[发明专利]模型训练方法、亲属关系分类方法、检索方法及相关装置

说明书

本申请提供模型训练方法、亲属关系分类方法、检索方法及相关装置；模型训练方法包括：获取训练集；获取第一训练图像对应的第一特征向量和第二训练图像对应的第二特征向量；获取第一训练图像对应的第三特征向量和第二训练图像对应的第四特征向量；将特征向量输入拼接层，得到拼接信息；将拼接信息输入全连接模块，得预测信息；利用预测信息和标注信息，对预设深度神经网络进行训练，得到亲属关系分类模型。由于预测信息是采用两个特征提取模块的输出结果拼接得到的，因此，所得到的预测信息的精度更高，利用该预测信息所训练出的亲属关系分类模型在进行亲属关系分类或检索时，精度也相应更高。

技术领域

本申请涉及深度学习及图像处理技术领域，尤其涉及模型训练方法、亲属关系分类方法、检索方法及相关装置。

背景技术

随着宝贝回家等公益活动的开展，社会上对于丢失儿童的救助行动日益增多，这些丢失儿童的身份判定却成了很大的问题。很迫切的需要一种便捷的方法来挽救这些破碎的家庭，为丢失的儿童寻到他们的亲生父母。

判定亲生关系的理论依据是孟德尔遗传定律，通过鉴定双方的DNA序列来判断双方是否有血缘关系。但是由于时间和空间的关系，并不能随时随地的做D NA检测，而由于遗传的原因，大多数人的相貌与自己的血亲有相似之处，因此，通过照片来进行亲属关系验证的可行性就变得很高，并且通过照片来进行亲属关系验证相比于DNA序列进行验证更加方便快捷。

在深度学习还没有流行时，除了DNA亲子鉴定，在《Like Father,Like So n:Facial Expression Dynamics for Kinship Verification》一文中还提到了通过动态面部表情来预测亲属关系的一种方法。该方法通过跟踪landmark的运动轨迹，眼部，眉毛，脸颊与嘴唇的位移信息将会被记录下来(嘴部三个阶段的位移的平均值也将会被记录下来)。接下来从多张相邻的图片中提取表情的动态信息以及空间信息和时序信息(提取CLBP纹理特征)，并把两种信息分别用SVM训练。通过训练结果判断二者是否为亲属关系。

随着深度学习的流行，在《基于特征提取和度量学习的亲属关系认证算法研究》一文中使用了神经网络来判断亲属关系的方法，首先抽取脸部的关键区域，分别对每块关键区域提取纹理和肤色特征,然后进行特征融合。最后引入度量学习，学习能使具有亲属关系样本距离变小，而非亲属关系样本距离变大的变换矩阵，并将提取的特征向量通过变换矩阵映射到度量空间，通过余弦相似函数计算相似度。其次，针对如何利用三个客体进行亲属关系认证，提出重构特征的局部邻域排斥度量学习算法。即通过比较父母面部关键特征与子女面部关键特征之间的欧氏距离,选取欧式距离较小的关键特征作为子女面部关键特征的近似特征。从局部特征的角度入手，分别对各个关键特征进行度量学习，然后利用余弦相似函数求得每对样本对应关键特征的相似度。再次，针对传统的手工特征提取器难以提取高级抽象特征的问题,提出了一种深度卷积神经网络End-to-End模型。通过将成对标记的训练数据输入网络进行迭代优化，卷积层能够提取亲子图像对的隐性特征，全连接层可以将提取的隐性特征映射为亲属关系认证的二分类问题， soft-max分类层能够直接判断该对样本是否具有亲属关系。

然而，现有技术中，利用图像进行亲子关系的判断准确率仍然较低。

发明内容

基于上述研究背景和问题，本申请采用了基于深度学习的图像分类方法，设计出一种准确率更高的亲子关系验证的方法，在实际的应用环境中，通过一对面部图像判断孩子是否与父亲或母亲具有亲属关系，进行自动亲属关系一对一视图识别，以此进行亲子关系判断时准确度较高。

本申请的目的在于提供模型训练方法、亲属关系分类方法、检索方法及相关装置，解决现有技术中利用图像进行亲子关系的判断准确率仍然较低的问题。

本申请的目的采用以下技术方案实现：