基于局部特征融合的邻域排斥度量学习亲属关系认证算法.docx

基于局部特征融合的邻域排斥度量学习亲属关系认证算法
1.引言
亲属关系认证是生物特征识别中一个重要的应用领域，其主要目的是检测出两个或多个人的生物特征样本是否来自同一家族。随着生物特征识别技术的发展，越来越多的亲属关系认证算法被提出。但是，传统的亲属关系认证算法仍然存在一些问题，如仅依赖于全局特征或局部特征的亲属关系认证算法，容易受到噪声的影响，并且对于不同类型的亲属关系通常需要采用不同的特征表示方式，因此，如何提取有效的特征并综合利用这些特征是亲属关系认证算法的重要问题。
本文提出了一种基于局部特征融合的邻域排斥度量学习亲属关系认证算法，该算法结合局部特征和全局特征，通过邻域排斥度量学习方法实现亲属关系的认证。该方法不仅能够提取有效的特征，而且能够综合利用不同类型的特征。在不同类型的亲属关系中，该方法的性能优于其他现有的亲属关系认证算法。
2.相关工作
亲属关系认证领域研究者们采用了不同的方法提取特征，包括全局特征和局部特征等。全局特征是指整个生物特征中所包含的信息，如脸部图像中的整个面部信息。常用的全局特征包括DCT、PCA等。局部特征是指生物特征中某些部分所包含的信息，如脸部图像中的眼部、鼻子等局部信息。常用的局部特征包括SURF、SIFT等。
近年来，越来越多的亲属关系认证算法将全局特征和局部特征结合在一起，以获得更好的效果。例如，基于LBP特征和深度神经网络的亲属关系认证算法。该算法使用LBP特征提取图像的局部信息，然后使用深度神经网络捕捉全局特征。虽然该算法的效果较好，但是在某些复杂情况下，该算法容易受到噪声的影响。
另外，邻域排斥度量学习（NRL）方法已经广泛应用于人脸识别、行人重识别等领域中，在亲属关系认证领域也产生了应用。NRL方法使用邻居间的关系来学习度量函数，从而能够测量两个亲属之间的相似度或距离。虽然该方法很受欢迎，但其在亲属关系认证中的性能仍需提高。
3.方法提出
本文提出的基于局部特征融合的邻域排斥度量学习亲属关系认证算法主要有以下步骤：
（1）提取全局特征和局部特征。本算法使用传统的人脸识别方法提取人脸图像的全局特征，同时使用SIFT算法提取人脸图像的局部特征。
（2）特征融合。将全局特征和局部特征进行融合，以提高算法的性能。本算法采用了加权求和的融合方法：$F=F_g+w*F_l$。其中，$F_g$表示全局特征，$F_l$表示局部特征，$w$是用于平衡全局特征和局部特征的权重。
（3）邻域排斥度量学习。使用邻域排斥度量学习方法学习度量函数，在像素级别上对特征进行度量。该算法使用多项式核函数来度量特征之间的相似度。
（4）评估亲属关系。使用度量函数来计算两个个体之间的亲属关系分数。如果亲属关系分数高于给定的阈值，则认为这两个个体具有相同的亲属关系。
4.实验结果
为了评估本文提出的基于局部特征融合的邻域排斥度量学习亲属关系认证算法的性能，我们使用了FERET、LFWA、CMU-PIE、YALE-B等四个数据集进行了实验评估。
实验结果表明，本文提出的算法在不同类型的亲属关系认证中均取得了比较好的性能。与其他现有的亲属关系认证算法相比，本算法具有更好的识别能力，并且对不同类型的亲属关系的识别具有较强的鲁棒性。
5.结论
本文提出了一种基于局部特征融合的邻域排斥度量学习亲属关系认证算法。该算法在提取特征、特征融合、度量学习等方面都有所改进，具有更好的性能和鲁棒性。实验结果表明，本算法在不同类型的亲属关系认证中具有优势，可以为实际应用提供帮助。