[发明专利]一种基于角度损失神经网络的亲属识别方法

摘要

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。

主权项

1.一种基于角度损失神经网络的亲属识别方法，其特征在于：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；其中，数据集包含X个人脸图像，X为偶数；预处理后的人脸图像数量也为X个；数据集中按顺序的两个人脸图像具有亲属关系，具体为：数据集中偶数序号对应的图像为待识别图像，奇数序号对应的图像为男性亲属图像或女性亲属图像中的一种；其中，偶数序号的待识别图像为需要进行判断是否与对应的奇数序号图像具有亲属关系的图像；人脸图像为RGB图像，即三通道的人脸图像，所述的三通道分别对应R通道、G通道和B通道；其中，预处理包括对齐、裁剪以及归一化操作；步骤二、基于步骤一得到的预处理后的人脸图像构建人脸图像正样本对和人脸图像负样本对；其中，人脸图像正样本对的数量为X/2；人脸图像负样本对的数量为X/2个；步骤三、基于步骤二构建的正样本对和负样本对，生成对应的正样本对标签和负样本对标签；具体为，将正样本对对应的标签设置为1，负样本对对应的标签设置为0；其中，正样本对标签为X/2个，负样本对标签为X/2个；步骤四、分别将步骤二构建的正样本对、负样本对和步骤三生成的正样本对标签、负样本对标签进行分割，生成训练集和测试集；分别将X/2个正样本对和负样本对进行分割，将其中的A％用于训练，将剩下的B％＝1‑A％正样本对和负样本对用于测试；分别将X/2个正样本对标签和负样本对标签进行分割，将其中的A％用于训练，将剩下的B％＝1‑A％正样本对和负样本对标签用于测试；其中，X/2个正样本对和负样本对的A％以及X/2个正样本对标签和负样本对标签的A％构成训练集，即训练集样本总数为(A％*X)个；X/2个正样本对和负样本对的B％以及X/2个正样本对标签和负样本对标签的B％构成测试集，即测试集样本总数为(B％*X)个；步骤五、将步骤四生成的训练集和测试集进行拼接，具体为：将训练集和测试集中每个样本对的两张三通道的图像拼接起来形成六通道的训练数据和测试数据作为神经网络的输入数据，即生成(A％*X)个六通道的训练数据和(B％*X)个六通道的测试数据；步骤六、初始化迭代次数t为1，初始化迭代总次数T，初始化迭代份数i为1，初始化batch的值为N，初始化卷积层、池化层和全连接层权重W，初始化约束参数m；步骤七、将步骤五拼接好的(A％*X)个训练数据分批输入神经网络进行T轮迭代训练，输出训练好的神经网络，并保存训练好的神经网络参数；步骤八、将步骤五拼接好的(B％*X)个六通道的测试数据输入步骤七训练好的神经网络进行测试，具体为：加载步骤五拼接好的六通道测试数据并输入步骤七训练好的神经网络中进行前向传播，得到全连接层M输出的K维向量，然后输入Softmax函数计算，得到K维向量，此K维向量中的每个值代表该样本属于每一类别的概率，将K维向量中概率最大的位置作为人脸图像样本对的标签；其中，K＝2，且最大的位置为0或1中的一个；0表示人脸图像对不具有亲属关系，1表示人脸图像对具有亲属关系。