[发明专利]缓解信息孤岛影响的人脸图像亲属关系验证方法

说明书

本发明涉及关系验证技术领域，且公开了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＝{(p_qi，c_qi，y_i)i＝1，2，...，M}。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。

技术领域

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。

发明内容

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＝{(p_qi，c_qi，y_i)|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