基于人脸生物特征的直系亲属关系识别方法及系统的制作方法
基于人脸生物特征的直系亲属关系识别方法及系统的制作方法
【技术领域】
[0001] 本发明设及图像识别技术领域，特别设及基于人脸生物特征的直系亲属关系识别 方法及系统。
【背景技术】
[0002] 生物学家发现人脸图像是判断两个人是否有直系亲属关系的重要因素，伴随着一 些诸如失踪儿童找回、儿童领养、寻找模仿者等应用需求的增长，根据人脸判断两人是否有 直系亲属关系获得了越来越多人的关注。一些传统的方法是首先提取人脸的多种低层次特 征，然后通过复杂的融合方式将多种低层次特征进行融合，最后送入分类器中进行分类判 断。然而运些手工设计的低层次特征表达，无法很好的表达出人脸中蕴含的直系亲属关系 信息。此外，传统方法没有考虑人脸关键点W及局部区域的相似度对亲属识别的重要性，因 此不利于实现亲属识别。
[0003] 因而现有技术还有待改进和提高。
【发明内容】
[0004] 本发明要解决的技术问题在于，针对现有技术的不足，提供基于人脸生物特征的 直系亲属关系识别方法及系统，W解决现有亲属识别方法中没有考虑人脸关键点W及局部 区域的相似度对亲属识别的重要性，而无法准确识别直系亲属关系的问题。
[000引为了解决上述技术问题，本发明所采用的技术方案如下： 基于人脸生物特征的直系亲属关系识别方法，其包括： A、 对于终端采集的图片进行人脸检测得到人脸图像； B、 提取人脸图像中的局部二值模式及其变种中屯、对称局部二值模式的特征向量，并根 据所述特征向量学习比较所述人脸图像与目标人脸之间的相似性程度； C、 基于生物激励特征对人脸图像的性别W及年龄进行识别； D、 根据所述性别、年龄W及相似程度识别出所述人脸图像与目标人脸的直系亲属关 系。
[0006] 所述基于人脸生物特征的直系亲属关系识别方法，其中，所述步骤A中人脸检测采 用基于积分图W及AdaBoost算法的级联分类器对移动终端采集的图片进行人脸检测，其包 括： A1、构建由人脸图像组成的图像样本库，提取图片的化rr-like特征，并将所述化rr-like特征采用积分图法进行特征数值的计算； A2、采用Adaboost算法选取人脸的矩形特征形成弱分类器，将所述弱分类器采用加权 投票的方法构造为一个强分类器 A3、将训练得到的若干强分类器串联组成一个级联结构的层叠分类器，对所述人脸图 像进行检测。
[0007] 所述基于人脸生物特征的直系亲属关系识别方法，其中，所述步骤B具体为： Bl、提取人脸图像的局部二值模式及变种中屯、对称局部二值模式特征向量； B2、采用主分量分析法对所述特征向量进行降维处理； B3、在降维后的特征向量空间中，采用马氏距离和双线性相似性函数相结合的度量方 式对两个特征向量进行相似性度量学习比较，得到所述人脸图像与目标人脸的距离。
[0008] 所述基于人脸生物特征的直系亲属关系识别方法，其中，所述马氏距离和双线性 相似性函数相结合的度量方式为：
其中，礙數辕为马氏距离，馬;《;为双线性相似函数，M，G分别为参数矩阵。
[0009] 所述基于人脸生物特征的直系亲属关系识别方法，其中，所述步骤C中基于生物激 励特征对人脸图像的性别进行识别为采用基于生物激励特征的支持向量机分类器对人脸 图像的性别进行识别，所述基于生物激励特征的支持向量机分类器包括： 51、 将所述人脸图像根据双眼位置进行对齐，然后利用Gabor滤波器提取人脸图片的 Gabor图谱； 52、 对所述Gabor图谱进行取最大值Max操作和取标准差值Std操作得到生物激励特征； 53、 根据提取的生物激励特征，利用多分类Adaboost级联算法对生物激励特征向量进 行维度处理； 54、 在降维后的特征空间中，训练出用于性别识别的二分类支持向量机分离器。
[0010] 所述基于人脸生物特征的直系亲属关系识别方法，其中，所述步骤C中基于生物激 励特征对人脸图像的年龄进行识别为采用基于生物激励特征的支持向量机和支持向量回 归混合树形分类器对人脸图像的年龄进行识别，所述基于生物激励特征的支持向量机和支 持向量回归混合树形分类器包括： H1、将所述人脸图像根据双眼位置进行对齐，利用Gabor滤波器提取人脸图片的Gabor 图谱； 肥、对所述Gabor图谱进行取最大值Max操作和取标准差值Std操作得到生物激励特征； H3、根据提取的生物激励特征，利用多分类Adaboost级联算法对生物激励特征向量进 行维度处理； H4、在降维后的特征空间中，W支持向量机和支持向量回归为节点构造树形分类器。
[0011] 基于人脸生物特征的直系亲属关系识别系统，其包括： 检测模块，用于对于终端采集的图片进行人脸检测得到人脸图像； 提取模块，用于提取人脸图像中的局部二值模式及其变种中屯、对称局部二值模式的特 征向量，并根据所述特征向量学习比较所述人脸图像与目标人脸之间的相似性程度； 识别模块，用于基于生物激励特征对人脸图像的性别W及年龄进行识别； 确定模块，用于根据所述性别、年龄W及相似程度识别出所述人脸图像与目标人脸的 直系萊属关系。
[0012] 所述基于人脸生物特征的直系亲属关系识别系统，其中，所述检测模块还用于采 用基于积分图W及AdaBoost算法的级联分类器对移动终端采集的图片进行人脸检测。
[0013] 所述基于人脸生物特征的直系亲属关系识别系统，其中，所述基于生物激励特征 对人脸图像的性别进行识别为采用基于生物激励特征的支持向量机分类器对人脸图像的 性别进行识别。
[0014] 所述基于人脸生物特征的直系亲属关系识别系统，其中，基于生物激励特征对人 脸图像的年龄进行识别为采用基于生物激励特征的支持向量机和支持向量回归混合树形 分类器对人脸图像的年龄进行识别。
[0015] 有益效果：与现有技术相比，本发明所提基于人脸生物特征的直系亲属关系识别 方法及系统，对于终端采集的图片进行人脸检测得到人脸图像;提取人脸图像中的局部二 值模式及其变种中屯、对称局部二值模式的特征向量，并根据所述特征向量学习比较所述人 脸图像与目标人脸之间的相似性程度;基于生物激励特征对人脸图像的性别W及年龄进行 识别;根据所述性别、年龄W及相似程度识别出所述人脸图像与目标人脸的直系亲属关系。 其避免了使用复杂的手工标注特征W及特征融合过程，能够提取到高水平的亲属关系特 征;并且该方法考虑了人脸关键点W及人脸局部区域相似度对亲属关系识别的影响，分别 对人脸局部二值模式及其变种中屯、对称局部二值模式的特征进行学习，具有更强的亲属关 系识别能力。同时，对人脸图像的性别与年龄进行识别，进一步确定直系亲属之间的关系。
【附图说明】
[0016] 图1为本发明基于人脸生物特征的直系亲属关系识别方法较佳实施例的流程图。
[0017] 图2为本发明提供相似程度识别方法较佳实施例的流程图。
[0018] 图3为本发明提供性别识别方法较佳实施例的流程图。
[0019] 图4为本发明提供年龄识别方法较佳实施例的流程图 。
