概率；所述从所述第二预测分支输出第i置信度，包括：通过所述第二预测分支输出第i置信度矩阵，其中，所述第i置信度矩阵的矩阵元素s
i,xy
表示：预测所述第i图像特征矩阵的矩阵元素b
i,xy
属于攻击对象的概率为所述第i攻击概率的置信度值；其中，所述第i图像特征矩阵与所述第i置信度矩阵均为m
×
n的矩阵，x取值为不大于m的正整数，y取值为不大于n的正整数，m、n为正整数。7.根据权利要求5所述的方法，其中，所述根据所述第i攻击概率、所述第i置信度以及所述第i个训练样本图像对应的标签，确定损失函数，包括：loss
i
＝crossentropy((u
i,xy
∈
i,xy
×
s
i,xy
)*p
i
,y
i
)其中，loss
i
表示所述第i训练样本图像对应的损失函数，crossentropy()表示交叉熵函数，y
i
表示所述第i个训练样本图像对应的标签，p
i
表示所述第i攻击概率，s
i,xy
表示第i置信度矩阵中的矩阵元素，u
i,xy
和∈
i,xy
分别为与s
i,xy
对应的均值与方差。8.根据权利要求1所述的方法，其中，在所述获取关于目标待测图像的目标攻击概率之前，所述方法还包括：对所述目标待测图像进行脸部检测，得到所述目标待测图像对应的脸部区域图像；其中，所述脸部区域图像用于输入所述目标预测模型，以获取关于所述目标待测图像的目标攻击概率。9.根据权利要求1所述的方法，其中，所述根据经过所述筛除处理之后剩余的待测图像所对应的攻击概率，确定对所述待检测对象的检测结果，包括：根据经过所述筛除处理之后剩余的待测图像所对应的攻击概率，计算平均攻击概率；比对所述平均攻击概率与第二预设值；在所述平均攻击概率大于所述第二预设值的情况下，确定所述待检测对象为非攻击对象；在所述平均攻击概率不大于所述第二预设值的情况下，确定所述待检测对象为攻击对象。10.根据权利要求1至9中任意一项所述的方法，其中，所述图像类型包括以下一种或多种：rgb(redgreenblue，红色绿色蓝色)类型、近红外光谱类型和三维类型。11.一种攻击对象检测装置，其中，所述装置包括：图像获取模块，用于：获取关于待检测对象的至少一种图像类型的待测图像；模型预测模块，用于：基于目标预测模型，获取关于目标待测图像的目标攻击概率，以及获取关于所述目标攻击概率的目标置信度，其中，所述目标预测模型的训练样本图像的图像类型与所述目标待测图像的图像类型一致，所述攻击概率表示所述目标待测图像为攻击对象的概率；图像筛选模块，用于根据所述目标置信度确定是否对所述目标待测图像进行筛除处理；检测结果确定模块，用于：根据经过所述筛除处理之后剩余的待测图像所对应的攻击概率，确定对所述待检测对象的检测结果。12.一种计算机可读存储介质，上述计算机可读存储介质中存储有指令，当上述指令在计算机或处理器上运行时，使得上述计算机或处理器执行如权利要求1至10中任意一项上述的攻击对象检测方法。13.一种电子设备，包括存储器、处理器以及存储在上述存储器中并可在上述处理器上
运行的计算机程序，其中，上述处理器执行上述计算机程序时实现如权利要求1至10中任意一项上述的攻击对象检测方法。14.一种包含指令的计算机程序产品，当上述计算机程序产品在计算机或处理器上运行时，使得上述计算机或处理器执行如权利要求1至10中任意一项上述的攻击对象检测方法。

技术总结
本说明书实施例提供一种攻击对象检测方法、攻击对象检测装置、计算机可读存储介质、电子设备以及计算机程序产品，该方法包括：获取关于待检测对象的至少一种图像类型的待测图像，其中，对于每一种图像类型设置有对应的预测模型。将目标待测图像输入至与其类型相对应的预测模型(记作，目标预测模型)，以预测目标待测图像为攻击对象的概率(记作，目标攻击概率)，还预测关于上述目标攻击概率的置信度(记作，目标置信度)。其中，上述目标置信度用于确定是否对上述目标待测图像进行筛除处理，从而实现对待检测图像的筛选处理。进一步地，根据经过筛选处理之后剩余的待测图像所对应的攻击概率，来确定对所述待检测对象的检测结果。来确定对所述待检测对象的检测结果。来确定对所述待检测对象的检测结果。


技术研发人员：曹佳炯 丁菁汀
受保护的技术使用者：支付宝（杭州）信息技术有限公司
技术研发日：2022.08.18
技术公布日：2022/12/16