基于广义多视图图嵌入的亲属关系验证方法

1.本发明属于亲子鉴定技术领域，特别涉及基于广义多视图图嵌入的亲属关系验证方法。


背景技术：

2.信号处理的相关研究表明，人的外貌对生物关系预测可能提供有价值的线索。和生物学中dna鉴定技术相比，基于人脸的亲属关系验证具有效率高、成本低的优势，成为近年来计算机视觉领域一项新兴且有趣的研究任务。该任务通过度量人脸外观的相似性辨别身份和社交媒体的分析等场景应用广泛。和传统的人脸验证相比，除了受到表情、姿势、光照等众多因素影响外，该任务可能存在显著的性别和年龄差异。此外，多实体间的复杂关系和有限的数据规模使得相关技术面临巨大挑战。因此，迫切需要开发有效鲁棒的特征表示和度量学习方法，提高亲属关系验证性能和效率。


技术实现要素：

3.本发明提供一种基于广义多视图图嵌入的亲属关系验证方法，可以准确刻画不同个体之间的相对差异，充分利用多视图的一致性和互补性，实现多视图的广义融合，有效高效地完成基于人脸的亲属关系验证。
4.为实现上述目的，本发明采用的技术方案是：一种基于广义多视图图嵌入的亲属关系验证方法，具体步骤如下：
5.步骤101：从训练集中提取出人脸图像的多视图特征并生成样本对；
6.步骤102：基于语义信息，构造多视图内蕴图和惩罚图，对图嵌入方法进行转换和修正；
7.步骤103：实现多视图的广义融合，求解广义特征值分解；
8.步骤104：计算人脸图像的相似性，输出是否具有亲属关系的判别结果。
9.可选的，所述步骤101，从训练集中提取出人脸图像的多视图特征并生成样本对，进一步包括：
10.将所述训练集传入局部特征hog、sift特征描述符和深度卷积神经网络，通过词袋模型和特征提取网络的最后全连接层后，得到图像的500维词袋表示和1024维的深度特征，分别进行pca降维处理后，得到各视图200维的特征表示并且按照样本标签得到所述各视图相似样本对集合各视图不相似样本对集合
11.可选的，所述步骤102，基于语义信息，构造多视图内蕴图和惩罚图，目标函数为：
[0012][0013]
s.t.(u
(v)
)
tu(v)
＝i,v＝1,2,...,m
[0014]
其中，为v视图的特征变换矩阵，为v视图的平均类内散度，为v视图的平均类间散度，为v视图k近邻样本对的平均类间散度，为v视图k近邻样本对的平均类间散度，α和β为控制类间散度d
(v)
,的平衡参数，i为d
×
d的单位矩阵。
[0015]
可选的，对图嵌入方法进行转换，该非凸优化形式的迹比问题可以转换为替代的比迹问题：
[0016][0017]
上述问题可以通过广义特征值分解进行求解
[0018][0019]
当d》n，矩阵s
(v)
接近奇异时，该特征值分解无解。为克服该缺陷，对图嵌入方法进行修正，加入单位阵作为正则项：
[0020][0021]
其中0≤γ≤1为正则参数。
[0022]
可选的，所述步骤103，实现多视图的广义融合，目标函数为：
[0023][0024][0025]
求解广义特征值分解，上述问题可以通过广义特征值分解进行求解
[0026]
[0027]
其中，
[0028]
为对称方阵，bv＝s
(v)
， zv＝x
(v)
,v＝1,2,...,m。
[0029]
可选的，所述步骤104，计算人脸图像的相似性，输出是否具有亲属关系的判别结果，进一步包括：
[0030]
采用余弦相似度计算成对人脸图像的相似性，与给定阈值(设为0.5)进行比较，输出判别结果。
[0031]
通过本发明提供的亲属关系验证方法，解决相关技术中面临样本数量稀缺、干扰因素较多、个体差异偏小等方面的挑战，能够准确刻画不同个体之间相对差异，充分利用多视图一致性和互补性的进行广义多视图融合，有效高效地完成基于人脸的亲属关系验证。
附图说明
[0032]
图1为本发明实施例的基于广义多视图图嵌入的亲属关系验证方法。
具体实施方式
[0033]
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的其他所有实施例，都应当属于本发明保护的范围。
[0034]
下面参照附图描述根据本发明实施例提出的基于广义多视图图嵌入的亲属关系验证方法。
[0035]
如图1所示，该广义多视图图嵌入的亲属关系验证方法包括以下步骤：
[0036]
步骤101：从训练集中提取出人脸图像的多视图特征并生成样本对。
[0037]
将所述训练集传入局部特征hog、sift特征描述符和深度卷积神经网络，通过词袋模型和特征提取网络的最后全连接层后，得到图像的500维词袋表示和1024维的深度特征，分别进行pca降维处理后，得到各视图200维的特征表示并且按照样本标签得到所述各视图相似样本对集合各视图不相似样本对集合
[0038]
步骤102：基于语义信息，构造多视图内蕴图和惩罚图，对图嵌入方法进行转换和
修正。
[0039]
对于视图v，v＝1,2,...,m，目标函数为：
[0040][0041]
s.t.(u
(v)
)
tu(v)
＝i
[0042]
其中，为v视图的特征变换矩阵，为v视图的平均类内散度，为v视图的平均类间散度，为v视图k近邻样本对的平均类间散度，为v视图k近邻样本对的平均类间散度，α和β为控制类间散度d
(v)
,的平衡参数，i为d
×
d的单位矩阵。
[0043]
对图嵌入方法进行转换，该非凸优化形式的迹比问题可以转换为替代的比迹问题：
[0044][0045]
上述问题可以通过广义特征值分解进行求解
[0046][0047]
当d》n，矩阵s
(v)
接近奇异时，该特征值分解无解。为克服该缺陷，对图嵌入方法进行修正，加入单位阵作为正则项：
[0048][0049]
其中0≤γ≤1为正则参数。
[0050]
步骤103：实现多视图的广义融合，求解广义特征值分解。
[0051]
具体目标函数为：
[0052][0053][0054]
求解广义特征值分解，上述问题可以通过广义特征值分解进行求解
[0055][0056]
其中，λ1≥λ2≥...≥λd′
为前d
′
个最大特征值，为对应特征向量组成的转换矩阵，将数据从原始特征空间映射到新的低维空间
[0057]
为对称方阵，bv＝s
(v)
，zv＝x
(v)
,v＝1,2,...,m。
[0058]
步骤104：计算人脸图像的相似性，输出是否具有亲属关系的判别结果。
[0059]
采用余弦相似度计算成对人脸图像的相似性，与给定阈值(设为0.5)进行比较，输出判别结果。
[0060]
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。