[0020] 图5为本发明基于人脸生物特征的直系亲属关系识别系统的结构原理图。
【具体实施方式】
[0021] 本发明提供基于人脸生物特征的直系亲属关系识别方法及系统，为使本发明的目 的、技术方案及效果更加清楚、明确，W下参照附图并举实施例对本发明进一步详细说明。 应当理解，此处所描述的具体实施例仅用W解释本发明，并不用于限定本发明。
[0022] 对本发明设及到的技术用语进行说明。"Gabor算法"属于加窗傅立叶变换，可W在 频域不同尺度、不同方向上提取相关的特征，因为Gabor函数与人眼的生物作用相仿，所W 经常用作纹理识别。PCA(P;rincipal Component Analysis)为主分量分析，其是一种掌握事 物主要矛盾的统计分析函数，它可W从多元事物中解析出主要影响因素，掲示事物的本质， 简化复杂的问题。BIF(Biology-Inspired Features)生物激励特征；SVM(Suppo;rt Vector Machine)支持向量机；SVR(Suppo;rt Vector Regression)支持向量回归；"Adaboost算法" 为决策树算法，一种迭代算法，其核屯、思想是针对同一个训练集训练不同的分类器，然后把 运些弱分类器集合起来，构成一个更强的最终分类器。LBP化ocal Binary化ttern)局部二 值模式;变种中屯、对称局部二值模式；SMUSimilarity Metric Learning)相似性度量学 习。
[0023] 下面结合附图，通过对实施例的描述，对
【发明内容】
作进一步说明。
[0024] 请参见图1，图1为本发明基于人脸生物特征的直系亲属关系识别方法较佳实施例 的流程图。所述方法包括： 基于人脸生物特征的直系亲属关系识别方法，其包括： S100、对于终端采集的图片进行人脸检测得到人脸图像。
[0025] 具体地，所述终端采集的可W是终端通过摄像头等拍照设备拍摄的照片，其也可 W是终端存储的图片或者照片，其还可W是终端通过无线或有线通信从其他终端设备获取 的图片等。所述图片中可W包含一个人脸也可W包括多个人脸，每个人脸的处理过程是一 样的，运里W图片包含一个人脸为例进行说明。
[0026] 进一步，当终端采集到图片后，对图片上进行人脸检测得到图片中的人脸图像。其 可W采用采用基于积分图W及AdaBoost算法的级联分类器对移动终端采集的图片进行人 脸检测，其具体可W包括:构建由人脸图像组成的图像样本库，通过做直方图均衡化并归一 化为24 X 24大小；提取图片的化rr-1化6特征，并将所述化rr-1化6特征采用积分图法进行 特征数值的计算;采用Adaboost算法选取人脸的矩形特征形成弱分类器，将所述弱分类器 采用加权投票的方法构造为一个强分类器;将训练得到的若干强分类器串联组成一个级联 结构的层叠分类器，对所述人脸图像进行检测。在实际应用中，所述Harr-like特征用于反 应图像局部的灰度变化，在本实施例中，所述化ar-1化e特征可W包括:边缘特征、线特征 和中屯、特征等。
[0027] 进一步，当识别出移动终端采集的图片中的人脸图像后，可W将所述图像中的人 脸图像剪切出来，形成一个人脸图像图片。当人脸检测过程中没有检测到人脸图像时，终端 将对用户进行提示，并结束本次操作。
[0028] S200、提取人脸图像中的局部二值模式及其变种中屯、对称局部二值模式的特征向 量，并根据所述特征向量学习比较所述人脸图像与目标人脸之间的相似性程度。
[0029] 具体地，当检测到图片中的人脸并剪切成人脸图像后，对人脸图像与目标人脸的 相似性程度进行识别。也就是说，判断人脸图像与目标人脸之间的相似程度从而判断两者 的亲属关系，其通过分类器判断并输出相似性程度W及是否为亲属关系。所述目标人脸为 用户预先设置的用于判断是否与所述人脸图像具有亲属关系的人脸图像。所述目标人脸可 W是性别、年龄W及生物特征可W是预先知道的，可W是通过与所述人脸图像进行相应操 作得到，运里不做具体限制。
[0030] 进一步，所述人脸图像与目标人脸之间的相似性程度的确定过程可W包括如下步 骤，如图2所示， S201、提取人脸图像的局部二值模式化BP，Local Binary化ttern)及变种中屯、对称局 部二值模式特征向量(CS-LBP，Cente;r-Symmet;ric Local Binaiy F*atte;rn)。
[0031 ] S202、采用主分量分析法(PCAJrincipal Component Analysis)对所述特征向量 进行降维处理。
[0032] 具体地，在本实施例中，所述PCA是人脸局部特征提取和数据降维的一个标准处理 方法，其可W采用换W蟲-?，k= 1，2，3.......N的PCA算法对人脸局部特征进行降维； 其中，投影矩阵
用于使得投影后的人脸局部特征的总 体散度矩阵增大。
[0033] S203、在降维后的特征向量空间中，采用马氏距离和双线性相似性函数相结合的 度量方式对两个特征向量进行相似性度量学习比较，得到所述人脸图像与目标人脸的距 离。
[0034] 具体地，所述采用马氏距离和双线性相似性函数相结合的度量方式为
其中，所述礙稳为马氏距离，其定义为：
所述礙fc嫁为双线性相似性函数，其定义为：
M，G分别为两种度量方式中的参数矩阵。
[0035] 通过训练样本学习度量函数中的M，G参数矩阵。设损失函数为
其中，聚皆为两个人脸特征向量的标签。
[0036] 从而，通过求解一下优化问题
可W得到度量矩阵M，G，从而能够得到距离度量函数，用来比较两幅人脸图片特征向量 之间的距离。
[0037] S300、基于生物激励特征对人脸图像的性别W及年龄进行识别。
[0038] 具体地，基于生物激励特征对人脸图像的性别其采用基于生物激励特征 (Biology-Inspired Fea^resiBIFO的支持向量机（SVM，Suppo;rt Vector Machine)分类器 对人脸图像的性别进行识别。在实施例中，所述基于生物激励特征的支持向量机分类器其 可W通过如下步骤得到，如图3所示， S10、将所述人脸图像根据双眼位置进行对齐，然后利用Gabor滤波器提取人脸图片的 Gabor图谱。
[0039] S20、对所述Gabor图谱进行Max和Std操作得到生物激励特征。
[0040] 具体地，对所述Gabor图谱进行取最大值Max和取标准差Std操作得到生物激励特 征。在实际应用中，所述取最大值Max操作可W采用如下过程:将得到的Gabor图谱中相邻尺 度的特征图谱Gaborl，Gabor2进行取最大值合并，即 GaborMaxQ,j)=max(Gaborl(I,j),Gabor2(I,j))。
