[发明专利]基于距离和方向的深度鉴别度量学习亲属关系验证系统

说明书

本发明公开一种基于距离和方向的深度鉴别度量学习亲属关系验证框架，包括特征提取模块，特征融合模块，亲属关系验证分类器及损失约束模块；所述特征提取模块用于提取亲属关系验证中图像的特征；损失约束模块通过基于距离和方向两个层面的损失函数对提取的图像特征进行约束；所述特征融合模块用于对亲属关系验证中提取的图像特征进行融合；所述亲属关系验证分类器用于根据融合后的图像特征判断图像中人物是否存在亲属关系。本发明设计的网络不需要对数据进行特殊处理，降低了使用成本；本发明基于距离和方向两个层面，设计了多个损失函数对网络进行约束，获得一个泛化能力强的网络模型，提高了亲属关系验证的准确率。

技术领域

本发明属于计算机视觉、深度学习技术领域，尤其涉及一种基于距离和方向的深度鉴别度量学习亲属关系验证框架。

背景技术

Fang等(R.Fang,K.D.Tang,N.Snavely,et al.Towards computational modelsof kinship verification；proceedings of the 2010IEEE International Conferenceon Image Processing,Hong Kong,China,F 26-29Sept,2010[C].IEEE.)首次提出了基于人脸图像进行亲属关系验证的问题，其方案提取人脸特征并基于SVM来进行亲属关系验证。亲属关系验证的求解方法大体上可分为传统方法(Jiwen Lu,Xiuzhuang Zhou,Yap PenTan,et al.Neighborhood Repulsed Metric Learning for Kinship Verification[J].IEEE Transactions on Pattern AnalysisMachine Intelligence,2014,36(2):331-345.)和基于深度学习(L.Zhang,Q.Duan,D.Zhang,et al.AdvKin:AdversarialConvolutional Network for Kinship Verification[J].IEEE Transactions onCybernetics,2020:1-14.)的方法。近年来，深度学习成为研究热点，特别是卷积神经网络在计算机视觉领域取得巨大成功。在计算机视觉任务竞赛中，基于卷积神经网络的算法取得了巨大的成功。因此，有许多学者借助卷积神经网络来研究亲属关系验证问题并取得令人鼓舞的结果。然而已有的深度学习算法仍存在一些局限性，例如大多数亲属关系数据集规模较小且亲属类别较多，不利于使用深度学习的方法的应用。研究人员通过对数据进行预处理(提取人脸关键部位)或者借助外部数据集等来实现数据增强的目的，这些措施虽然在一定程度上提高了准确率，但这无疑增加了问题求解的成本。

众所周知，基于深度神经网络的研究需要大量的数据来进行网络模型的训练，而相较于其它深度学习使用的数据集来说，亲属关系数据集规模相对较小，进而影响深度学习相关算法的应用。在亲属关系验证领域，已有网络结构简单的方案难以达到较高的准确率，准确率高的网络往往复杂。总之，现有的方案无法很好地兼顾简单性和准确率。如何在较小规模的亲属关系数据集上使用深度学习的方法并取得优异的结果，这正是本发明要解决的关键问题。

发明内容

本发明针对基于深度学习的方法无法在较小规模的亲属关系数据集上使用并取得优异结果的问题，提出一种基于距离和方向的深度鉴别度量学习亲属关系验证框架，该框架结构简单，复杂度低，成本低，准确率高。本发明设计的框架不需要对数据进行特殊处理，降低了复杂度成本；对于准确率低的问题，本发明设计了多个损失函数对网络的优化目标进行约束，获得一个泛化能力强的验证模型，提高了亲属关系验证的准确率。

为了实现上述目的，本发明采用以下技术方案：

一种基于距离和方向的深度鉴别度量学习亲属关系验证框架，包括特征提取模块，特征融合模块、亲属关系验证分类器及损失约束模块；

所述特征提取模块用于提取亲属关系验证中图像特征；