侦探:亲属关系通过成像

Chaitali德斯穆克,S.D.Jondhale教授

我学生,计算机工程系、SVIT Chincholi, Nashik,印度。
教授,计算机工程系,SVIT、Chincholi Nashik,印度。

文摘

有许多社交网站所使用的人,每天上传的照片是他们的数量。但是从图片我们无法预测之间的关系的人的照片。所以需要自动识别和预测的关系,特别是亲属从照片。提出了系统在计算机视觉和基于人脸识别,特征提取和知识转移学习。系统首先检测面临着从给定的照片然后提取使用伽柏从脸小波变换的特性。乌兰巴托KinFace版本2。o数据库用于火车系统给提取特征矩阵,相比之下,从照片中提取特征,最终结果的分类是否亲属关系。

关键字

特征提取、人脸识别、知识转移学习,小波变换。

介绍

对亲属关系的类比验证侦探犬。侦探犬的意义是特殊类型的狗嗅觉用于跟踪。同样为亲属关系跟踪面部特征识别,提取并用于验证。在模式识别和计算机视觉。在过去二十年里大的工作都是针对人脸检测和识别。但相对亲属验证研究较少,很少有试图解决这个问题,原因之一是减少可用性的数据集。通常人们通过比较面部特征识别亲属关系喜欢鼻子,眼睛,嘴巴等亲属关系认证是一项具有挑战性的任务作为孩子的一些特性可能类似的特点或他/她的父亲或母亲都和识别匹配特性,然后预测父母孩子的关系是复杂的。今天是数字化的时代。人不要只依赖数码相机,但他们通过手机捕捉一张照片,或任何其他电子设备。捕获图像使用智能手机和分享他们立即像Facebook这样的社交网站是很常见的。 A study [5] says that More than 250 billion photos have been uploaded to Facebook on an average each day, more than 350 million photos are uploaded. But question arises [1] 1) who this people are? 2) And what is their relation? Is there any kinship between people in images? For that we have to recognize all the faces in photo and then find out the relation between them.

除了社交网站,亲属关系验证也可以用来构建一个家庭树从一个相册,寻找失踪儿童或儿童收养。有很多算法用于人脸检测和识别。但我们感兴趣的一个框架,该框架将使用这些算法来提高结果或任何其他小说框架。常用的人脸检测算法[10]哈雾特性是非常简单而有效的正面人脸检测,如果指定特性是提高学习学习是有用的。在另一方面卷积神经网络和支持向量机的表现也不错。现在一天的脸探测器存在于数码相机和手机。最近脸探测器是一个典型的外貌的方法,这意味着他们需要学习分类器的训练数据。人脸识别的另一种方法是使用基于上下文对象,其他身体部位和其他人类可以使用相关功能。标签与人脸识别相关的概念是广泛使用在社交网站上,但它的范围是有限的,因为它只认识前面标记(手动给定的身份面对图像)。

文献调查

答:再——邻居

第一次尝试的亲属关系验证是通过[2],他们评估一套低级(本地)图像特征为父的孩子分类。他们创造了父子从互联网数据库包含150图像变化性别、种族年龄等他们公认的22个主要功能,如肤色、眼距,nose-distance,和全球生猪规模等特点,从脸图像使用简化的图形结构模型计算6个重要特性,结合成一个十维的特征向量。两种机器学习方法:K最近的邻居K = 11和欧几里得距离,和支持向量机的径向基函数(RBF)使用内核和LibSVM包。这最终使双脸图像相关或不相关。

优点:作为亲属分类是第一次尝试,它给了新的研究方向。

缺点:即使它给70%的准确率测试集,图片仅用于培训非常少即150双。

b .稀疏表示分类(SRC)

查询人[3]是重建显示查询人是否属于一个家庭。这是通过使用稀缺。查询是由面部重建部分家庭成员的人。字典,其中包含大量的家庭面临的部分。人脸识别是基于稀疏表示分类(SRC)的方法。“101家庭”数据集有206核心家庭,与大量的个人和他们的家庭树形象。优点:如果在同一家庭的人数增加,然后更快的提高了精度。缺点:应该有更多数量的人在家庭对训练样本和改善结果只有在同一家庭的人数增加,孩子可能继承的功能不止一个人在家庭除了他们的父母