[0041 ] 所述取标准差Std操作为对Max操作处理后的Gabo r每个图谱进行非重叠分块，计 算每个分块内的标准差作为特征向量的一个维度，运里不做具体限制，仅给出一例子加 W 说明，如，对于上述Max操作中得到的结果GaborMax，进行4 X 4分块，计算标准差，所有分块 的标准差连接得到GaborStd的特征向量。将所有的图谱进行分块、取最大值和标准差得到 的结果串联，即可得到生物激励特征。
[0042] S30、根据提取的生物激励特征，利用多分类Adaboost级联算法对生物激励特征向 量进行维度处理。
[0043] 具体地，分类训练数据中第i张人脸图片的多尺度线性差分特征为獲，训练数据中 共有m张人脸图片，经过特征选择后的特征维度为d。特征选择算法的过程如下： S31、每个训练样本的初始权重为心:; 532、 针对特征向量的每一个维度，训练一个决策树，作为弱分类器^的;>; 533、 计算误i
，选出误差最小时对应的维度j，作为特征选择 的一个维度； 534、 重复步骤S32、S33直到选出的特征维度数为d。
[0044] S40、在降维后的特征空间中，训练出用于性别识别的二分类支持向量机分类器。
[004引具体地，所述SVM是一种二类分类模型，其基本模型定义为特征空间上的间隔最大 的线性分类器，即支持向量机的学习策略便是间隔最大化，最终可转化为一个凸二次规划 问题的求解。所述凸二次规划问题为：
约束条件为：
[0046] 对于凸二次规划问题通过拉格朗日乘子法，可得：
再对拉格朗日对偶函数的优化求解，可W得到最大间隔分类界面。
[0047] 进一步，所述基于生物激励特征对人脸图像年龄进行识别其为基于生物激励特征 (Biology-Inspired Fea^resJIF·)特征的支持向量机（Suppo;rt Vector Machine,SVM)和 支持向量回归（Suppod Vector Regression，SVR)混合树形分类器对年龄进行识别。在实 施例中，基于生物激励特征的支持向量机和支持向量回归混合树形分类器包括，如图4所 示， H10、将所述人脸图像根据双眼位置进行对齐，利用Gabor滤波器提取人脸图片的Gabor 图谱。
[004引肥0、对所述Gabor图谱进行Max和Std操作得到生物激励特征。
[0049] 具体地，所述Max和Std操作与性别识别中的Max和Std操作可W采用相同的方法和 过程，运里就不在寶述。
[0050] 册0、根据提取的生物激励特征，利用多分类Adaboost级联算法对生物激励特征向 量进行维度处理。
[0051] 具体地，利用多分类Adaboost级联算法在BIF特征向量的基础上进行特征选择，选 择出包含较多年龄信息的特征分量，降低特征向量的维度。其多分类Adaboost级联算法在 步骤S300已经详细说明，运里不再寶述。
[0052] H40、在降维后的特征空间中，W支持向量机和支持向量回归为节点构造树形分类 器。
[0053] 具体地，所述支持向量机已经在步骤S300详细说明，运里不再寶述。对于支持向量 回归模型，其分为线性回归和非线性回归。所述线性回归使用线性回归函数：
估计训练样本
[0054] 为了更好的估计，确保线性回归函数的平坦，必须找到最小的W。为了达到运个目 的，采用欧几里得范数限制W的大小。假设存在线性回归函数f在S精度上能够估计所有训练 样本，那么该回归问题可W转化为凸优化问题：
其中，i義^~喊|^不为零对应的训练样本即是支持向量。
[0055] 对于非线性回归，其基本思想就是通过某个映射函数将样本投影到高维空间中， 然后再进行线性回归分析。在本发明中，使用基于RBF核的非线性支持向量回归作为分类器 模型。
[0056] S400、根据所述性别、年龄W及相似程度识别出所述人脸图像与目标人脸的直系 萊属关系。
[0057] 具体地，根据人脸识别的相似性，判断图片中的人脸是否为目标人脸的亲属;根据 性别识别的结果，估计人脸的男女性别，从而判断该人脸图片是目标人脸的男性亲属还是 女性亲属;根据年龄估计的结果，估计人脸的年龄，从而通过该人脸图片与目标人脸之间的 年龄差距判断该人脸是目标人物的父母、兄弟姐妹还是子女。
[0058] 本发明还提供了一种基于人脸生物特征的直系亲属关系识别系统，如图5所示，其 包括： 检测模块100,用于对终端采集的图片进行人脸检测得到人脸图像； 提取模块200,用于提取人脸图像中的局部二值模式及其变种中屯、对称局部二值模式 的特征向量，并根据所述特征向量学习比较所述人脸图像与目标人脸之间的相似性程度； 识别模块300，用于基于生物激励特征对人脸图像的性别W及年龄进行识别； 确定模块400，用于根据所述性别、年龄W及相似程度识别出所述人脸图像与目标人脸 的直系亲属关系。
[0059] 所述基于人脸生物特征的直系亲属关系识别系统，其中，所述检测模块还用于采 用基于积分图W及AdaBoost算法的级联分类器对移动终端采集的图片进行人脸检测。
[0060] 所述基于人脸生物特征的直系亲属关系识别系统，其中，所述基于生物激励特征 对人脸图像的性别进行识别为采用基于生物激励特征的支持向量机分类器对人脸图像的 性别进行识别。
[0061] 所述基于人脸生物特征的直系亲属关系识别系统，其中，基于生物激励特征对人 脸图像的年龄进行识别为采用基于生物激励特征的支持向量机和支持向量回归混合树形 分类器对人脸图像的年龄进行识别。
[0062] 本领域的技术人员可W清楚地了解到上述实施例方法及系统可借助软件加必需 的通用硬件平台的方式来实现，当然也可W通过硬件，但很多情况下前者是更佳的实施方 式。基于运样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可 软件产品的形式体现出来，该计算机软件产品存储在一个存储介质（如R0M/RAM、磁碟、光 盘）中，包括若干指令用W使得一台终端设备(可W是手机，计算机，服务器，空调器，或者网 络设备等）执行本发明各个实施例所述的方法。
[0063] 因而，本发明还提供了一种基于人脸生物特征的直系亲属关系识别装置其包括： 处理器； 用于存储处理器可执行指令的存储器； 其中，所述处理器被配置为： 对于终端采集的图片进行人脸检测得到人脸图像； 提取人脸图像中的局部二值模式及其变种中屯、对称局部二值模式的特征向量，并根据 所述特征向量学习比较所述人脸图像与目标人脸之间的相似性程度； 基于生物激励特征对人脸图像的性别W及年龄进行识别； 根据所述性别、年龄W及相似程度识别出所述人脸图像与目标人脸的直系亲属关系。
[0064] 所述存储器被配置为存储各种类型的数据W支持在设备的操作。运些数据的示例 包括用于在装置上操作的任何应用程序或方法的命令，联系人数据，电话簿数据，消息，图 片，视频等。存储器可W由任何类型的易失性或非易失性存储设备或者它们的组合实现，如 静态随机存取存储器(SR AM),电可擦除可编程只读存储器化EPROM)，可擦除可编程只读存 储器巧PROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或 光盘。
