1.一种基于判别样本元挖掘器的亲属关系验证方法,其特征在于，包括：
根据第一正负样本比例获取第一正负样本对图像；
根据所述第一正负样本对图像对亲属关系模型执行一次虚拟更新得到更新后的候选亲属关系模型；
使用第二正负样本比例获取第二正负样本对图像；
根据所述第二正负样本对图像对更新所述元挖掘网络的网络参数，得到目标元挖掘网络；
将所述第一正负样本对图像中的每对正负样本对图像输入所述目标元挖掘网络，获取所述每对正负样本对图像的样本权重；
根据所述样本权重训练所述候选亲属关系模型得到目标亲属关系模型，以便于根据所述目标亲属关系模型识别图像之间的亲属关系。
2.如权利要求1所述的方法，其特征在于，所述根据第一正负样本比例获取第一正负样本对图像，包括：
从n个正样本对和n(n-1)个负样本中采样得到一个正负比例为1：c的批数据，令正样本对数目为m，得到(1+c)m对所述第一正负样本对图像。
3.如权利要求1所述的方法，其特征在于，所述根据所述第一正负样本对图像对亲属关系模型执行一次虚拟更新得到更新后的候选亲属关系模型，包括：
根据损失函数和所述第一正负样本对图像计算所述亲属关系模型的损失值，其中，所述损失函数为：
其中strn，p和strn，n分别表示所述第一正负样本对图像中的正样本对和负样本对,c表示所述第一正负样本对图像中负样本对正样本数目的比例，函数g()表示判别样本元挖掘器网络，函数f()表示亲属关系网络，φ表达神经网络g的网络参数，θ表示神经网络f的网络参数，t表示迭代次数；
使用随机梯度下降算法和所述损失函数的损失值对亲属关系模型执行一次虚拟更新得到更新后的候选亲属关系模型，其中，
所述随机梯度下降算法为：
其中，α表示该步骤的学习率，t表示迭代次数，φ表达神经网络g的网络参数，θ表示神经网络f的网络参数。
4.如权利要求1所述的方法，其特征在于，所述根据所述第二正负样本对图像对更新所述元挖掘网络的网络参数，得到目标元挖掘网络，包括：
根据损失函数和所述第二正负样本对图像计算所述元挖掘网络的损失值，其中，所述损失函数为：
其中，smeta，p和smeta，n分别表示所述第二正负样本对图像中的正样本对和负样本对；
使用随机梯度下降的算法更新所述元挖掘网络的网络参数，得到目标元挖掘网络，其中，所述随机梯度下降的算法为：
其中，β表示该步骤的学习率，t表示迭代次数，φ表达神经网络g的网络参数，θ表示神经网络f的网络参数。
5.如权利要求1所述的方法，其特征在于，所述样本权重形式化为：
其中，函数g()表示判别样本元挖掘器网络，该公式表示了如何计算样本对s的权重w，故而
6.如权利要求1所述的方法，其特征在于，所述根据所述样本权重训练所述候选亲属关系模型得到目标亲属关系模型，包括：
根据损失函数和所述样本权重计算所述候选亲属关系模型的损失值，其中，所述损失函数为：
进一步的，使用随机梯度下降算法来更新所述候选亲属关系模型得到目标亲属关系模型，其中，所述随机梯度下降算法为：
其中，γ为该步骤的学习率，c表示所述第一正负样本对图像中负样本对正样本数目的比例，
7.一种基于判别样本元挖掘器的亲属关系验证装置,其特征在于，包括：
第一获取模块，用于根据第一正负样本比例获取第一正负样本对图像；
第一更新模块，用于根据所述第一正负样本对图像对亲属关系模型执行一次虚拟更新得到更新后的候选亲属关系模型
第二获取模块，用于使用第二正负样本比例获取第二正负样本对图像；
第二更新模块，用于根据所述第二正负样本对图像对更新所述元挖掘网络的网络参数，得到目标元挖掘网络；
第三获取模块，用于将所述第一正负样本对图像中的每对正负样本对图像输入所述目标元挖掘网络，获取所述每对正负样本对图像的样本权重；
训练模块，用于根据所述样本权重训练所述候选亲属关系模型得到目标亲属关系模型，以便于根据所述目标亲属关系模型识别图像之间的亲属关系。
8.一种计算机设备，其特征在于，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现如权利要求1-6中任一所述的方法。
9.一种非临时性计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-6中任一所述的方法。
10.一种计算机程序产品，其特征在于，当所述计算机程序产品中的指令由处理器执行时，实现如权利要求1-6中任一所述的方法。