一种基于深度学习的亲子关系验证算法制造技术

本发明专利技术涉及血缘检测，具体涉及一种基于深度学习的亲子关系验证算法，对深度神经网络模型进行模型训练，利用训练好的深度神经网络模型对人脸图像进行深度特征提取，通过血缘度量学习将深度特征映射到具有血缘判别性的特征空间，并在该特征空间中计算血缘关系相似度得分，基于血缘关系相似度得分判断是否存在血缘关系；本发明专利技术提供的技术方案能够有效克服现有技术所存在的不能通过人脸图像对儿童进行亲子关系验证的缺陷。子关系验证的缺陷。子关系验证的缺陷。

【技术实现步骤摘要】
一种基于深度学习的亲子关系验证算法


[0001]本专利技术涉及血缘检测，具体涉及一种基于深度学习的亲子关系验证算法。

技术介绍

[0002]在大型商场、闹市区等人群密集的地方，因为人群密集、拥挤等原因，很容易出现儿童走失的情况。目前，通常采用防止儿童走失的方案为：通过给儿童佩戴定位设备，该定位设备用于对儿童位置进行定位，并实时地与儿童监护人的智能终端进行信息交互，一旦检测到儿童与其监护人之间的距离较远时，则进行报警。
[0003]上述防止儿童走失的方案中，当发现儿童走失时，无法及时保留儿童走失现场的信息，一旦儿童落入犯罪分子的手中，佩戴的定位设备就会被破坏并丢弃，而且对于大型商场、闹市区等人群密集场所，并不能保证每位儿童都佩戴定位设备。
[0004]由此可见，现有技术方案中并没有能够有效防止儿童走失的方案，儿童走失的情况时常发生，而一旦儿童走失，顺利找回的难度极大，如果能够利用人脸图像进行血缘检测，那么通过大数据就有可能帮助走失儿童回到原来的家庭。但是，目前还没有一种能够通过人脸图像对儿童进行亲子关系验证，帮助父母找回孩子的方案。