[0065] 在示例性实施例中，装置可W被一个或多个应用专用集成电路(ASIC)、数字信号 处理器（DSP)、数字信号处理设备（DSPD)、可编程逻辑器件（PLD)、现场可编程口阵列 (FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
[0066] 在示例性实施例中，还提供了一种包括命令的非临时性计算机可读存储介质，例 如包括命令的存储器，上述命令可由装置的处理器执行W完成上述方法。例如，所述非临时 性计算机可读存储介质可W是ROM、随机存取存储器(RAM) XD-R0M、磁带、软盘和光数据存 储设备等。
[0067] 本领域技术人员在考虑说明书及实践运里公开的公开后，将容易想到本公开的其 它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，运些变型、用途或 者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识 或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的 权利要求指出。
[0068] 可W理解的是，对本领域普通技术人员来说，可W根据本发明的技术方案及其发 明构思加 W等同替换或改变，而所有运些改变或替换都应属于本发明所附的权利要求的保 护范围。
【主权项】
1. 基于人脸生物特征的直系亲属关系识别方法，其特征在于，其包括： A、 对于终端采集的图片进行人脸检测得到人脸图像； B、 提取人脸图像中的局部二值模式及其变种中心对称局部二值模式的特征向量，并根 据所述特征向量学习比较所述人脸图像与目标人脸之间的相似性程度； C、 基于生物激励特征对人脸图像的性别以及年龄进行识别； D、 根据所述性别、年龄以及相似程度识别出所述人脸图像与目标人脸的直系亲属关 系。2. 根据权利要求1所述基于人脸生物特征的直系亲属关系识别方法，其特征在于，所述 步骤A中人脸检测采用基于积分图以及AdaBoost算法的级联分类器对移动终端采集的图片 进行人脸检测，其包括： A1、构建由人脸图像组成的图像样本库，提取图片的Harr-Iike特征，并将所述Harr-Iike特征采用积分图法进行特征数值的计算； A2、采用Adaboost算法选取人脸的矩形特征形成弱分类器，将所述弱分类器采用加权 投票的方法构造为一个强分类器； A3、将训练得到的若干强分类器串联组成一个级联结构的层叠分类器，对所述人脸图 像进行检测。3. 根据权利要求1所述基于人脸生物特征的直系亲属关系识别方法，其特征在于，所述 步骤B具体为： B1、提取人脸图像的局部二值模式及变种中心对称局部二值模式特征向量； B2、采用主分量分析法对所述特征向量进行降维处理； B3、在降维后的特征向量空间中，采用马氏距离和双线性相似性函数相结合的度量方 式对两个特征向量进行相似性度量学习比较，得到所述人脸图像与目标人脸的距离。4. 根据权利要求3所述基于人脸生物特征的直系亲属关系识别方法，其特征在于，所述 马氏距离和双线性相似性函数相结合的度量方式为：其中，为马氏距离，为双线性相似函数，M，G分别为参数矩阵。5. 根据权利要求1所述基于人脸生物特征的直系亲属关系识别方法，其特征在于，所述 步骤C中基于生物激励特征对人脸图像的性别进行识别为采用基于生物激励特征的支持向 量机分类器对人脸图像的性别进行识别，所述基于生物激励特征的支持向量机分类器包 括： 51、 将所述人脸图像根据双眼位置进行对齐，然后利用Gabor滤波器提取人脸图片的 Gabor图谱； 52、 对所述Gabor图谱进行取最大值Max操作和取标准差值Std操作得到生物激励特征； 53、 根据提取的生物激励特征，利用多分类Adaboost级联算法对生物激励特征向量进 行维度处理； 54、 在降维后的特征空间中，训练出用于性别识别的二分类支持向量机分离器。6. 根据权利要求1所述基于人脸生物特征的直系亲属关系识别方法，其特征在于，所述 步骤C中基于生物激励特征对人脸图像的年龄进行识别为采用基于生物激励特征的支持向 量机和支持向量回归混合树形分类器对人脸图像的年龄进行识别，所述基于生物激励特征 的支持向量机和支持向量回归混合树形分类器包括： H1、将所述人脸图像根据双眼位置进行对齐，利用Gabor滤波器提取人脸图片的Gabor 图谱； H2、对所述Gabor图谱进行取最大值Max操作和取标准差值Std操作得到生物激励特征； H3、根据提取的生物激励特征，利用多分类Adaboost级联算法对生物激励特征向量进 行维度处理； H4、在降维后的特征空间中，以支持向量机和支持向量回归为节点构造树形分类器。7. 基于人脸生物特征的直系亲属关系识别系统，其特征在于，其包括： 检测模块，用于对终端采集的图片进行人脸检测得到人脸图像； 提取模块，用于提取人脸图像中的局部二值模式及其变种中心对称局部二值模式的特 征向量，并根据所述特征向量学习比较所述人脸图像与目标人脸之间的相似性程度； 识别模块，用于基于生物激励特征对人脸图像的性别以及年龄进行识别； 确定模块，用于根据所述性别、年龄以及相似程度识别出所述人脸图像与目标人脸的 直系亲属关系。8. 根据权利要求7所述基于人脸生物特征的直系亲属关系识别系统，其特征在于，所述 检测模块还用于采用基于积分图以及AdaBoost算法的级联分类器对移动终端采集的图片 进行人脸检测。9. 根据权利要求7所述基于人脸生物特征的直系亲属关系识别系统，其特征在于，所述 基于生物激励特征对人脸图像的性别进行识别为采用基于生物激励特征的支持向量机分 类器对人脸图像的性别进行识别。10. 根据权利要求7所述基于人脸生物特征的直系亲属关系识别系统，其特征在于，基 于生物激励特征对人脸图像的年龄进行识别为采用基于生物激励特征的支持向量机和支 持向量回归混合树形分类器对人脸图像的年龄进行识别。
【专利摘要】本发明公开了基于人脸生物特征的直系亲属关系识别方法及系统，对于终端采集的图片进行人脸检测得到人脸图像；提取人脸图像中的局部二值模式及其变种中心对称局部二值模式的特征向量，并根据所述特征向量学习比较所述人脸图像与目标人脸之间的相似性程度；基于生物激励特征对人脸图像的性别以及年龄进行识别；根据所述性别、年龄以及相似程度识别出所述人脸图像与目标人脸的直系亲属关系。其避免了使用复杂的手工标注特征以及特征融合过程，能够提取到高水平的亲属关系特征；同时，对人脸图像的性别与年龄进行识别，进一步确定直系亲属之间的关系。
【IPC分类】G06K9/00
【公开号】CN105488463
【申请号】CN201510831614
【发明人】郭振华, 杨卫国, 张嘉奇, 杨余久, 王序
【申请人】康佳集团股份有限公司
【公开日】2016年4月13日
