基于深度卷积神经网络End-to-End模型的亲属关系认证算法

针对如何利用人脸图像进行亲属关系认证的问题,提出基于深度卷积神经网络End-to-End模型的亲属关系认证算法.首先,构建一个包含卷积层、全连接层和soft-max分类层的深度卷积神经网络模型.卷积层可以提取亲子图像的隐性特征,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分类层可以直接判断该对样本是否具有亲属关系.然后,将成对的标记训练数据输入网络进行迭代,优化深度网络模型参数,直至损失曲线稳定.最后,利用训练完毕的深度网络模型对输入测试图像对进行分类判决,通过统计得到最终的准确率.在KinFaceWI和KinFaceWII数据库上的结果显示,相比以往的亲属关系认证算法,文中模型具有更好的性能.

基于局部特征融合的邻域排斥度量学习亲属关系认证算法

针对如何利用人脸图像局部特征进行亲属关系认证的问题,文中提出基于局部特征融合的邻域排斥度量学习亲属关系认证算法.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、非亲属关系样本距离变大的变换矩阵,利用已有数据样本间相似程度的先验知识学习最佳相似性度量,更好地刻画亲属样本间的相似关系.在Kin Face W-I和KinFace W-II数据库中的实验表明,相比已有的亲属关系认证算法,文中算法性能更好.

基于关键特征随机组合的亲属关系认证算法

提出基于3个客体进行亲属关系认证的算法,即利用父母和他们的1个子女的面部关键特征判断他们之间的亲属关系。根据父母与子女之间有基因重叠的生物学原理,子女的面部关键特征和父母双方中一方的面部关键特征具有相似性。基于此提出了利用父母的面部关键特征重构子女面部特征的想法,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。在相似性学习方面引入了度量学习,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。将获得的各个相似度值作为一对样本的属性值,最后使用支持向量机(SVM)在最高决策层进行融合分类,求得最终的准确率。通过与现有的基于3个客体进行亲属关系认证的方法对比证明本文算法可取得更好的性能。