[发明专利]一种基于角度损失神经网络的亲属识别方法

说明书

本发明涉及一种基于角度损失神经网络的亲属识别方法，属于图像处理领域。包括如下步骤：步骤一、对数据集中的人脸图像进行预处理，得到预处理后的人脸图像；步骤二、构建人脸图像正样本对和人脸图像负样本对；步骤三、生成对应的正样本对标签和负样本对标签；步骤四、生成训练集和测试集；步骤五、将步骤四生成的训练集和测试集进行拼接；步骤七、将训练数据分批输入神经网络进行迭代训练，保存训练好的神经网络参数，输出训练好的神经网络；步骤八、将步骤五拼接好的测试数据输入步骤七训练好的神经网络进行测试。所述方法采用端对端基于任务的学习方式对特征进行驱动性学习，显著提高了亲属识别准确率。

技术领域

本发明涉及一种基于角度损失神经网络的亲属识别方法，属于图像处理领域。

背景技术

亲属关系识别作为图像处理领域的一个重要分支，主要研究基于人脸图片的两个个体之间是否具有明确的基因遗传上的亲属关系，具有非常广泛的社会理论研究意义和潜在的商业应用场景。亲属识别中最常研究的四种亲属关系包括：父子，父女，母子以及母女，由于基因的大量继承，这几类亲属关系类型也是人类关系中最亲近的具有生物特征的连接桥梁。近年来，随着移动互联网技术的发展和普及，人们越来越乐意于通过网络在各种社交媒体和各个网站上分享自己的生活状态，而电子图片、视频作为一种直观的表达方式受到越来越多用户的青睐，每天网络上就有成千上万张的海量图片流通，如何有效的组织利用、挖掘分析图片中的潜在信息和关系就成了图像处理研究领域中的重中之重。

现存的模型方法可以大致分为两大类：基于特征的亲属识别模型以及基于学习的亲属识别模型。基于特征的亲属识别算法旨在设计出一个通用的低层手工特征表示以便具有亲属关系的特征可以有效的被使用，常用的特征包括局部特征和全局特征。基于学习的亲属识别方法主要通过寻找一个合适的语义转换空间以便在这个映射的子空间中，有效的增加具有亲属关系人脸图像对之间的可分性。典型的代表模型有度量学习、迁移学习、多核学习、基于图的学习、基于神经网络的学习等。

影响亲属识别性能的一个棘手的挑战因素是没有亲属关系的两个个体的面部特征很相像，而具有血缘关系的两个亲属之间的面部图像之间的相似性却很低。为了有效的解决这个问题，目前主流的亲属识别算法通常的做法是在提取出的手工设计的特征描述和设计分类器进行分类判别之间加入一步，通过近邻拒绝度量学习对提取到的特征表示进行线性映射到欧式空间中，对其约束保证类间差异大于类内间距，之后再对映射后的特征进行分类。度量学习在一定的程度上缓解了影响亲属识别性能的这一因素，但是现存的度量学习的方法都旨在学习一个简单的马氏距离来保证最大化类间距离，最小化类内差异，这样不能捕捉人脸位于非线性流域上的分布规律。为了解决这一问题，我们提出一个基于角度损失神经网络的亲属识别模型来训练一个神经网络去学习一系列层级的非线性转换，将人脸图像对投影到潜在的超球体特征空间中保证正样本对之间的距离被缩小，负样本对之间的距离被放大，使得被投影之后的特征更具判别性。

发明内容

本发明的目的是利用端对端学习的优势、神经网络的优异性能以及角度损失的有效性建立有效的基于端对端角度损失神经网络的学习模型解决非限制条件下影响亲属识别准确率的因素和挑战，提出了一种基于角度损失神经网络的亲属识别方法。

亲属识别问题是个典型的二分类问题，基于给定的两个个体人脸图像判别二者是否具有确定的亲属关系；

本发明在神经网络中进行亲属识别的原理是：通过角度损失的约束能确保神经网络学习角度性的判别信息，特征向量被分类为与参数向量之间夹角最小的类，从几何上来看，角度损失可以看作在超球体流域的判别式的约束，正好符合人脸位于非线性流形域上的先验分布。

本发明的目的是通过以下技术方案实现的：

步骤一、对数据集中的人脸图像进行预处理，得到预处理后的人脸图像；