1.一种图像识别算法对抗鲁棒性的评测方法，其特征在于，包括以下步骤：S1、设定初始对抗样本为 ，动量 ； 为待攻击图像；迭代次数 ；S2、对当前对抗样本进行变换，得到变换后的对抗样本 ；S3、计算预先训练的卷积神经模型对变换后的对抗样本 的输出 与目标标签的损失函数 ； 为目标标签；S4、计算损失函数对当前输入的梯度 ；S5、对所述梯度进行卷积操作，利用卷积操作结果获取累计动量 ； 是预定义的卷积核， 是动量累积的衰减因子；S6、利用下式更新第i+1次迭代的对抗样本 ： ； 为扰动步长， 为变换后的图像；S7、 的值加1，返回步骤S2 ，当 时，得到定向对抗样本 ，进入步骤S8；T为最大迭代次数；S8、将定向对抗样本 输入待测试卷积神经网络模型 ，得到识别结果 ；S9、若 ，即输出类别为定向攻击的类别 ，即攻击成功；步骤S2的具体实现过程包括：1）采样变换几率 ，其中 表示采样区间为0到1 的均匀分布，若 ，进入步骤2）；若 ，则 ； 为给定的变换概率；2）采样变换几率 ，若 ，则对图像 进行随机变换；若 ，直接进入步骤3）； 为设定的随机变换概率；3）从 中均匀采样一个缩放率 ； 为设定的缩放率区间， ；4）若 ，执行以下操作：利用双线性插值将 尺寸的 缩放到 尺寸；随机采样垂直方向补零个数 和水平方向补零个数 ；在缩放后的图像上、下分别补零 行，图像的左、右分别补零 列，得到变换后的对抗样本；H为图像高度，W为图像宽度；若 ，执行以下操作：在图像 的随机位置裁剪一个 的图像；将裁剪的图像利用双线性插值缩放为尺寸 ，得到变换后的对抗样本。
2.根据权利要求1所述的图像识别算法对抗鲁棒性的评测方法，其特征在于，步骤2）中，随机变换包括对图像进行垂直位移、水平位移、垂直翻转、水平翻转、旋转、缩放、添加噪声、DCT 变换或者Dropout变换。
3.根据权利要求2所述的图像识别算法对抗鲁棒性的评测方法，其特征在于，所述旋转为将图像顺时针旋转180°。
4.根据权利要求2所述的图像识别算法对抗鲁棒性的评测方法，其特征在于，所述缩放为将图像乘以一个从 中随机采样的因子。
5.根据权利要求2所述的图像识别算法对抗鲁棒性的评测方法，其特征在于，所述添加噪声的具体实现过程包括：对图像的每个像素添加从 中采样的噪声，然后将各个像素裁剪至 范围内；其中， 为扰动幅度。
6.根据权利要求2所述的图像识别算法对抗鲁棒性的评测方法，其特征在于，所述DCT变换的具体实现过程包括：将图像通过离散余弦变换转换到余弦域，其中最高40%的频率分量被设为零，将修改后的频谱通过逆离散余弦变换回空间域。
7.根据权利要求2所述的图像识别算法对抗鲁棒性的评测方法，其特征在于，所述Dropout变换为随机将图像像素的10%设为零。
8.一种计算机可读存储介质，其上存储有计算机程序/指令；其特征在于，所述计算机程序/指令被处理器执行时实现上述权利要求1～7之一所述方法的步骤。
9.一种计算机程序产品，包括计算机程序/指令；其特征在于，该计算机程序/指令被处理器执行时实现上述权利要求1～7之一方法的步骤。
