缓解信息孤岛影响的人脸图像亲属关系验证方法

本发明涉及亲属关系验证技术领域，具体为缓解信息孤岛影响的人脸图像亲属关系验证方法。

背景技术：

基于人脸图像的亲属关系验证的目标是通过学习获得一个分类器，以判断给定的人脸图像是否具有亲属关系。这里的亲属关系指父母与子女之间的血亲关系。分类模型所获知的关系信息可被应用于人脸识别、社会媒体分析、人脸标注和图像追踪等。目前，在人脸图像上进行亲属关系验证的方法可以分为基于特征表示的方法和基于模型学习的方法。基于特征表示的方法旨在从人脸图像上抽取某种稳定的特征表示，且该特征表示蕴含了给定的人脸图像是否具有亲属关系的判别信息。所提特征包括局部或全局纹理特征，基于梯度的梯度方向金字塔，稠密匹配，门控自编码，基于原型的判别特征学习，基于空间金字塔学习的特征表示，动态时空特征，属性，多种不同特征的融合表示和基于软投票的特征选择等。基于模型学习的方法与基于特征表示的方法思路完全不同，该类方法往往借助一些统计分析或机器学习方法来探寻一个判别空间。目前，主要有两种方法。第一种，使用迁移学习，该种方法基于父母在年轻时的脸部外观和子女更相似的观察，借助年轻父母图像这一桥梁以减少年老父母图像与子女图像间的脸部外观差异。第二种，使用度量学习，该种方法的目标是从给定的亲属关系数据中学习某个相似性度量，以使得在新的度量空间中，不具有亲属关系的样本间距离大于那些具有亲属关系的样本。总的来说，已有的亲属关系验证方法在诸如kinfacew等人脸图像亲属关系数据集上取得了较好的泛化性能，但这些已有的学习方法都仅处理某种固定的亲属关系(如父子关系等)数据，这种以信息孤岛解决问题的思路因仅专注于某种固定亲属关系种类而缺少探索并利用不同种类亲属关系间相关性的能力，导致分类器无法利用到更多的判别信息。在此背景下，本发明摈弃现有的以信息孤岛的形式处理某固定种类亲属关系的思路，转而研究如何挖掘并利用不同种类的亲属关系间的相关性来提高已有度量学习的泛化性能。

技术实现要素：

本发明的目的在于提供了缓解信息孤岛影响的人脸图像亲属关系验证方法，解决了上述背景所提出的问题。

为实现上述目的，本发明提供如下技术方案：缓解信息孤岛影响的人脸图像亲属关系验证方法，包括以下步骤：

s1：空间结构的学习

首先对第q(q＝1,2...，q)种亲属关系人脸图像采用一定的人脸图像表示方法，进行抽取人脸特征的操作，可以得到该亲属关系下的m对样本d^q＝{(pqi，cqi，yi)|i＝1，2，...，m}；

对每种亲属关系样本使用算法一挖掘其空间结构，输入{d^q|q＝1，2，...，q}，再输出支持向量数据的球心、半径和筛选后的样本集首先，对每个d^q挖掘其空间结构，取出其中所有的正例样本对，构成集合p^q，然后使用特征向量差异的绝对值作为所有图像对的特征，求解支持向量数据模型的对偶模型，得到球心a^q、半径r^q和被svdd球覆盖的样本集最后进行筛选样本、输出操作；

s2：辅助判别信息的挖掘

首先对每种待学习亲属关系q(q＝1,2，...，q)，使用算法二计算与其他种类亲属关系的相关性，输入a^q、r^q和输出相关性向量u^q和种类序号向量iq，最后，整合辅助信息，具体的，设定参数t，用于表示与当前待学习亲属关系间相关性较大的t个亲属关系，将种类序号向量i^q中排名靠前的t个亲属关系样本集归并为再将向量u^q中前t个值取出做归一化处理，得到新的相关性权重向量k^q＝[β1，β2,...,βt]；

s3：分类器的学习

首先学习度量矩阵，将不同亲属关系样本分别看作一个单独的学习任务，这t个学习任务可分别被作为一个双线性函数ft：

s4：优化

优选的，s1步骤中的pqi，cqi∈r^d是从第i对亲属关系的父母和孩子人脸图像上抽取的特征向量，且yi∈{+1，-1}表示对应的样本是否具有亲属关系。

优选的，s1步骤中的算法一是基于支持向量数据模型的亲属关系空间结构的学习，s1步骤中的筛选样本操作需要取出d^q中所有的负例样本对，构成集合n^q，使用特征向量差异的绝对值作为所有图像对的特征，最后计算所有负例图像对和球心a^q的距离，选取距离较大的前个样本，构成集合合并和为新的训练样本集s1步骤中的输出操作需要输出球心a^q、半径r^q和筛选后的样本集

