一种基于3D点云重构的激光雷达识别对抗样本方法

本发明涉及人工智能，特别涉及一种基于3d点云重构的激光雷达识别对抗样本方法。

背景技术：

1、激光雷达是一种常用的传感器，用于自动驾驶汽车、机器人和无人机等领域，是以发射激光束探测目标的位置、速度等特征量的雷达系统，可以生成点云数据，然后利用这些点云数据建立环境模型和进行目标检测与识别。研究表明，激光雷达系统容易受到对抗性样本的攻击，使激光雷达系统产生错误的测量结果，从而导致系统出现故障，影响激光雷达系统的正常使用，随着“人工智能革命”的到来，对抗性样本攻击的问题在人工智能领域已经引起了广泛的关注。

2、目前，在激光雷达系统中，为了解决对抗性样本会导致雷达检测过程中出现干扰和遮挡处理等错误，使得激光雷达难以准确感知环境中的物体的问题，通常采用对抗性训练、对抗性降噪和对抗性检测等对抗性样本防御技术进行对抗性样本检测，但是，对抗性训练在训练机器学习模型时，是将对抗性样本加入到训练数据中，从而使得模型能够更好地识别对抗性样本；对抗性降噪是通过对输入数据进行降噪处理来减少对抗性样本的影响；对抗性检测是指通过检测输入数据是否为对抗性样本来防御对抗性攻击，这些方法针对对抗样本的防御能力较弱，无法准确检测识别出对抗样本，因此，本发明提出一种基于3d点云重构的激光雷达识别对抗样本方法，利用三维神经网络的结构特性进行3d点云重构，能够更加准确的将对抗样本检测识别出来，提高对对抗性样本的检测能力，从而提高针对对抗样本的防御能力，降低对抗性样本对激光雷达系统的干扰，进而提升激光雷达系统的鲁棒性。

技术实现思路

1、本发明的目的在于提供一种基于3d点云重构的激光雷达识别对抗样本方法，以解决上述背景技术中提出的问题。

2、为实现上述目的，本发明提供如下技术方案：一种基于3d点云重构的激光雷达识别对抗样本方法，包括：

3、采用激光雷达进行周遭环境监测，获取点云采集数据；

4、针对点云采集数据进行数据预处理，得到点云数据特征关键点；

5、根据点云数据特征关键点利用基于多层感知机的编码器进行编码，输出点云采集数据全局特征，并进行总损失分析；

6、针对点云采集数据全局特征进行3d点云重构与解码，并进行重构误差分析计算，得到重构误差值；

7、根据重构误差值结合预设阈值确定对抗样本检测结果；

8、按照对抗样本检测结果将重构后的点云数据输入进分网络中进行识别。

9、进一步地，采用激光雷达进行周遭环境监测之前针对激光雷达进行监测准备工作，其监测准备工作包括：

10、设置激光雷达参数，确定设置好参数的激光雷达；

11、安装设置好参数的激光雷达，并进行设备校准，得到激光雷达设备校准结果；

12、根据激光雷达设备校准结果针对激光雷达进行设备连接配置。

13、进一步地，进行设备校准时，结合激光雷达参数进行激光雷达监测区域预测与分析，包括：

14、按照设备的参数进行激光雷达监测模拟，获取激光雷达的预测监测区域；

15、针对预测监测区域结合目标监测区域进行比较分析，确定预测监测区域与目标监测区域是否一致，得到第一分析结果；

16、根据第一分析结果，在预测监测区域与目标监测区域不一致时，重新获取多组预测数据，并进行校正值确认；在每组预测数据中分析确定预测监测区域的极限距离，得到多组极限距离，将多种极限距离分别结合目标监测区域确定多个监测误差数据，根据多个监测误差数据确定是否是偶然因素导致，得到第二分析结果，当第二分析结果为不是偶然因素导致时，根据多个监测误差数据确定激光雷达参数校正值。

17、进一步地，针对点云采集数据进行数据预处理，包括：

18、针对点云采集数据进行预处理操作，得到点云预处理数据；

19、对点云预处理数据进行表面重建，获取点云预处理数据的三角网格模型；

20、在三角网格模型中，针对每个点进行曲率分析，得到点云曲率值；

21、根据点云曲率值确定第一阈值，并根据第一阈值筛选确定点云数据特征关键点；

22、基于点云数据特征关键点进行法线分析。

23、进一步地，根据点云数据特征关键点利用基于多层感知机的编码器进行编码时，根据点云数据特征关键点进行输入层、隐藏层和输出层数量配置，并确定神经元的初始化权重和初始偏置值，然后将点云数据特征关键点的数据信息输入输入层中，通过网络的每一层进行前向传播，在每个神经元接收上一层神经元的输出，将加权求和后通过修正线性单元激活函数进行非线性转化，得到输出信息，接着，根据输出信息和真实标签计算第一损失函数，并基于第一损失函数的梯度，从输出层开始逐层计算每个神经元的损失梯度，按照链式法则将损失梯度乘以连接权重传递给前一层，然后再根据梯度下降法则更新每个神经元的权重和偏置值，多次迭代，调整网络参数，在损失函数最小化时，得到点云采集数据全局特征。

24、进一步地，进行总损失分析时，从所述编码器中获取点云采集数据，针对点云采集数据进行均值和方差分析，得到点云采集数据的均值和方差，并根据点云采集数据的均值和方差确定变分自动编码器中隐藏层的隐变量，然后基于变分自动编码器中隐藏层的隐变量使用变分自编器计算高斯分布与正态分布之间的kl散度，得到第二损失函数，最后，根据第一损失函数和第二损失函数确定总损失函数。

25、进一步地，针对点云采集数据全局特征进行3d点云重构与解码时，采用解码器进行3d点云重构与解码，将点云采集数据全局特征输入到解码器中，通过解码器获取点云重构数据样本。

26、进一步地，进行重构误差分析计算时，包括：

27、针对点云重构数据样本按照点云依次进行点云距离分析，获取重构前点云距离和重构后点云距离；

28、将重构前点云距离结合重构后点云距离计算得到点云相对距离；

29、根据点云相对距离使用emd距离计算得到点云重构误差值。

30、进一步地，根据重构误差值结合预设阈值确定对抗样本检测结果时，将重构误差值与预设阈值进行大小比较，当构误差值大于等于预设阈值时，点云重构数据样本为对抗样本，当构误差值小于预设阈值时，点云重构数据样本为正常样本。

31、进一步地，在得到点云预处理数据的三角网格模型之后还针对三角网格模型进行优化处理，包括：

32、针对点云预处理数据的三角网格模型进行初步分析，判断点云预处理数据的三角网格模型是否需要进行优化，得到初步分析结果；

33、根据初步分析结果，在点云预处理数据的三角网格模型需要进行优化时，分析三角网格模型中点云预处理数据分布情况，得到三角网格模型数据分布情况；

34、按照三角网格模型分布情况匹配优化方案，并基于优化方案针对三角网格模型进行调整，得到三角网格模型。

35、本发明利用三维神经网络的结构特性进行3d点云重构，能够更加准确的将对抗样本检测识别出来，提高对对抗性样本的检测能力，从而提高针对对抗样本的防御能力，降低对抗性样本对激光雷达系统的干扰，进而提升激光雷达系统的鲁棒性。

36、本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在申请文件中所特别指出的结构来实现和获得。

37、下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。