【申请日】2015年11月25日
【技术领域】
[0001] 本发明设及图像识别技术领域，特别设及基于人脸生物特征的直系亲属关系识别 方法及系统。
【背景技术】
[0002] 生物学家发现人脸图像是判断两个人是否有直系亲属关系的重要因素，伴随着一 些诸如失踪儿童找回、儿童领养、寻找模仿者等应用需求的增长，根据人脸判断两人是否有 直系亲属关系获得了越来越多人的关注。一些传统的方法是首先提取人脸的多种低层次特 征，然后通过复杂的融合方式将多种低层次特征进行融合，最后送入分类器中进行分类判 断。然而运些手工设计的低层次特征表达，无法很好的表达出人脸中蕴含的直系亲属关系 信息。此外，传统方法没有考虑人脸关键点W及局部区域的相似度对亲属识别的重要性，因 此不利于实现亲属识别。
[0003] 因而现有技术还有待改进和提高。
【发明内容】
[0004] 本发明要解决的技术问题在于，针对现有技术的不足，提供基于人脸生物特征的 直系亲属关系识别方法及系统，W解决现有亲属识别方法中没有考虑人脸关键点W及局部 区域的相似度对亲属识别的重要性，而无法准确识别直系亲属关系的问题。
[000引为了解决上述技术问题，本发明所采用的技术方案如下： 基于人脸生物特征的直系亲属关系识别方法，其包括： A、 对于终端采集的图片进行人脸检测得到人脸图像； B、 提取人脸图像中的局部二值模式及其变种中屯、对称局部二值模式的特征向量，并根 据所述特征向量学习比较所述人脸图像与目标人脸之间的相似性程度； C、 基于生物激励特征对人脸图像的性别W及年龄进行识别； D、 根据所述性别、年龄W及相似程度识别出所述人脸图像与目标人脸的直系亲属关 系。
[0006] 所述基于人脸生物特征的直系亲属关系识别方法，其中，所述步骤A中人脸检测采 用基于积分图W及AdaBoost算法的级联分类器对移动终端采集的图片进行人脸检测，其包 括： A1、构建由人脸图像组成的图像样本库，提取图片的化rr-like特征，并将所述化rr-like特征采用积分图法进行特征数值的计算； A2、采用Adaboost算法选取人脸的矩形特征形成弱分类器，将所述弱分类器采用加权 投票的方法构造为一个强分类器 A3、将训练得到的若干强分类器串联组成一个级联结构的层叠分类器，对所述人脸图 像进行检测。
[0007] 所述基于人脸生物特征的直系亲属关系识别方法，其中，所述步骤B具体为： Bl、提取人脸图像的局部二值模式及变种中屯、对称局部二值模式特征向量； B2、采用主分量分析法对所述特征向量进行降维处理； B3、在降维后的特征向量空间中，采用马氏距离和双线性相似性函数相结合的度量方 式对两个特征向量进行相似性度量学习比较，得到所述人脸图像与目标人脸的距离。
[0008] 所述基于人脸生物特征的直系亲属关系识别方法，其中，所述马氏距离和双线性 相似性函数相结合的度量方式为：
其中，礙數辕为马氏距离，馬;《;为双线性相似函数，M，G分别为参数矩阵。
[0009] 所述基于人脸生物特征的直系亲属关系识别方法，其中，所述步骤C中基于生物激 励特征对人脸图像的性别进行识别为采用基于生物激励特征的支持向量机分类器对人脸 图像的性别进行识别，所述基于生物激励特征的支持向量机分类器包括： 51、 将所述人脸图像根据双眼位置进行对齐，然后利用Gabor滤波器提取人脸图片的 Gabor图谱； 52、 对所述Gabor图谱进行取最大值Max操作和取标准差值Std操作得到生物激励特征； 53、 根据提取的生物激励特征，利用多分类Adaboost级联算法对生物激励特征向量进 行维度处理； 54、 在降维后的特征空间中，训练出用于性别识别的二分类支持向量机分离器。
[0010] 所述基于人脸生物特征的直系亲属关系识别方法，其中，所述步骤C中基于生物激 励特征对人脸图像的年龄进行识别为采用基于生物激励特征的支持向量机和支持向量回 归混合树形分类器对人脸图像的年龄进行识别，所述基于生物激励特征的支持向量机和支 持向量回归混合树形分类器包括： H1、将所述人脸图像根据双眼位置进行对齐，利用Gabor滤波器提取人脸图片的Gabor 图谱； 肥、对所述Gabor图谱进行取最大值Max操作和取标准差值Std操作得到生物激励特征； H3、根据提取的生物激励特征，利用多分类Adaboost级联算法对生物激励特征向量进 行维度处理； H4、在降维后的特征空间中，W支持向量机和支持向量回归为节点构造树形分类器。
[0011] 基于人脸生物特征的直系亲属关系识别系统，其包括： 检测模块，用于对于终端采集的图片进行人脸检测得到人脸图像； 提取模块，用于提取人脸图像中的局部二值模式及其变种中屯、对称局部二值模式的特 征向量，并根据所述特征向量学习比较所述人脸图像与目标人脸之间的相似性程度； 识别模块，用于基于生物激励特征对人脸图像的性别W及年龄进行识别； 确定模块，用于根据所述性别、年龄W及相似程度识别出所述人脸图像与目标人脸的 直系萊属关系。
[0012] 所述基于人脸生物特征的直系亲属关系识别系统，其中，所述检测模块还用于采 用基于积分图W及AdaBoost算法的级联分类器对移动终端采集的图片进行人脸检测。
[0013] 所述基于人脸生物特征的直系亲属关系识别系统，其中，所述基于生物激励特征 对人脸图像的性别进行识别为采用基于生物激励特征的支持向量机分类器对人脸图像的 性别进行识别。
[0014] 所述基于人脸生物特征的直系亲属关系识别系统，其中，基于生物激励特征对人 脸图像的年龄进行识别为采用基于生物激励特征的支持向量机和支持向量回归混合树形 分类器对人脸图像的年龄进行识别。
[0015] 有益效果：与现有技术相比，本发明所提基于人脸生物特征的直系亲属关系识别 方法及系统，对于终端采集的图片进行人脸检测得到人脸图像;提取人脸图像中的局部二 值模式及其变种中屯、对称局部二值模式的特征向量，并根据所述特征向量学习比较所述人 脸图像与目标人脸之间的相似性程度;基于生物激励特征对人脸图像的性别W及年龄进行 识别;根据所述性别、年龄W及相似程度识别出所述人脸图像与目标人脸的直系亲属关系。 其避免了使用复杂的手工标注特征W及特征融合过程，能够提取到高水平的亲属关系特 征;并且该方法考虑了人脸关键点W及人脸局部区域相似度对亲属关系识别的影响，分别 对人脸局部二值模式及其变种中屯、对称局部二值模式的特征进行学习，具有更强的亲属关 系识别能力。同时，对人脸图像的性别与年龄进行识别，进一步确定直系亲属之间的关系。
【附图说明】
[0016] 图1为本发明基于人脸生物特征的直系亲属关系识别方法较佳实施例的流程图。
[0017] 图2为本发明提供相似程度识别方法较佳实施例的流程图。
[0018] 图3为本发明提供性别识别方法较佳实施例的流程图。
[0019] 图4为本发明提供年龄识别方法较佳实施例的流程图 。
[0020] 图5为本发明基于人脸生物特征的直系亲属关系识别系统的结构原理图。
