[發明專利]模型訓練方法、親屬關系分類方法、檢索方法及相關裝置

在審

• 申請號: 202110997750.0
• 申請日: 2021-08-27
• 公開（公告）號: CN113869366A
• 公開（公告）日: 2021-12-31
• 發明（設計）人: 陳海波;羅志鵬
• 申請（專利權）人: 深延科技（北京）有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 蘇州領躍知識產權代理有限公司 32370
• 代理人: 王寧

本申請提供模型訓練方法、親屬關系分類方法、檢索方法及相關裝置；模型訓練方法包括：獲取訓練集；獲取第一訓練圖像對應的第一特征向量和第二訓練圖像對應的第二特征向量；獲取第一訓練圖像對應的第三特征向量和第二訓練圖像對應的第四特征向量；將特征向量輸入拼接層，得到拼接信息；將拼接信息輸入全連接模塊，得預測信息；利用預測信息和標注信息，對預設深度神經網絡進行訓練，得到親屬關系分類模型。由于預測信息是采用兩個特征提取模塊的輸出結果拼接得到的，因此，所得到的預測信息的精度更高，利用該預測信息所訓練出的親屬關系分類模型在進行親屬關系分類或檢索時，精度也相應更高。

技術領域

本申請涉及深度學習及圖像處理技術領域，尤其涉及模型訓練方法、親屬關系分類方法、檢索方法及相關裝置。

背景技術

隨著寶貝回家等公益活動的開展，社會上對于丟失兒童的救助行動日益增多，這些丟失兒童的身份判定卻成了很大的問題。很迫切的需要一種便捷的方法來挽救這些破碎的家庭，為丟失的兒童尋到他們的親生父母。

判定親生關系的理論依據是孟德爾遺傳定律，通過鑒定雙方的DNA序列來判斷雙方是否有血緣關系。但是由于時間和空間的關系，并不能隨時隨地的做D NA檢測，而由于遺傳的原因，大多數人的相貌與自己的血親有相似之處，因此，通過照片來進行親屬關系驗證的可行性就變得很高，并且通過照片來進行親屬關系驗證相比于DNA序列進行驗證更加方便快捷。

在深度學習還沒有流行時，除了DNA親子鑒定，在《Like Father,Like So n:Facial Expression Dynamics for Kinship Verification》一文中還提到了通過動態面部表情來預測親屬關系的一種方法。該方法通過跟蹤landmark的運動軌跡，眼部，眉毛，臉頰與嘴唇的位移信息將會被記錄下來(嘴部三個階段的位移的平均值也將會被記錄下來)。接下來從多張相鄰的圖片中提取表情的動態信息以及空間信息和時序信息(提取CLBP紋理特征)，并把兩種信息分別用SVM訓練。通過訓練結果判斷二者是否為親屬關系。

隨著深度學習的流行，在《基于特征提取和度量學習的親屬關系認證算法研究》一文中使用了神經網絡來判斷親屬關系的方法，首先抽取臉部的關鍵區域，分別對每塊關鍵區域提取紋理和膚色特征,然后進行特征融合。最后引入度量學習，學習能使具有親屬關系樣本距離變小，而非親屬關系樣本距離變大的變換矩陣，并將提取的特征向量通過變換矩陣映射到度量空間，通過余弦相似函數計算相似度。其次，針對如何利用三個客體進行親屬關系認證，提出重構特征的局部鄰域排斥度量學習算法。即通過比較父母面部關鍵特征與子女面部關鍵特征之間的歐氏距離,選取歐式距離較小的關鍵特征作為子女面部關鍵特征的近似特征。從局部特征的角度入手，分別對各個關鍵特征進行度量學習，然后利用余弦相似函數求得每對樣本對應關鍵特征的相似度。再次，針對傳統的手工特征提取器難以提取高級抽象特征的問題,提出了一種深度卷積神經網絡End-to-End模型。通過將成對標記的訓練數據輸入網絡進行迭代優化，卷積層能夠提取親子圖像對的隱性特征，全連接層可以將提取的隱性特征映射為親屬關系認證的二分類問題， soft-max分類層能夠直接判斷該對樣本是否具有親屬關系。

然而，現有技術中，利用圖像進行親子關系的判斷準確率仍然較低。

發明內容

基于上述研究背景和問題，本申請采用了基于深度學習的圖像分類方法，設計出一種準確率更高的親子關系驗證的方法，在實際的應用環境中，通過一對面部圖像判斷孩子是否與父親或母親具有親屬關系，進行自動親屬關系一對一視圖識別，以此進行親子關系判斷時準確度較高。

本申請的目的在于提供模型訓練方法、親屬關系分類方法、檢索方法及相關裝置，解決現有技術中利用圖像進行親子關系的判斷準確率仍然較低的問題。

本申請的目的采用以下技術方案實現：