c .转移子空间学习

思玉明夏&邵发表两篇论文在亲属关系验证基于子空间学习转移[1][4]。他们的第一篇论文[4]是基于转移学习。他们准备KinFace版本1。odataset。在他们的注意力转移到人脸识别与上下文[1]。以前的尝试是人脸识别没有上下文。的信息,如位置的照片,拍下照片,重现和同现模式,服装,一个人的位置照片或任何其他文本或链接信息提供上下文信息。这两篇论文基于子空间学习转移,乌兰巴托KinFacedatabase包含子形象,年轻的父母形象和老父母形象即相同父图像与他们不同的年龄。它显示比较的孩子形象与年轻父母给更好的结果比老父母,作为使用年轻的父母形象降低了语义鸿沟。对特征提取的脸是分为五个不同的层,然后应用伽柏过滤器。对于后者论文[1]数据库修改乌兰巴托KinFace版本。2.0。 Pros: It has considered contextual information also with subspace learning and improved the results.

缺点:训练数据集的规模非常大,因为它包括年轻父母图像与同一个人的老父母和儿童形象的形象。

d .韦伯的脸的自相似的表示

SSRW算法(自相似表示韦伯的面孔)[4]包含四个主要步骤。演算法人脸检测器用于人脸检测,然后预处理是通过韦伯正常化。不同的高斯(狗)提取关键点。自相似描述符用于找到相似。并给出其输出支持向量机分类器。该算法给出更好的结果即75%的数据库是由他们组成的272个亲戚对比较乌兰巴托亲属关系数据库和55%的准确率。

优点和缺点:自相似描述符(SSD)计算相似度是不变的翻译、旋转和缩放,但只给了55%的准确率乌兰巴托亲属关系数据库。

IMPLEMNTAION细节

提出系统实现了算法,并没有用于亲属验证直到日期。图1。显示系统的框图和两个输入图像一个将家人的照片和其他查询图像,我们的目标是确定是否有亲属关系查询图像和照片的人。提出系统分为以下模型:

人脸检测

特征提取

机器学习/转移与分类器学习算法

e .人脸检测

[11]的方法用于人脸检测,该方法包括三个步骤

积分图像表示

演算法基于学习算法

越来越复杂的分类器相结合的“级联”

通过执行操作像素[11],我们将获得积分图像。然后哈雾像特性计算。训练分类器和特征选择演算法。从图像和背景图像被拒绝应该只在脸上。所以我们需要级联与日益复杂的过滤器。

f·伽柏小波变换

伽柏滤波和小波变换可用于提取重要特征。功能Gabor过滤器拥有庞大的维数,提取小波变换可以降低这个维度。和歧视可以获得普通向量[8]。二维伽柏滤波器高斯内核空间域及其调制函数由正弦平面波。

f是正弦平面波的中心频率,θ是逆时针旋转的平面波和高斯,α的清晰度是高斯波沿长轴平行,β是高斯的清晰度短轴垂直于波η= f /β和γ= f /α定义保持清晰度之间的比例和频率常数。一组伽柏过滤器具有不同频率和方向需要从人脸图像中提取特征。伽柏小波变换可以表示图像的空间关系和空间频率的结构。通常与8取向和5 40过滤器使用天平。通常应用程序使用不同数量的过滤器。可以提取图像特征的输入图像卷积伽柏过滤器。

g .小波变换

一系列的过滤器银行阶段是用来建立一个小波变换。它能够捕捉重要的面部特征和导致强烈的表示对照明的变化。滤波器的输出是取样的两倍。词每一个信号被相同的过滤器过滤后在垂直方向。每一个图像在四子带分解。子带分解用HH, LH,噢,霍奇金淋巴瘤。

h .学习机器学习/知识转移

训练数据集,知识转移学习是必需的。在这一个可以重用的知识从先前的研究。转移的学习基本上是两种类型[1][9],归纳学习的学习目标转移总是不同的,转换传输学习,学习目标是完全相同的。一副图像,包含父-子给转移学习。机器更好的结果应与积极的训练(亲属关系存在)和消极的训练样本。又将有两种类型的训练样本的两类。图2。显示了示例的训练数据集

图2显示了训练数据集的几个例子。(a)类似的亲属,(b)不同非亲人的,(c)不同的亲属(父子),和(d)类似nonkin看。

我邻居拒绝度量学习

[9]的作者提出了两种算法度量学习,NRML(社区击退度量学习)和MNRML(多视图MNRML)。我们可以使用机器学习算法。我们的方法在转换传输学习。图2。d显示,可以有类似的关注nonkins(组内的样本)和图2。C不同的亲属。这容易导致误分类计算相似性度量。样本相似性较高的躺在附近。NRML试图学习距离度量,同类样本(亲属关系)被尽可能的靠近,同时组内的样品被拒绝和被尽可能同时躺在附近。

算法1:社区击退度量学习(NRML)

输入:训练图像数据集:

S = {(xi, yi) |我= 1,2,………。,N}, Parameters: k neighborhood size, T iteration number, and Convergence error ÃÂ. Output: W as Distance metric.