优选的，s2步骤中的算法二为计算相关性，且计算相关性的算法步骤为：

a1：fori＝1：q；

a2：forj＝1：q；

a3计算c(i，j)＝||aⁱ-a^j||，最后可以得到相关性矩阵c。

6.优选的，所述s2步骤中的相关性向量的获取步骤为：

b1：对c的第q行c(q,:)进行升序排列；

b2：将排序后的值取出存入向量u^q；

b3：依次将u^q中的值所对应的种类序号归并，得到种类序号向量i^q。

优选的，s3步骤中的wt^*∈r^d×d是要学习的度量转换矩阵且wt^*＝w0+wt，其中w0用于刻画所有亲属关系样本所共享的特性，wt则被某种亲属关系样本独享，用于刻画其具有的遗传特性。

优选的，s4步骤中的l(.，.)是经验损失函数，具体实现时使用逻辑斯特回归模型，r(w0,wt)是正则化项，用于控制共享和独享的度量转换矩阵对模型的影响。

本发明提供了缓解信息孤岛影响的人脸图像亲属关系验证方法。该缓解信息孤岛影响的人脸图像亲属关系验证方法具备以下有益效果：

该缓解信息孤岛影响的人脸图像亲属关系验证方法，利用了不同种类亲属关系间的相关性信息，可以避免亲属关系验证过程中的信息孤岛问题，学习器有更大的机会利用更多的判别信息以提高泛化性能，由于支持向量数据描述模型可被看作为单类分类器，可以缓解亲属关系验证过程中标号噪声对分类器的影响问题，学习器有更大的机会利用更干净的数据学习亲属关系样本间的相似特性。

附图说明

图1为本发明流程结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。

所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

如图1所示，本发明提供一种技术方案：缓解信息孤岛影响的人脸图像亲属关系验证方法，包括以下步骤：

s1：空间结构的学习

首先对第q(q＝1,2...，q)种亲属关系人脸图像采用一定的人脸图像表示方法，进行抽取人脸特征的操作，可以得到该亲属关系下的m对样本d^q＝{(pqi，cqi，yi)|i＝1，2，...，m}，pqi，cqi∈r^d是从第i对亲属关系的父母和孩子人脸图像上抽取的特征向量，且yi∈{+1，-1}表示对应的样本是否具有亲属关系；

对每种亲属关系样本使用算法一挖掘其空间结构，输入{d^q|q＝1，2，...，q}，再输出支持向量数据的球心、半径和筛选后的样本集首先，对每个d^q挖掘其空间结构，取出其中所有的正例样本对，构成集合p^q，然后使用特征向量差异的绝对值作为所有图像对的特征，求解支持向量数据模型的对偶模型，得到球心a^q、半径r^q和被svdd球覆盖的样本集最后进行筛选样本、输出操作，算法一是基于支持向量数据模型的亲属关系空间结构的学习，筛选样本操作需要取出d^q中所有的负例样本对，构成集合n^q，使用特征向量差异的绝对值作为所有图像对的特征，最后计算所有负例图像对和球心a^q的距离，选取距离较大的前个样本，构成集合合并和为新的训练样本集输出操作需要输出球心a^q、半径r^q和筛选后的样本集

s2：辅助判别信息的挖掘

首先对每种待学习亲属关系q(q＝1,2，...，q)，使用算法二计算与其他种类亲属关系的相关性，输入a^q、r^q和输出相关性向量u^q和种类序号向量iq，设定参数t，用于表示与当前待学习亲属关系间相关性较大的t个亲属关系，将种类序号向量i^q中排名靠前的t个亲属关系样本集归并为再将向量u^q中前t个值取出做归一化处理，得到新的相关性权重向量k^q＝[β1，β2,...,βt]，算法二为计算相关性，且计算相关性的算法步骤为：

a1：fori＝1：q；

a2：forj＝1：q；

a3计算c(i，j)＝||aⁱ-a^j||，最后可以得到相关性矩阵c，相关性向量的获取步骤为：

b1：对c的第q行c(q,:)进行升序排列；

b2：将排序后的值取出存入向量u^q；

b3：依次将u^q中的值所对应的种类序号归并，得到种类序号向量i^q；

s3：分类器的学习

首先学习度量矩阵，将不同亲属关系样本分别看作一个单独的学习任务，这t个学习任务可以看作为一个双线性函数ft：wt^*∈r^d×d是要学习的度量转换矩阵且wt^*＝w0+wt，其中w0用于刻画所有亲属关系样本所共享的特性，wt则被某种亲属关系样本独享，用于刻画其具有的遗传特性；

s4：优化

l(.，.)是经验损失函数，具体实现时使用逻辑斯特回归模型，r(w0,wt)是正则化项，用于控制共享和独享的度量转换矩阵对模型的影响。

该缓解信息孤岛影响的人脸图像亲属关系验证方法在使用时，利用了不同种类亲属关系间的相关性信息，可以避免亲属关系验证过程中的信息孤岛问题，学习器有更大的机会利用更多的判别信息以提高泛化性能，由于支持向量数据描述模型可被看作为单类分类器，可以缓解亲属关系验证过程中标号噪声对分类器的影响问题，学习器有更大的机会利用更干净的数据学习亲属关系样本间的相似特性。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。