一种基于特征融合神经网络的亲属识别方法技术

本发明专利技术涉及一种基于特征融合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、构建正样本对和负样本对；步骤三、生成对应的正样本对标签和负样本对标签；步骤四、分别对正样本对、负样本对以及正样本对标签和负样本对标签进行分割，生成训练集和测试集；步骤五、生成网络输入的训练数据和测试数据；步骤六、将步骤五生成的训练数据分批输入神经网络进行T轮迭代训练，并保存训练好的网络参数，输出训练好的神经网络；步骤七、经训练好的神经网络进行测试。所述方法学习不同特征之间的互补性和差异性，提高了特征的鲁棒性。

【技术实现步骤摘要】
一种基于特征融合神经网络的亲属识别方法
本专利技术涉及一种基于特征融合神经网络的亲属识别方法，属于图像处理领域。
技术介绍
亲属关系识别作为图像处理领域的一个重要分支，主要研究基于人脸图片的两个个体之间是否具有明确的基因遗传上的亲属关系，具有非常广泛的社会理论研究意义和潜在的商业应用场景。亲属识别中最常研究的四种亲属关系包括：父子，父女，母子以及母女，由于基因的大量继承，这几类亲属关系类型也是人类关系中最亲近的具有生物特征的连接桥梁。近年来，随着移动互联网技术的发展和普及，人们越来越乐意于通过网络在各种社交媒体和各个网站上分享自己的生活状态，而电子图片、视频作为一种直观的表达方式受到越来越多用户的青睐，每天网络上就有成千上万张的海量图片流通，如何有效的组织利用、挖掘分析图片中的潜在信息和关系就成了图像处理研究领域中的重中之重。现存的模型方法可以大致分为两大类：基于特征的亲属识别模型以及基于学习的亲属识别模型。基于特征的亲属识别算法旨在设计出一个通用的低层手工特征表示以便具有亲属关系的特征可以有效的被使用，常用的特征包括局部特征和全局特征。基于学习的亲属识别方法主要通过寻找一个合适的语本文档来自技高网...

【技术保护点】
1.一种基于特征融合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；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、裁剪操作；步骤二、基于步骤一得到的预处理后的人脸图像构建正样本...

【技术特征摘要】
2018.06.12 CN 20181059976111.一种基于特征融合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；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、裁剪操作；步骤二、基于步骤一得到的预处理后的人脸图像构建正样本对和负样本对；其中，正样本对的数量为X/2；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、对步骤四生成的训练集和测试集中的正样本对和负样本对中的两张图像分别提取m种特征，每种特征对应两个特征向量，然后将对应同一种特征的两个特征向量做差取绝对值，得出m个特征向量差模，再将得出的m个特征向量差模作为网络输入的训练数据和测试数据；步骤六、将步骤五生成的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；其中，神经网络包括m个基本特征转换模块和1个融合特征转换模块，这两种类型模块的操作均为先经全连接层，再经非线性激活函数激活；基本特征转换模块包含的全连接层数为C层，记为全连接层1，全连接层2…全连接层C，C>＝2；全连接层1、全连接层2…全连接层C对应的神经元个数分别为H1、H2…H3；每个全连接层后面使用的非线性激活函数为F1，F1为sigmoid，relu以及tanh中的一种；融合特征转换模块包含的全连接层数为Q层，记为第1全连接层，第2全连接层…第Q全连接层，Q>＝2；每个全连接层后面使用的非线性激活函数为F2，F2为sigmoid，relu以及tanh中的一种；步骤六又包括如下子步骤：步骤6.1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，初始化基本特征转换模块中全连接层1到全连接层C的权重参数，初始化融合特征转换模块中第1全连接层到第Q全连接层的权重参数，初始化batch的值为N；步骤6.2将步骤五得到的(A％*X)个训练数据随机分为(A％*...

【专利技术属性】
技术研发人员：马波，丁小莹，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：北京,11