[发明专利]基于深度学习的亲属关系验证方法和系统

权利要求书

1.一种基于深度学习的亲属关系验证方法，其特征在于，包括以下步骤：

获取第一图像数据和第二图像数据，其中，所述第一图像数据为待验证目标的图像数据，所述第二图像数据为比对目标的图像数据；

采用多个特征提取网络对所述第一图像数据和所述第二图像数据进行特征提取，其中，每个所述特征提取网络分别从所述第一图像数据和所述第二图像数据得到一个特征向量；

根据每个所述特征提取网络从所述第一图像数据中提取的特征向量得到所述待验证目标的融合特征向量，其中，设定所述待验证目标的融合特征向量为第一融合特征向量；

根据每个所述特征提取网络从所述第二图像数据中提取的特征向量得到所述比对目标的融合特征向量，其中，设定所述比对目标的融合特征向量为第二融合特征向量；

根据所述第一融合特征向量和所述第二融合特征向量判断所述待验证目标与所述比对目标之间是否存在亲属关系。

2.根据权利要求1所述的基于深度学习的亲属关系验证方法，其特征在于，包括以下步骤：

获取第一图像数据和第二图像数据，其中，所述第一图像数据为待验证目标的图像数据，所述第二图像数据为比对目标的图像数据；

采用第一特征提取网络对所述第一图像数据和所述第二图像数据进行特征提取，以得到所述待验证目标的第一特征向量和所述比对目标的第一特征向量；

采用第二特征提取网络对所述第一图像数据和所述第二图像数据进行特征提取，以得到所述待验证目标的第二特征向量和所述比对目标的第二特征向量；

根据所述待验证目标的第一、第二特征向量得到所述所述待验证目标的融合特征向量，其中，设定所述待验证目标的融合特征向量为第一融合特征向量；

根据所述比对目标的第一、第二特征向量得到所述所比对目标的融合特征向量，其中，设定所述比对目标的融合特征向量为第二融合特征向量；

根据所述第一融合特征向量和所述第二融合特征向量判断所述待验证目标与所述比对目标之间是否存在亲属关系。

3.根据权利要求2所述的基于深度学习的亲属关系验证方法，其特征在于，所述特征提取网络的训练，包括以下步骤：

获取预训练模型和训练数据集；

对所述训练数据集进行数据增强以扩展所述训练数据集；

调整扩展后的所述训练数据集的正负样本比例；

拆分调整后的所述训练数据集；

根据拆分后的所述训练数据集对所述预训练模型进行优化训练。

4.根据权利要求2所述的基于深度学习的亲属关系验证方法，其特征在于，所述第一特征提取网络为FaceNet，所述第二特征提取网络为VggFace，其中，

所述FaceNet的训练，包括以下步骤：

获取FaceNet预训练模型和MS-Celeb-1M数据集；

对所述MS-Celeb-1M数据集进行随机模糊、随机改变对比度和亮度、随即翻转以扩展所述MS-Celeb-1M数据集；

调整扩展后的所述MS-Celeb-1M数据集的正负样本比例为1:2；

将调整后的所述MS-Celeb-1M数据集拆分为k部分，

采用k折交叉验证对所述FaceNet预训练模型进行优化训练；

所述VggFace的训练，包括以下步骤：

获取VggFace预训练模型和vggface2数据集；

对所述vggface2数据集进行随机模糊、随机改变对比度和亮度、随即翻转以扩展所述vggface2数据集；

调整扩展后的所述vggface2数据集的正负样本比例为1:2；

将调整后的所述vggface2数据集拆分为k部分；

采用k折交叉验证对所述VggFace预训练模型进行优化训练。

5.根据权利要求4所述的基于深度学习的亲属关系验证方法，其特征在于，所述VggFace的架构采用ResNet50。