【具体实施方式】
[0021] 本发明提供基于人脸生物特征的直系亲属关系识别方法及系统，为使本发明的目 的、技术方案及效果更加清楚、明确，W下参照附图并举实施例对本发明进一步详细说明。 应当理解，此处所描述的具体实施例仅用W解释本发明，并不用于限定本发明。
[0022] 对本发明设及到的技术用语进行说明。"Gabor算法"属于加窗傅立叶变换，可W在 频域不同尺度、不同方向上提取相关的特征，因为Gabor函数与人眼的生物作用相仿，所W 经常用作纹理识别。PCA(P;rincipal Component Analysis)为主分量分析，其是一种掌握事 物主要矛盾的统计分析函数，它可W从多元事物中解析出主要影响因素，掲示事物的本质， 简化复杂的问题。BIF(Biology-Inspired Features)生物激励特征；SVM(Suppo;rt Vector Machine)支持向量机；SVR(Suppo;rt Vector Regression)支持向量回归；"Adaboost算法" 为决策树算法，一种迭代算法，其核屯、思想是针对同一个训练集训练不同的分类器，然后把 运些弱分类器集合起来，构成一个更强的最终分类器。LBP化ocal Binary化ttern)局部二 值模式;变种中屯、对称局部二值模式；SMUSimilarity Metric Learning)相似性度量学 习。
[0023] 下面结合附图，通过对实施例的描述，对
【发明内容】
作进一步说明。
[0024] 请参见图1，图1为本发明基于人脸生物特征的直系亲属关系识别方法较佳实施例 的流程图。所述方法包括： 基于人脸生物特征的直系亲属关系识别方法，其包括： S100、对于终端采集的图片进行人脸检测得到人脸图像。
[0025] 具体地，所述终端采集的可W是终端通过摄像头等拍照设备拍摄的照片，其也可 W是终端存储的图片或者照片，其还可W是终端通过无线或有线通信从其他终端设备获取 的图片等。所述图片中可W包含一个人脸也可W包括多个人脸，每个人脸的处理过程是一 样的，运里W图片包含一个人脸为例进行说明。
[0026] 进一步，当终端采集到图片后，对图片上进行人脸检测得到图片中的人脸图像。其 可W采用采用基于积分图W及AdaBoost算法的级联分类器对移动终端采集的图片进行人 脸检测，其具体可W包括:构建由人脸图像组成的图像样本库，通过做直方图均衡化并归一 化为24 X 24大小；提取图片的化rr-1化6特征，并将所述化rr-1化6特征采用积分图法进行 特征数值的计算;采用Adaboost算法选取人脸的矩形特征形成弱分类器，将所述弱分类器 采用加权投票的方法构造为一个强分类器;将训练得到的若干强分类器串联组成一个级联 结构的层叠分类器，对所述人脸图像进行检测。在实际应用中，所述Harr-like特征用于反 应图像局部的灰度变化，在本实施例中，所述化ar-1化e特征可W包括:边缘特征、线特征 和中屯、特征等。
[0027] 进一步，当识别出移动终端采集的图片中的人脸图像后，可W将所述图像中的人 脸图像剪切出来，形成一个人脸图像图片。当人脸检测过程中没有检测到人脸图像时，终端 将对用户进行提示，并结束本次操作。
[0028] S200、提取人脸图像中的局部二值模式及其变种中屯、对称局部二值模式的特征向 量，并根据所述特征向量学习比较所述人脸图像与目标人脸之间的相似性程度。
[0029] 具体地，当检测到图片中的人脸并剪切成人脸图像后，对人脸图像与目标人脸的 相似性程度进行识别。也就是说，判断人脸图像与目标人脸之间的相似程度从而判断两者 的亲属关系，其通过分类器判断并输出相似性程度W及是否为亲属关系。所述目标人脸为 用户预先设置的用于判断是否与所述人脸图像具有亲属关系的人脸图像。所述目标人脸可 W是性别、年龄W及生物特征可W是预先知道的，可W是通过与所述人脸图像进行相应操 作得到，运里不做具体限制。
[0030] 进一步，所述人脸图像与目标人脸之间的相似性程度的确定过程可W包括如下步 骤，如图2所示， S201、提取人脸图像的局部二值模式化BP，Local Binary化ttern)及变种中屯、对称局 部二值模式特征向量(CS-LBP，Cente;r-Symmet;ric Local Binaiy F*atte;rn)。
[0031 ] S202、采用主分量分析法(PCAJrincipal Component Analysis)对所述特征向量 进行降维处理。
[0032] 具体地，在本实施例中，所述PCA是人脸局部特征提取和数据降维的一个标准处理 方法，其可W采用换W蟲-?，k= 1，2，3.......N的PCA算法对人脸局部特征进行降维； 其中，投影矩阵
用于使得投影后的人脸局部特征的总 体散度矩阵增大。
[0033] S203、在降维后的特征向量空间中，采用马氏距离和双线性相似性函数相结合的 度量方式对两个特征向量进行相似性度量学习比较，得到所述人脸图像与目标人脸的距 离。
[0034] 具体地，所述采用马氏距离和双线性相似性函数相结合的度量方式为
其中，所述礙稳为马氏距离，其定义为：
所述礙fc嫁为双线性相似性函数，其定义为：
M，G分别为两种度量方式中的参数矩阵。
[0035] 通过训练样本学习度量函数中的M，G参数矩阵。设损失函数为
其中，聚皆为两个人脸特征向量的标签。
[0036] 从而，通过求解一下优化问题
可W得到度量矩阵M，G，从而能够得到距离度量函数，用来比较两幅人脸图片特征向量 之间的距离。
[0037] S300、基于生物激励特征对人脸图像的性别W及年龄进行识别。
[0038] 具体地，基于生物激励特征对人脸图像的性别其采用基于生物激励特征 (Biology-Inspired Fea^resiBIFO的支持向量机（SVM，Suppo;rt Vector Machine)分类器 对人脸图像的性别进行识别。在实施例中，所述基于生物激励特征的支持向量机分类器其 可W通过如下步骤得到，如图3所示， S10、将所述人脸图像根据双眼位置进行对齐，然后利用Gabor滤波器提取人脸图片的 Gabor图谱。
[0039] S20、对所述Gabor图谱进行Max和Std操作得到生物激励特征。
[0040] 具体地，对所述Gabor图谱进行取最大值Max和取标准差Std操作得到生物激励特 征。在实际应用中，所述取最大值Max操作可W采用如下过程:将得到的Gabor图谱中相邻尺 度的特征图谱Gaborl，Gabor2进行取最大值合并，即 GaborMaxQ,j)=max(Gaborl(I,j),Gabor2(I,j))。
[0041 ] 所述取标准差Std操作为对Max操作处理后的Gabo r每个图谱进行非重叠分块，计 算每个分块内的标准差作为特征向量的一个维度，运里不做具体限制，仅给出一例子加 W 说明，如，对于上述Max操作中得到的结果GaborMax，进行4 X 4分块，计算标准差，所有分块 的标准差连接得到GaborStd的特征向量。将所有的图谱进行分块、取最大值和标准差得到 的结果串联，即可得到生物激励特征。
