基于人脸图像的多种血缘关系统一验证框架

The goal of kinship verification is to determine whether given query images have a parent-child relationship. An effective method is to learn a distance metric under which the distances between the images with kin relationship are small and those between the images without kin relationship are big, simultaneously. Prior studies in the literature have focused solely on a given small and gender-fixed kin relation, i.e., on the question of whether one gender-fixed kin relationship between given subjects can be established, which cannot provide a unified framework for kinship verification. This project studies how to use the relationship between various types of kinship verification tasks to support a higher level of cognitive calculations. Concretely, the project focuses on: 1) proposing a novel metric learning method based on multi-task by analyzing the potential factors affecting kin data generation and characterizing the relationship between various types of kinship verification tasks, to improve the distance metric’s abstraction degree; 2) developing a new learning method for enhancing the adaptability power of distance metric through reserving those acquired knowledge and learning new knowledge from new relationship and new data simultaneously, to improve the intelligent learning system’s adaptability in complex environment. The purpose of this project is to provide a new research scheme and theoretical model for the intelligent learning system to understand small samples, which is the basic problem in the field of pattern recognition. The project will play a positive role in that provides a unified verification framework for kinship verification and makes a theoretical contribution to the solution of the related basic problems.

人脸血缘关系验证的目标是判断给定人脸图像是否具有父母-子女关系，一个有效的方法是学习一个距离度量。针对已有距离度量学习方法仅处理某种给定的小样本血缘关系数据而缺少统一处理框架的问题，本项目研究如何利用多种不同种类的血缘关系验证任务间的关系信息，以支持更高级别的认知计算。本项目侧重：1）通过分析影响血缘关系数据生成的潜在因素，并刻画不同种类的血缘关系验证任务间的关系，以提高距离度量学习的抽象概念全面化为目标，提出新的基于多任务的距离度量学习方法；2）通过在保留已学知识的同时，从新关系、新样本中学习新知识，并以提高学习系统在复杂现实环境中的适应力为目标，提出新的增强距离度量学习适应性的学习方法。本项目的开展旨在为智能学习系统理解标号数据不充分这一模式识别中的基本问题提供新的研究方案和理论模型，在为血缘关系验证问题提供统一验证框架的同时，有助于在基础理论方面有所贡献。

基于人脸的血缘关系验证广泛存在于众多现实应用中，如可被用于标记人脸图像，提高人脸识别的精度，分析社交媒体，寻找失踪儿童等。围绕项目的研究内容，项目组面向人脸血缘关系验证的距离度量学习进行了深入研究，取得了系列研究成果：(1)已有距离度量学习方法大多假设血缘数据来自于单峰分布，忽略了血缘关系主体对象间相似度同时受外部取像环境和内部基因多样性变化的双重影响。针对此问题，提出一个基于统计推演的非线性多距离度量学习方法，采用引入统计推演，并在概率模型下构建损失函数的策略，达到更好地刻画数据的似然以描述血缘关系人脸的外观相似度分布的目的。(2)具有不同年龄跨度的血缘关系主体对象易在人脸上表现出不同程度的相似性。针对此问题，提出一种能感知年龄跨度的基于多任务框架的距离度量学习方法。在两个血缘关系人脸图像数据库上的实验结果表明，年龄跨度感知的多任务距离度量学习方法具有较高的验证性能。(3)人脸图像较易受到诸如光照和姿态变化等噪声的影响。针对此问题，提出一种基于支持向量数据描述模型的距离度量学习方法。实验表明，所提方法在噪声比例不断增加的情况下，更具鲁棒性。(4)现实生活中除了血缘关系外还存在其它多种社会关系。针对此问题，将血缘关系验证任务推广至更一般的社会关系分类问题，并提出两种不同的社会关系上下文特征以提取图像中蕴含的细粒度判别信息。基于项目取得的一系列成果，项目组共发表4篇SCI期刊论文，待发表1篇期刊论文。另外，还出版一本学术专著，申请并获批1项软件著作权。