1.一种基于多目标路优化的路牌识别攻击防御方法，包括以下步骤：

(1)采集路牌图像，并对路牌图像进行预处理后分成训练集、测试集以及用于生成对抗样本的对抗集；

(2)构建路牌分类器，并利用训练集获得路牌识别模型，再利用测试集对路牌识别模型进行测试优化，使路牌识别模型达到预设的识别准确率；

(3)根据粒子群算法构建路牌攻击模型，粒子群算法生成的微粒为扰动矩阵，根据帕累托最优法则设计的适应度函数，迭代寻找微粒在光影变化、角度变化以及距离变化多目标下的最优微粒；然后将最优微粒作为扰动矩阵叠加到对抗集中的路牌图像中形成对抗样本；

(4)矫正对抗样本，缩放打印矫正的对抗样本，将打印的对抗样本应用在物理场景下，再采集对抗样本的物理图像；

(5)将对抗样本的物理图像输入至路牌识别模型，利用路牌识别模型对对抗样本进行评估，筛选得到高质量的物理对抗样本；

(6)将高质量的物理对抗样本添加到训练集中，利用训练集再训练路牌识别模型，实现对路牌识别模型的对抗防御优化；

(7)利用对抗防御优化后的路牌识别模型对路牌图像进行识别，以实现路牌识别的对抗防御。

2.如权利要求1所述的基于多目标路优化的路牌识别攻击防御方法，其特征在于，对路牌图像进行预处理包括对路牌图像的有效区域进行裁剪、缩放以及添加相应标签并加以分类。

3.如权利要求1所述的基于多目标路优化的路牌识别攻击防御方法，其特征在于，所述路牌分类器是由6个卷积层和3个全连接层构成的深层神经网络。

4.如权利要求1所述的基于多目标路优化的路牌识别攻击防御方法，其特征在于，根据帕累托最优法则设计的适应度函数，迭代寻找微粒在光影变化、角度变化以及距离变化多条件下的最优微粒的具体过程为：(a)粒子群算法初始化，将不同颜色的纯色面具上所有像素点的RGB值作为微粒，即像素点组成的矩阵为扰动矩阵，将面具上像素点RGB值的变化速度作为第i个微粒xi的速度矩阵vi，设置微粒总数pN，则0≤i≤(pN-1)，当前迭代数g，最大迭代数Gk，当前惯性权重因子ω(g)，第i个微粒的历史最优位置 微粒种群发现的全局最优位置(b)按照对应位置像素替换的方式，将微粒叠加到对抗集中的路牌图像中形成对抗样本，对对抗样本进行光影变化、角度变化以及距离变化三路目标，获得三路目标变化后的路牌图像，将三路变化后的路牌图像输入至路牌识别模型中，输出预测值，并获得当前排名最高的置信度分数topscore和目标类的置信度分数targetscore，以每路路牌图像的预测值的均值作为微粒在每路目标下形成的对抗样本的攻击成功率；

(c)计算微粒的平滑度VT(r)；

其中，ri,j是微粒中坐标位置为(i,j)的扰动像素点的RGB三通道像素Ri,j、Gi,j以及Bi,j的平均值；ri+1,j是微粒中坐标位置为(i+1,j)的扰动像素点的RGB三通道像素的平均值；

ri,j+1是微粒中坐标位置为(i,j+1)的扰动像素点的RGB三通道像素的平均值；

(d)根据帕累托最优法则设计如公式(3)所示的适应度函数，并利用公式(3)计算微粒的适应度值，其中，lsr为微粒在光影变化目标下形成的对抗样本的攻击成功率，asr是微粒在角度变化目标下形成的对抗样本的攻击成功率，dsr是微粒在距离变化目标下形成的对抗样本的攻击成功率，k1、k2、k3分别为攻击成功率lsr、asr、dsr的权重，k分别为平滑度VT(r)的权重；

以满足公式(4)为进化方向，记录每个微粒的个体最有适应值fitp_best及对应的最优微粒xp_best，微粒群的最优适应值fitg_best及对应的最优微粒群xg_best；

(e)当满足迭代终止条件时，将获得最优微粒群作为最优解输出，将最优微粒叠加到对抗集中的路牌图像中形成对最终的对抗样本；

(f)当不满足迭代终止条件时，按照公式(5)、(6)以及(7)更新微粒的惯性权重因子ω(g)、速度矩阵vi以及对应的微粒xi：(g)

ω ＝(ωini-ωend)(Gk-g)/Gk+ωend   (5)υi＝ω(g)×υi+c1×rand()×(pbesti-xi)+c2×rand()×(gbesti-xi)   (6)xi＝xi+υi  (7)

其中，ωini为初始权重因子值、ωend为最终权重因子值，c1、c2为初始化学习因子，rand()为系统产生的介于(0,1)之间的随机数。

5.如权利要求4所述的基于多目标路优化的路牌识别攻击防御方法，其特征在于，所述路牌识别攻击防御方法还包括：在路牌图像中添加噪声，形成微粒图像，根据公式(8)计算微粒图像与路牌图像的欧式距离DT(r)：其中，Rri,j、Rxi,j、Gri,j、Gxi,j、Bri,j、Bxi,j分别表示微粒图像ri,j及路牌图像xi,j在坐标(i，j)处的RGB值；

将公式(3)中的平滑度VT(r)替换为欧式距离DT(r)，按照步骤(b)～(e)生成对抗样本；

将该对抗样本与路牌图像进行比对，将颜色差距最大的区域作为路牌图像易受共计的薄弱区域，在该薄弱区域重新生成作为用于添加扰动的微粒，并重新执行步骤(b)～(f)，生成大量对抗样本。

6.如权利要求4或5所述的基于多目标路优化的路牌识别攻击防御方法，其特征在于，所述光影变化包括晴天白天、阴天白天、晴天夜晚灯照、室内或室外；

所述角度变化包括图像在偏左30°到偏右30°之间变化；

所述距离变化包括图像在实际交通场景中5米到45米之间等距变化。

7.如权利要求4或5所述的基于多目标路优化的路牌识别攻击防御方法，其特征在于，迭代终止条件为微粒群的最优适应值fitg_best小于预设的适应值阈值Eend或当前迭代数g达到最大迭代数Gk。

8.如权利要求4或5所述的基于多目标路优化的路牌识别攻击防御方法，其特征在于，在更新微粒时，采用反射强方法以防止微粒越界，保持微粒在有效解的空间内。