步骤1(初始化):

通过使用传统的欧几里得度量搜索每个xi和彝语的资讯

步骤2(局部优化):

为r = 1、2, T,重复

2.1。分别计算H1, H2, H3。

2.2。解决特征值问题在Eq。(1)。

2.3。获得Wr = (w1 w2,…………,王]。

2.4。W r和yj更新资讯。

2.5。如果r > 2 | W r−W r 1 | <一,转到步骤3。

距离度量步骤3(输出):

输出距离度量W = W r。

通过求解特征值问题后可以获得。

(H1 + H2-H3) w =λw eq。(1)

j .数据集

要使用的数据库,命名为“乌兰巴托KinFaceVersion 2.0”[1],这是一个扩展的“乌兰巴托KinFace Version1.0”。它有实例和种族团体的影响。它有大范围的面部图像的变化,包括姿势、表情,年龄、照明、性别、种族、色彩饱和度,背景,和图像质量等。数据库包含的孩子和他的父母年轻的时候和老照片。它有600 400人的图片,来自互联网。数据库可以分为两个部分亚洲和非亚洲人。有四种亲缘关系“母女”9%,“父亲,女儿”38.5%,“母亲-儿子”6%,“父-子”46.5%。

图3说明kinface数据库。四种可能的对应关系群体。男父母在蓝色的一款软件名称,女父母是绿色的一款软件名称和自由散漫是红色的一款软件名称(在游戏巨作版本)数据集只包含真正的对,但在训练中,我们需要真正的以及错误的对亲属关系。假对随机选择孩子的任何图像和任何父母形象不是实际的父母被选中。

结论和未来的范围

提出了亲属关系系统验证基于伽柏小波滤波器,从图像中提取重要特征和小波变换就是降维,数据库“乌兰巴托KinFaceVersion2.0”作为培训数据库同时NRML这距离度量学习条件下,面部图像与亲属带来尽可能而另一些则尽可能。这将为亲属关系验证改善结果。这可以进一步扩展与亲缘关系上下文信息。标签可用于获得额外的信息如朋友,畅谈,亲戚和可以提高结果的验证。如果相同位置的图像,还可以添加额外的信息改善结果。

引用

思玉夏、明邵Jiebo罗,云浮,照片”“理解亲缘关系,IEEE多媒体,2012年8月。
r·方k .唐:Snavely, t·陈,“对亲属关系的计算模型验证,”在Proc, IEEE Int。Conf。图像的过程。,2010年,页1577 - 1580。
谷兄方,安德鲁·c·加拉格尔Tsuhan陈,亚历山大•Loui“建模面部特征遗传亲缘关系分类”
夏,m .邵和傅y”,通过transferlearning亲属关系验证,”在Proc, Int。联合相依的人工智能。,2011,pp。
http://www.digitaltrends.com/social - media/according——facebook————- 3.5亿-上传照片- - -社会网络日常-和- thatsjust疯了/
Aaa n .克里r·辛格和m . Vatsa。韦伯的脸的自相似性表示亲属关系的分类。在IEEE bta, 245 - 250页,2012年。
哈姆迪DibeklioA一glu,阿尔伯特·阿里·沙拉和Gevers西奥,“有其父必有其子:面部表情动态亲属验证”
Kathirvalavakumar Thangairulappan *, Jebakumari比乌拉Vasanthi Jeyasingh”,面临伽柏过滤器的表示使用组合方法,小波变换和直流电压和识别使用RBF”,《智能学习系统和应用程序,2012年,266 - 273
周继文说,他也是Junlin Hu Xiuzhuang渊源商,Yap-Peng Tan帮派王“邻里击退度量学习亲属验证”,模式分析与机器智能,IEEE事务,体积:36岁的问题:10.1109 / TPAMI.2013.134。
Cha张和诤友,“人脸检测的最新进展的一项调查显示,2010年6月,技术报告,msr - tr - 2010 - 66。
保罗中提琴,迈克尔·琼斯,“快速目标检测使用一个简单的特性,提高了级联接受计算机视觉与模式识别会议2001”