[0042] S30、根据提取的生物激励特征，利用多分类Adaboost级联算法对生物激励特征向 量进行维度处理。
[0043] 具体地，分类训练数据中第i张人脸图片的多尺度线性差分特征为獲，训练数据中 共有m张人脸图片，经过特征选择后的特征维度为d。特征选择算法的过程如下： S31、每个训练样本的初始权重为心:; 532、 针对特征向量的每一个维度，训练一个决策树，作为弱分类器^的;>; 533、 计算误i
，选出误差最小时对应的维度j，作为特征选择 的一个维度； 534、 重复步骤S32、S33直到选出的特征维度数为d。
[0044] S40、在降维后的特征空间中，训练出用于性别识别的二分类支持向量机分类器。
[004引具体地，所述SVM是一种二类分类模型，其基本模型定义为特征空间上的间隔最大 的线性分类器，即支持向量机的学习策略便是间隔最大化，最终可转化为一个凸二次规划 问题的求解。所述凸二次规划问题为：
约束条件为：
[0046] 对于凸二次规划问题通过拉格朗日乘子法，可得：
再对拉格朗日对偶函数的优化求解，可W得到最大间隔分类界面。
[0047] 进一步，所述基于生物激励特征对人脸图像年龄进行识别其为基于生物激励特征 (Biology-Inspired Fea^resJIF·)特征的支持向量机（Suppo;rt Vector Machine,SVM)和 支持向量回归（Suppod Vector Regression，SVR)混合树形分类器对年龄进行识别。在实 施例中，基于生物激励特征的支持向量机和支持向量回归混合树形分类器包括，如图4所 示， H10、将所述人脸图像根据双眼位置进行对齐，利用Gabor滤波器提取人脸图片的Gabor 图谱。
[004引肥0、对所述Gabor图谱进行Max和Std操作得到生物激励特征。
[0049] 具体地，所述Max和Std操作与性别识别中的Max和Std操作可W采用相同的方法和 过程，运里就不在寶述。
[0050] 册0、根据提取的生物激励特征，利用多分类Adaboost级联算法对生物激励特征向 量进行维度处理。
[0051] 具体地，利用多分类Adaboost级联算法在BIF特征向量的基础上进行特征选择，选 择出包含较多年龄信息的特征分量，降低特征向量的维度。其多分类Adaboost级联算法在 步骤S300已经详细说明，运里不再寶述。
[0052] H40、在降维后的特征空间中，W支持向量机和支持向量回归为节点构造树形分类 器。
[0053] 具体地，所述支持向量机已经在步骤S300详细说明，运里不再寶述。对于支持向量 回归模型，其分为线性回归和非线性回归。所述线性回归使用线性回归函数：
估计训练样本
[0054] 为了更好的估计，确保线性回归函数的平坦，必须找到最小的W。为了达到运个目 的，采用欧几里得范数限制W的大小。假设存在线性回归函数f在S精度上能够估计所有训练 样本，那么该回归问题可W转化为凸优化问题：
其中，i義^~喊|^不为零对应的训练样本即是支持向量。
[0055] 对于非线性回归，其基本思想就是通过某个映射函数将样本投影到高维空间中， 然后再进行线性回归分析。在本发明中，使用基于RBF核的非线性支持向量回归作为分类器 模型。
[0056] S400、根据所述性别、年龄W及相似程度识别出所述人脸图像与目标人脸的直系 萊属关系。
[0057] 具体地，根据人脸识别的相似性，判断图片中的人脸是否为目标人脸的亲属;根据 性别识别的结果，估计人脸的男女性别，从而判断该人脸图片是目标人脸的男性亲属还是 女性亲属;根据年龄估计的结果，估计人脸的年龄，从而通过该人脸图片与目标人脸之间的 年龄差距判断该人脸是目标人物的父母、兄弟姐妹还是子女。
[0058] 本发明还提供了一种基于人脸生物特征的直系亲属关系识别系统，如图5所示，其 包括： 检测模块100,用于对终端采集的图片进行人脸检测得到人脸图像； 提取模块200,用于提取人脸图像中的局部二值模式及其变种中屯、对称局部二值模式 的特征向量，并根据所述特征向量学习比较所述人脸图像与目标人脸之间的相似性程度； 识别模块300，用于基于生物激励特征对人脸图像的性别W及年龄进行识别； 确定模块400，用于根据所述性别、年龄W及相似程度识别出所述人脸图像与目标人脸 的直系亲属关系。
[0059] 所述基于人脸生物特征的直系亲属关系识别系统，其中，所述检测模块还用于采 用基于积分图W及AdaBoost算法的级联分类器对移动终端采集的图片进行人脸检测。
[0060] 所述基于人脸生物特征的直系亲属关系识别系统，其中，所述基于生物激励特征 对人脸图像的性别进行识别为采用基于生物激励特征的支持向量机分类器对人脸图像的 性别进行识别。
[0061] 所述基于人脸生物特征的直系亲属关系识别系统，其中，基于生物激励特征对人 脸图像的年龄进行识别为采用基于生物激励特征的支持向量机和支持向量回归混合树形 分类器对人脸图像的年龄进行识别。
[0062] 本领域的技术人员可W清楚地了解到上述实施例方法及系统可借助软件加必需 的通用硬件平台的方式来实现，当然也可W通过硬件，但很多情况下前者是更佳的实施方 式。基于运样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可 软件产品的形式体现出来，该计算机软件产品存储在一个存储介质（如R0M/RAM、磁碟、光 盘）中，包括若干指令用W使得一台终端设备(可W是手机，计算机，服务器，空调器，或者网 络设备等）执行本发明各个实施例所述的方法。
[0063] 因而，本发明还提供了一种基于人脸生物特征的直系亲属关系识别装置其包括： 处理器； 用于存储处理器可执行指令的存储器； 其中，所述处理器被配置为： 对于终端采集的图片进行人脸检测得到人脸图像； 提取人脸图像中的局部二值模式及其变种中屯、对称局部二值模式的特征向量，并根据 所述特征向量学习比较所述人脸图像与目标人脸之间的相似性程度； 基于生物激励特征对人脸图像的性别W及年龄进行识别； 根据所述性别、年龄W及相似程度识别出所述人脸图像与目标人脸的直系亲属关系。
[0064] 所述存储器被配置为存储各种类型的数据W支持在设备的操作。运些数据的示例 包括用于在装置上操作的任何应用程序或方法的命令，联系人数据，电话簿数据，消息，图 片，视频等。存储器可W由任何类型的易失性或非易失性存储设备或者它们的组合实现，如 静态随机存取存储器(SR AM),电可擦除可编程只读存储器化EPROM)，可擦除可编程只读存 储器巧PROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或 光盘。
