【技术实现步骤摘要】
本专利技术涉及图像识别，尤其涉及基于图神经网络的人脸亲属关系识别方法。
技术介绍
1、人脸亲属关系识别是一种应用人脸识别技术来识别和判断人物之间亲属关系的方法。该方法主要通过比对两个人脸之间的相似度来进行亲属关系的判定，人脸识别技术经过进一步的发展，不仅可以应用于人脸识别系统，还可以应用于其他方面，比如检索图像中是否有人脸、视觉检测等。在人脸亲属关系识别中，一般采用深度学习算法来提取人脸特征，然后通过比较不同人脸之间的特征相似性来进行亲属关系的判定。
2、中国专利公开号：cn105005774b，公开了一种基于卷积神经网络的人脸亲属关系识别方法及装置，主要用于根据人脸图像进行亲属关系识别等领域。所述方法包括人脸识别、人脸关键点位置切分、人脸区域位置切分、卷积神经网络建立及训练、亲属关系识等。所述方法提出的卷积神经网络具有强大的提取亲属关系特征的功能，对于输入图片具有较强的鲁棒能力。该方法提出的基于人脸关键点以及人脸不同区域特征的卷积神经网络方法，实现了更好的亲属识别功能。该方法可以获得优于传统基于人脸的亲属关系识别效果。由此可见，所述一种基于卷积神经网络的人脸亲属关系识别方法及装置存在由于亲属关系的映射建立的参照对象长度不足造成图神经网络模型的训练出现偏差，使图神经网络模型的人脸亲属识别出现错误，进而导致人脸亲属关系识别的精准性下降的问题。
技术实现思路
1、本专利技术的目的是提供一种基于图神经网络的人脸亲属关系识别方法，用以克服现有技术中由于亲属关系的映射建立的参照对
2、为实现上述目的，本专利技术提供一种基于图神经网络的人脸亲属关系识别方法，包括：获取若干组亲属关系已知的人脸图像数据和亲属关系标签数据以形成基础数据集，并对所述基础数据集中的所述人脸图像数据进行预处理以输出对照数据集；对所述对照数据集中的人脸图像数据进行特征提取以输出人脸图像特征数据，并对存在亲属关系的人脸图像数据进行标记以建立人脸图像特征数据重合度与亲属关系的映射，使用所述映射对图神经网络模型进行训练以输出第一图神经网络模型；对所述第一图神经网络模型分别依次进行映射测试和病毒攻击测试；基于人脸亲属关系识别过程的平均错误量确定第一对应映射特征长度，或，对相邻的两个周期的人脸亲属识别错误次数进行获取；基于人脸亲属识别错误次数的增长量确定病毒攻击测试的病毒类型的数量；根据经过所述第一对应映射特征长度的映射训练后的人脸亲属关系识别的亲属概率为零的用户数量占比确定第二对应映射特征长度，或，基于所述人脸亲属关系识别的亲属概率为零的用户数量占比和图神经网络模型的单位数据量的训练时长确定图神经网络模型的训练粒度；使用经过测试调整后的图神经网络模型对若干人脸图像进行亲属关系识别。
3、进一步地，确定所述第一对应映射特征长度的步骤包括：
4、获取若干周期人脸亲属关系识别的错误数量，并对人脸亲属关系识别过程的平均错误量进行计算；
5、将所述人脸亲属关系识别过程的平均错误量分别与预设第一错误量和预设第二错误量进行对比；
6、若所述人脸亲属关系识别过程的平均错误量大于所述预设第二错误量，则按照所述第一对应映射特征长度对映射进行建立。
7、进一步地，所述第一对应映射特征长度通过所述人脸亲属关系识别过程的平均错误量与所述预设第二错误量的差值确定。
8、进一步地，所述人脸亲属关系识别过程的平均错误量的计算公式为：
9、
10、其中，m为人脸亲属关系识别过程的平均错误量，sn为第n个周期人脸亲属关系识别错误的次数，l为人脸亲属关系识别的总周期数，l为大于等于1的自然数。
11、进一步地，确定所述病毒攻击测试的病毒类型的数量的步骤包括：
12、若所述人脸亲属关系识别过程的平均错误量大于所述预设第一错误量且小于等于所述预设第二错误量，则初步判定图神经网络模型的安全性低于允许范围；
13、获取相邻的两个周期的人脸亲属识别错误次数，并对人脸亲属识别错误次数的增长量进行计算；
14、将所述人脸亲属识别错误次数的增长量与预设增长量进行对比；
15、若所述人脸亲属识别错误次数的增长量大于所述预设增长量，则二次判定图神经网络模型的安全性低于允许范围，并对所述病毒攻击测试的病毒类型的数量进行确定。
16、进一步地，所述病毒攻击测试的病毒类型的数量通过所述人脸亲属识别错误次数的增长量与所述预设增长量的差值确定。
17、进一步地，确定第二对应映射特征长度的步骤包括：
18、获取完成对所述第一对应映射特征长度确定后的人脸亲属关系识别的亲属概率为零的用户数量，并对人脸亲属关系识别的亲属概率为零的用户数量占比进行计算；
19、将所述人脸亲属关系识别的亲属概率为零的用户数量占比分别与预设第一占比和预设第二占比进行对比；