技术实现思路

[0005](一)解决的技术问题
[0006]针对现有技术所存在的上述缺点，本专利技术提供了一种基于深度学习的亲子关系验证算法，能够有效克服现有技术所存在的不能通过人脸图像对儿童进行亲子关系验证的缺陷。
[0007](二)技术方案
[0008]为实现以上目的，本专利技术通过以下技术方案予以实现：
[0009]一种基于深度学习的亲子关系验证算法，对深度神经网络模型进行模型训练，利用训练好的深度神经网络模型对人脸图像进行深度特征提取，通过血缘度量学习将深度特征映射到具有血缘判别性的特征空间，并在该特征空间中计算血缘关系相似度得分，基于血缘关系相似度得分判断是否存在血缘关系。
[0010]优选地，所述对深度神经网络模型进行模型训练，包括：
[0011]对输入的样本人脸图像分别提取预设的多个浅层特征，将浅层特征作为输入，正向传播提取深层特征，将深层特征进行串行融合，得到串行融合特征；
[0012]将串行融合特征所在层的各神经元结点以全连接方式与下一相邻层的各神经元结点进行连接，输出图像特征；
[0013]基于输出图像特征计算误差，并将误差进行反向传播，更新各浅层特征对应深度神经网络模型的参数。
[0014]优选地，所述基于输出图像特征计算误差，并将误差进行反向传播，更新各浅层特征对应深度神经网络模型的参数，包括：
[0015]对输出图像特征进行分类，并进行评估，基于评估分数与预设期望分数计算误差；
[0016]将误差在深度神经网络FaceR
‑
CNN中反向传播至串行融合特征所在层，得到各浅层特征对应误差；
[0017]将各浅层特征对应误差在对应的深度神经网络FaceR
‑
CNN中反向传播，更新对应网络参数。
[0018]优选地，所述浅层特征包括RGB特征、局部三值模式LTP特征和梯度方向直方图HOG特征。
[0019]优选地，所述利用训练好的深度神经网络模型对人脸图像进行深度特征提取，包括：
[0020]对输入的人脸图像进行TT特征提取，得到TT特征图像，在TT特征图像中选取多个不同位置的子图像块作为深度神经网络模型的输入，进行深度特征提取。
[0021]优选地，所述对输入的人脸图像进行TT特征提取，得到TT特征图像，包括：
[0022]对输入的人脸图像进行处理，得到对应的灰度图像；
[0023]对灰度图像进行伽马校正，并对伽马校正后的图像进行高斯差分滤波；
[0024]对高斯差分滤波后的图像进行对比均衡化，使得高斯差分滤波后的图像归一化到指定范围，得到TT特征图像。
[0025]优选地，所述通过血缘度量学习将深度特征映射到具有血缘判别性的特征空间，并在该特征空间中计算血缘关系相似度得分，基于血缘关系相似度得分判断是否存在血缘关系，包括：
[0026]基于深度神经网络模型提取的深度特征，通过血缘度量学习计算在新的特征空间中更好表征血缘关系的三元组特征向量；
[0027]基于三元组特征向量分别计算父亲、母亲与孩子之间的相似度得分，并进行加权平均后得到父母与孩子之间的血缘关系相似度得分；
[0028]若血缘关系相似度得分大于预设得分阈值，则父母与孩子之间存在血缘关系，否则父母与孩子之间不存在血缘关系。
[0029]优选地，所述基于深度神经网络模型提取的深度特征，通过血缘度量学习计算在新的特征空间中更好表征血缘关系的三元组特征向量，包括：
[0030]假设父亲、母亲、孩子的人脸图像对应深度特征为(x
f
，x
m
，x
c
)，则通过血缘度量映射函数f计算在新的特征空间中更好表征血缘关系的三元组特征向量为(x
f
’
，x
m
’
，x
c
’
)；
[0031]其中，x
f
’
＝f(x
f
)，x
m
’
＝f(x
m
)，x
c
’
＝f(x
c
)。
[0032]优选地，所述血缘度量映射函数f满足如下条件：
[0033]在父母与孩子之间存在血缘关系时，x
f
’
与x
c
’
、x
m
’
与x
c
’
之间的距离尽可能小；
[0034]在父母与孩子之间不存在血缘关系时，x
f
’
与x
c
’
、x
m
’
与x
c
’
之间的距离尽可能大。
[0035]优选地，所述基于三元组特征向量分别计算父亲、母亲与孩子之间的相似度得分，并进行加权平均后得到父母与孩子之间的血缘关系相似度得分，包括：
[0036]利用余弦相似得到父亲与孩子的相似度得分S
fc
(x
f
’
，x
c
’
)，利用余弦相似得到母亲与孩子的相似度得分S
mc
(x
m
’
，x
c
’
)，对相似度得分S
fc
(x
f
’
，x
c
’
)、S
mc
(x
m
’
，x
c
’
)进行加权平均后，得到父母与孩子之间的血缘关系相似度得分S
fmc
(x
f
’
，x
m
’
，x
c
’...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的亲子关系验证算法，其特征在于：对深度神经网络模型进行模型训练，利用训练好的深度神经网络模型对人脸图像进行深度特征提取，通过血缘度量学习将深度特征映射到具有血缘判别性的特征空间，并在该特征空间中计算血缘关系相似度得分，基于血缘关系相似度得分判断是否存在血缘关系。2.根据权利要求1所述的基于深度学习的亲子关系验证算法，其特征在于：所述对深度神经网络模型进行模型训练，包括：对输入的样本人脸图像分别提取预设的多个浅层特征，将浅层特征作为输入，正向传播提取深层特征，将深层特征进行串行融合，得到串行融合特征；将串行融合特征所在层的各神经元结点以全连接方式与下一相邻层的各神经元结点进行连接，输出图像特征；基于输出图像特征计算误差，并将误差进行反向传播，更新各浅层特征对应深度神经网络模型的参数。3.根据权利要求2所述的基于深度学习的亲子关系验证算法，其特征在于：所述基于输出图像特征计算误差，并将误差进行反向传播，更新各浅层特征对应深度神经网络模型的参数，包括：对输出图像特征进行分类，并进行评估，基于评估分数与预设期望分数计算误差；将误差在深度神经网络FaceR
‑
CNN中反向传播至串行融合特征所在层，得到各浅层特征对应误差；将各浅层特征对应误差在对应的深度神经网络FaceR
‑
CNN中反向传播，更新对应网络参数。4.根据权利要求2或3所述的基于深度学习的亲子关系验证算法，其特征在于：所述浅层特征包括RGB特征、局部三值模式LTP特征和梯度方向直方图HOG特征。5.根据权利要求1所述的基于深度学习的亲子关系验证算法，其特征在于：所述利用训练好的深度神经网络模型对人脸图像进行深度特征提取，包括：对输入的人脸图像进行TT特征提取，得到TT特征图像，在TT特征图像中选取多个不同位置的子图像块作为深度神经网络模型的输入，进行深度特征提取。6.根据权利要求5所述的基于深度学习的亲子关系验证算法，其特征在于：所述对输入的人脸图像进行TT特征提取，得到TT特征图像，包括：对输入的人脸图像进行处理，得到对应的灰度图像；对灰度图像进行伽马校正，并对伽马校正后的图像进行高斯差分滤波；对高斯差分滤波后的图像进行对比均衡化，使得高斯差分滤波后的图像归一化到指定范围，得到TT特征图像。7.根据权利要求1所述的基于深度学习的亲子关系验证算法，其特征在于：所述通过血缘度量学习将深度特征映射到具有血缘判别性的特征空间，并在该特征空间中计算血缘关系相似度得分，基于血缘关系相似度得分判断是否存在血缘关系，包括：基于深度神经网络模型提取的深度特征，通过血缘度量学习计算在新的特征空间中更好表征血缘关系的三元组特征向量；基于三元组特征向量分别计算父亲、母亲与孩子之间的相似度得分，并进行加权平均后得到父母与孩子之间的血缘关系相似度得分；
若血缘关系相似度得分大于预设得分阈值，则父母与孩子之间存在血缘关系，否则父母与孩子之间不存在血缘关系。8.根据权利要求...

【专利技术属性】
技术研发人员：张云龙，
申请(专利权)人：安徽兰臣信息科技有限公司，
类型：发明
国别省市：