一种基于深度学习的亲子关系验证算法的制作方法

1.本发明涉及血缘检测，具体涉及一种基于深度学习的亲子关系验证算法。


背景技术：

2.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。
3.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。
4.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。


技术实现要素：

5.(一)解决的技术问题
6.针对现有技术所存在的上述缺点，本发明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。
7.(二)技术方案
8.为实现以上目的，本发明通过以下技术方案予以实现：
9.一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。
10.优选地，所述对深度神经网络模型进行模型训练，包括：
11.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；
12.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；
13.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。
14.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：
15.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；
16.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；
17.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。
18.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。
19.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：
20.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。
21.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：
22.对输入的人脸图像进行处理，得到对应的灰度图像；
23.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；
24.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。
25.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：
26.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；
27.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；
28.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。
29.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：
30.假设父亲、母亲、孩子的人脸图像对应深度特征为(xf，xm，xc)，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’)；
31.其中，x
f’＝f(xf)，x
m’＝f(xm)，x
c’＝f(xc)。
32.优选地，所述血缘度量映射函数f满足如下条件：
33.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；
34.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。
35.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：
36.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’)。
37.(三)有益效果
38.与现有技术相比，本发明所提供的一种基于深度学习的亲子关系验证算法，能够利用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，从而能够通过人脸图像对儿童进行亲子关系验证，使得利用大数据就帮助走失儿童回到原来的家庭成为了可能。
附图说明
39.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
40.图1为本发明的流程示意图。
具体实施方式
41.为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，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作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
42.一种基于深度学习的亲子关系验证算法，如图1所示，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。
43.其中，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：
44.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；
45.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；
46.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。
47.①
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：
48.假设父亲、母亲、孩子的人脸图像对应深度特征为(xf，xm，xc)，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’)；
49.其中，x
f’＝f(xf)，x
m’＝f(xm)，x
c’＝f(xc)。
50.②
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：
51.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’)。
52.本技术技术方案中，血缘度量映射函数f满足如下条件：a、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；b、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。这样能够保证在新的特征空间中，三元组特征向量可以更好地表征血缘关系，确保基于血缘关系相似度得分判断的血缘关系具有较高的准确性。
53.本技术技术方案中，对深度神经网络模型进行模型训练，包括：
54.对输入的样本人脸图像分别提取预设的多个浅层特征(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)，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；
55.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；
56.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。
57.其中，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：
58.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；
59.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；
60.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。
61.本技术技术方案中，在对深度神经网络模型进行模型训练的过程中，由于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，因此能够有效降低输出图像特征的冗余性。
62.本技术技术方案中，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：
63.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。
64.其中，对输入的人脸图像进行tt特征提取，得到tt特征图像，包括：
65.对输入的人脸图像进行处理，得到对应的灰度图像；
66.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；
67.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。
68.本技术技术方案中，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的过程中，先对输入的人脸图像进行tt特征提取，得到tt特征图像，并对tt特征图像进行深度特征提取，能够有效避免外接光照因素对深度特征提取的影响，确保能够从人脸图像上准确提取深度特征。
69.以上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，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不会使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。