[0065] 在示例性实施例中，装置可W被一个或多个应用专用集成电路(ASIC)、数字信号 处理器（DSP)、数字信号处理设备（DSPD)、可编程逻辑器件（PLD)、现场可编程口阵列 (FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
[0066] 在示例性实施例中，还提供了一种包括命令的非临时性计算机可读存储介质，例 如包括命令的存储器，上述命令可由装置的处理器执行W完成上述方法。例如，所述非临时 性计算机可读存储介质可W是ROM、随机存取存储器(RAM) XD-R0M、磁带、软盘和光数据存 储设备等。
[0067] 本领域技术人员在考虑说明书及实践运里公开的公开后，将容易想到本公开的其 它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，运些变型、用途或 者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识 或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的 权利要求指出。
[0068] 可W理解的是，对本领域普通技术人员来说，可W根据本发明的技术方案及其发 明构思加 W等同替换或改变，而所有运些改变或替换都应属于本发明所附的权利要求的保 护范围。
【主权项】
1. 基于人脸生物特征的直系亲属关系识别方法，其特征在于，其包括： A、 对于终端采集的图片进行人脸检测得到人脸图像； B、 提取人脸图像中的局部二值模式及其变种中心对称局部二值模式的特征向量，并根 据所述特征向量学习比较所述人脸图像与目标人脸之间的相似性程度； C、 基于生物激励特征对人脸图像的性别以及年龄进行识别； D、 根据所述性别、年龄以及相似程度识别出所述人脸图像与目标人脸的直系亲属关 系。2. 根据权利要求1所述基于人脸生物特征的直系亲属关系识别方法，其特征在于，所述 步骤A中人脸检测采用基于积分图以及AdaBoost算法的级联分类器对移动终端采集的图片 进行人脸检测，其包括： A1、构建由人脸图像组成的图像样本库，提取图片的Harr-Iike特征，并将所述Harr-Iike特征采用积分图法进行特征数值的计算； A2、采用Adaboost算法选取人脸的矩形特征形成弱分类器，将所述弱分类器采用加权 投票的方法构造为一个强分类器； A3、将训练得到的若干强分类器串联组成一个级联结构的层叠分类器，对所述人脸图 像进行检测。3. 根据权利要求1所述基于人脸生物特征的直系亲属关系识别方法，其特征在于，所述 步骤B具体为： B1、提取人脸图像的局部二值模式及变种中心对称局部二值模式特征向量； B2、采用主分量分析法对所述特征向量进行降维处理； B3、在降维后的特征向量空间中，采用马氏距离和双线性相似性函数相结合的度量方 式对两个特征向量进行相似性度量学习比较，得到所述人脸图像与目标人脸的距离。4. 根据权利要求3所述基于人脸生物特征的直系亲属关系识别方法，其特征在于，所述 马氏距离和双线性相似性函数相结合的度量方式为：其中，为马氏距离，为双线性相似函数，M，G分别为参数矩阵。5. 根据权利要求1所述基于人脸生物特征的直系亲属关系识别方法，其特征在于，所述 步骤C中基于生物激励特征对人脸图像的性别进行识别为采用基于生物激励特征的支持向 量机分类器对人脸图像的性别进行识别，所述基于生物激励特征的支持向量机分类器包 括： 51、 将所述人脸图像根据双眼位置进行对齐，然后利用Gabor滤波器提取人脸图片的 Gabor图谱； 52、 对所述Gabor图谱进行取最大值Max操作和取标准差值Std操作得到生物激励特征； 53、 根据提取的生物激励特征，利用多分类Adaboost级联算法对生物激励特征向量进 行维度处理； 54、 在降维后的特征空间中，训练出用于性别识别的二分类支持向量机分离器。6. 根据权利要求1所述基于人脸生物特征的直系亲属关系识别方法，其特征在于，所述 步骤C中基于生物激励特征对人脸图像的年龄进行识别为采用基于生物激励特征的支持向 量机和支持向量回归混合树形分类器对人脸图像的年龄进行识别，所述基于生物激励特征 的支持向量机和支持向量回归混合树形分类器包括： H1、将所述人脸图像根据双眼位置进行对齐，利用Gabor滤波器提取人脸图片的Gabor 图谱； H2、对所述Gabor图谱进行取最大值Max操作和取标准差值Std操作得到生物激励特征； H3、根据提取的生物激励特征，利用多分类Adaboost级联算法对生物激励特征向量进 行维度处理； H4、在降维后的特征空间中，以支持向量机和支持向量回归为节点构造树形分类器。7. 基于人脸生物特征的直系亲属关系识别系统，其特征在于，其包括： 检测模块，用于对终端采集的图片进行人脸检测得到人脸图像； 提取模块，用于提取人脸图像中的局部二值模式及其变种中心对称局部二值模式的特 征向量，并根据所述特征向量学习比较所述人脸图像与目标人脸之间的相似性程度； 识别模块，用于基于生物激励特征对人脸图像的性别以及年龄进行识别； 确定模块，用于根据所述性别、年龄以及相似程度识别出所述人脸图像与目标人脸的 直系亲属关系。8. 根据权利要求7所述基于人脸生物特征的直系亲属关系识别系统，其特征在于，所述 检测模块还用于采用基于积分图以及AdaBoost算法的级联分类器对移动终端采集的图片 进行人脸检测。9. 根据权利要求7所述基于人脸生物特征的直系亲属关系识别系统，其特征在于，所述 基于生物激励特征对人脸图像的性别进行识别为采用基于生物激励特征的支持向量机分 类器对人脸图像的性别进行识别。10. 根据权利要求7所述基于人脸生物特征的直系亲属关系识别系统，其特征在于，基 于生物激励特征对人脸图像的年龄进行识别为采用基于生物激励特征的支持向量机和支 持向量回归混合树形分类器对人脸图像的年龄进行识别。
【专利摘要】本发明公开了基于人脸生物特征的直系亲属关系识别方法及系统，对于终端采集的图片进行人脸检测得到人脸图像；提取人脸图像中的局部二值模式及其变种中心对称局部二值模式的特征向量，并根据所述特征向量学习比较所述人脸图像与目标人脸之间的相似性程度；基于生物激励特征对人脸图像的性别以及年龄进行识别；根据所述性别、年龄以及相似程度识别出所述人脸图像与目标人脸的直系亲属关系。其避免了使用复杂的手工标注特征以及特征融合过程，能够提取到高水平的亲属关系特征；同时，对人脸图像的性别与年龄进行识别，进一步确定直系亲属之间的关系。
【IPC分类】G06K9/00
【公开号】CN105488463
【申请号】CN201510831614
【发明人】郭振华, 杨卫国, 张嘉奇, 杨余久, 王序
【申请人】康佳集团股份有限公司
【公开日】2016年4月13日
【申请日】2015年11月25日
最新回复(0)