20、若所述人脸亲属关系识别的亲属概率为零的用户数量占比大于所述预设第一占比且小于等于所述预设第二占比，则判定图神经网络模型的人脸识别率低于允许范围，并按照所述第二对应映射特征长度对映射进行建立。
21、进一步地，所述第二对应映射特征长度通过所述人脸亲属关系识别的亲属概率为零的用户数量占比与所述预设第一占比的差值重新确定。
22、进一步地，确定所述图神经网络模型的训练粒度的步骤包括：
23、若所述人脸亲属关系识别的亲属概率为零的用户数量占比大于所述预设第二占比，则初步判定图神经网络模型训练的全面性低于允许范围；
24、获取图神经网络模型的单位数据量的训练时长；
25、将所述图神经网络模型的单位数据量的训练时长与预设时长进行对比；
26、若所述图神经网络模型的单位数据量的训练时长小于所述预设时长，则二次判定图神经网络模型训练的全面性低于允许范围，并对图神经网络模型的训练粒度进行确定。
27、进一步地，所述图神经网络模型的训练粒度通过所述预设时长与所述图神经网络模型的单位数据量的训练时长的差值进行确定。
28、与现有技术相比，本专利技术的有益效果在于，本专利技术所述方法通过设置预设第一错误量和预设第二错误量，在人脸亲属关系识别过程的平均错误量大于预设第二错误量时对第一对应映射特征长度进行确定，降低了由于亲属关系的映射建立的参照对象长度不足导致对人脸亲属关系识别的精准性的影响；在人脸亲属识别错误次数的增长量大于预设增长量时，对病毒攻击测试的病毒类型的数量进行确定，降低了由于病毒仿真类型过少导致新病毒入侵模型，进而导致对图神经网络模型的安全性的影响；在人脸亲属关系识别的亲属概率为零的用户数量占比大于预设第一占比且小于等于预设第二占比时，对第二对应映射特征长度进行确定，降低了由于标准映射特征长度过长导致对识别的全面性的影响，进一步实现了人脸亲属关系识别的精准性本文档来自技高网...
【技术保护点】
1.一种基于图神经网络的人脸亲属关系识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于图神经网络的人脸亲属关系识别方法，其特征在于，确定所述第一对应映射特征长度的步骤包括：
3.根据权利要求2所述的基于图神经网络的人脸亲属关系识别方法，其特征在于，所述第一对应映射特征长度通过所述人脸亲属关系识别过程的平均错误量与所述预设第二错误量的差值确定。
4.根据权利要求3所述的基于图神经网络的人脸亲属关系识别方法，其特征在于，所述人脸亲属关系识别过程的平均错误量的计算公式为：
5.根据权利要求4所述的基于图神经网络的人脸亲属关系识别方法，其特征在于，确定所述病毒攻击测试的病毒类型的数量的步骤包括：
6.根据权利要求5所述的基于图神经网络的人脸亲属关系识别方法，其特征在于，所述病毒攻击测试的病毒类型的数量通过所述人脸亲属识别错误次数的增长量与所述预设增长量的差值确定。
7.根据权利要求6所述的基于图神经网络的人脸亲属关系识别方法，其特征在于，确定第二对应映射特征长度的步骤包括：
8.根据权利要
9.根据权利要求8所述的基于图神经网络的人脸亲属关系识别方法，其特征在于，确定所述图神经网络模型的训练粒度的步骤包括：
10.根据权利要求9所述的基于图神经网络的人脸亲属关系识别方法，其特征在于，所述图神经网络模型的训练粒度通过所述预设时长与所述图神经网络模型的单位数据量的训练时长的差值进行确定。
...【技术特征摘要】
1.一种基于图神经网络的人脸亲属关系识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于图神经网络的人脸亲属关系识别方法，其特征在于，确定所述第一对应映射特征长度的步骤包括：
3.根据权利要求2所述的基于图神经网络的人脸亲属关系识别方法，其特征在于，所述第一对应映射特征长度通过所述人脸亲属关系识别过程的平均错误量与所述预设第二错误量的差值确定。
4.根据权利要求3所述的基于图神经网络的人脸亲属关系识别方法，其特征在于，所述人脸亲属关系识别过程的平均错误量的计算公式为：
5.根据权利要求4所述的基于图神经网络的人脸亲属关系识别方法，其特征在于，确定所述病毒攻击测试的病毒类型的数量的步骤包括：
6.根据权利要求5所述的基于图神经网络的人脸亲属关系识别方法，其特征在于...
【专利技术属性】
技术研发人员：刘戈杰，郝磊，郭志扬，
申请(专利权)人：上海栈略数据技术有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。