基于鲁棒相似性学习的人脸血缘关系识别研究

Kinship verification using face images instead of human DNA testing is a challenging research topic in biometrics, which has important application in person identification and social network of internet. Currently, a main difficulty of the kinship verification is that, some people without any kin relationship may have higher similarity score than that of the people with kin relationship. This work aims to study a robust kinship similarity learning method based on the distance similarity learning theory，it researches on: 1)a feature coding scheme for kin face is studied based on the sparse coding theory, which models the micro-structure of the face image as well as the multi-scale information, and hence achieves a good balance between discrimination and robustness.2)a robust kinship similarity metric model is studied based on the similarity learning theory and our proposed slack rule of average similarity, by substantially exploiting the effective information and different importance among training examples, and integrating the prior knowledge of "higher facial similarity without any kinship" phenomenon, with the aim of overcoming the limitation of the previous metric learning based kinship verification methods. 3) a system prototype of kinship verification is developed to evaluate the effectiveness and efficiency of our proposed similarity metric model.

使用人脸照片替代传统的DNA检测实现血缘关系识别，是生物特征识别领域具有挑战性的研究课题，在身份识别与互联网社交网络等领域具有重要的应用。然而现实存在的“无血缘人脸高相似”现象，易导致不具有血缘关系的人脸图像对被错误分类。本项目围绕鲁棒的人脸血缘相似性学习展开研究，主要研究工作包括：1）研究一种人脸血缘特征表示方法。它基于稀疏学习理论，综合考虑人脸图像的微结构信息和多尺度信息，同时兼顾人脸血缘特征的判别力与鲁棒性。2）研究一种鲁棒的人脸血缘相似性度量模型。在相似性学习理论框架下，充分考虑训练样本之间的有效信息和重要性差异，显式地集成“无血缘人脸高相似” 现象的先验知识，进而提出基于平均相似度的松弛约束模型，克服当前的人脸血缘关系度量模型的不足与缺陷。3）设计和开发一个人脸血缘关系识别的原型系统，对项目提出的相似性度量模型的识别性能与计算效率进行测试和评估。

课题组三年以来，坚持不懈地围绕着人脸血缘关系识别这个研究方向开展科学研究工作，取得了一系列重要的研究成果。（1）课题组提出通过提取人脸多种不同的特征表示充分挖掘和利用多视数据的互补信息，在多视特征空间中联合学习多个语义一致的距离测度，从而有效度量血缘关系成员的内在相似性。（2）针对距离测度学习对模型的假设或约束过于严格，导致模型学习的不确定性增加，从而降低了度量模型的鲁棒性这个问题。项目组基于相似性学习的理论框架，结合人脸血缘相似性的先验知识，提出了学习一个能够有效度量人脸血缘特征的在线相似性学习度量模型。这一研究方案在实验中被证明是可行且有效的，它显著地提升了当前的血缘识别性能，为该领域研究提供了一种全新的思路。（3）在深度测度学习框架下，提出两段流神经网络联合学习双亲-孩子照片对的深度嵌入空间表示。实验结果表明，深度度量学习模型有助于提升无约束环境下的人脸血缘关系识别性能，显著提高了判别人脸遗传相似性度量的鲁棒性。（4）设计和实现了一个人脸血缘关系识别原型系统，并对课题组提出的相似性度量模型的识别性能与计算效率进行了测试和评估。