秦曉倩 劉大琨

1(淮陰師范學(xué)院城市與環(huán)境學(xué)院 江蘇 淮安 223300) 2(鹽城工學(xué)院機(jī)械工程學(xué)院 江蘇 鹽城 224051)

0 引 言

親屬關(guān)系驗(yàn)證的目標(biāo)是通過(guò)學(xué)習(xí)得到一個(gè)分類模型，以判斷給定的人臉圖像是否具有父子(FS)、父女(FD)、母子(MS)和母女(MD)等直接血親關(guān)系。分類模型所獲知的對(duì)象間的關(guān)系信息可被應(yīng)用于人臉識(shí)別、社會(huì)媒體分析、人臉標(biāo)注和圖像追蹤等[1]。已有的親屬關(guān)系驗(yàn)證方法可大致分為基于特征的和基于相似性學(xué)習(xí)的。Fang等[2]率先提出利用一些包括器官顏色、人臉的結(jié)構(gòu)和紋理信息等特征來(lái)刻畫親屬關(guān)系人臉圖像。此后，研究者提出了其他多種不同的特征[3-7]以及屬性[8]。還有一些工作提出融合多種特征[9-12]來(lái)刻畫親屬關(guān)系人臉圖像。基于相似性學(xué)習(xí)的方法學(xué)習(xí)一個(gè)特征轉(zhuǎn)換空間，以達(dá)到更好地刻畫親屬關(guān)系樣本間相似性的目的。其中，文獻(xiàn)[13-16]使用遷移學(xué)習(xí)來(lái)減少年老父母與子女間的臉部外觀差異。度量學(xué)習(xí)方法是該類別中另一有效的驗(yàn)證方法，其主要目標(biāo)是學(xué)習(xí)某個(gè)相似性度量，以使得親屬關(guān)系樣本間相似性大于非親屬關(guān)系樣本。已有的度量學(xué)習(xí)方法又可以進(jìn)一步根據(jù)所要學(xué)習(xí)的特征轉(zhuǎn)換矩陣的個(gè)數(shù)，繼續(xù)劃分為僅學(xué)習(xí)一個(gè)轉(zhuǎn)換矩陣的單度量學(xué)習(xí)[9,17]和學(xué)習(xí)多個(gè)轉(zhuǎn)換矩陣的多度量學(xué)習(xí)[10-11,18-23]兩種類型。Zhao等[24]和Liang等[25]則結(jié)合了度量學(xué)習(xí)與核方法，學(xué)習(xí)一個(gè)非線性的特征轉(zhuǎn)換矩陣。近期，深度學(xué)習(xí)亦被引入到親屬關(guān)系驗(yàn)證任務(wù)中[18,26]，但卻無(wú)法避免親屬關(guān)系人臉圖像的數(shù)據(jù)量較少這一問(wèn)題。Yan等[27]則使用基于人臉圖像的親屬關(guān)系驗(yàn)證工作中主流的幾種度量學(xué)習(xí)方法來(lái)對(duì)視頻中的親屬關(guān)系進(jìn)行判斷，但仍只是簡(jiǎn)單地將視頻中所有幀的均值作為某主體對(duì)象的最終的特征表示，從本質(zhì)上來(lái)看，仍然是基于圖像的。

盡管已經(jīng)有許多用于親屬關(guān)系驗(yàn)證的度量學(xué)習(xí)方法，但已有方法中的大多數(shù)都是直接在每種親屬關(guān)系訓(xùn)練樣本上統(tǒng)一學(xué)習(xí)，而鮮有討論年齡跨度對(duì)學(xué)習(xí)模型的影響。但是，隨著人的年齡增長(zhǎng)，人臉外觀會(huì)在形狀和紋理上發(fā)生顯著變化，這都將增加親屬關(guān)系驗(yàn)證的難度。另外，Xia等[13]的實(shí)驗(yàn)結(jié)果也表明，主體對(duì)象的年齡跨度越大，外觀相似性越低，如圖1所示，圖1(a)是孩子和其父/母在年輕時(shí)的人臉圖像對(duì)，圖1(b)是該孩子和其父/母在年老時(shí)的人臉圖像對(duì)，觀察發(fā)現(xiàn)，圖1(a)中對(duì)象間的相似程度更高。對(duì)分類模型來(lái)講，這些具有不同相似程度的樣本對(duì)模型的影響程度截然不同。

圖1 不同年齡跨度的親屬關(guān)系圖像對(duì)

本文提出一種年齡跨度感知的多任務(wù)學(xué)習(xí)方法，通過(guò)在具有不同年齡跨度的親屬關(guān)系樣本間共享判別信息的方法，達(dá)到利用更多判別信息的目的。所提出的方法在學(xué)習(xí)時(shí)區(qū)別對(duì)待由年齡跨度不同所引起的在相似程度上存在差異的樣本對(duì)，而不是簡(jiǎn)單地統(tǒng)一學(xué)習(xí)，解決了年齡跨度對(duì)親屬關(guān)系驗(yàn)證的影響問(wèn)題。

本文的主要工作如下：

(1) 在多任務(wù)學(xué)習(xí)框架下，將具有不同年齡跨度的親屬關(guān)系驗(yàn)證問(wèn)題分別看作一個(gè)學(xué)習(xí)任務(wù)，聯(lián)合學(xué)習(xí)兩類特征轉(zhuǎn)換矩陣，其中一類由所有學(xué)習(xí)任務(wù)共享，另一類則由每個(gè)學(xué)習(xí)任務(wù)獨(dú)享，以利用具有不同相似程度的樣本所蘊(yùn)含的判別信息。

(2) 為了充分利用父母-孩子對(duì)象在不同人臉局部區(qū)域中所表現(xiàn)的遺傳相似性，借助金字塔多層結(jié)構(gòu)進(jìn)行親屬關(guān)系人臉圖像特征的表示學(xué)習(xí)。

(3) 在親屬關(guān)系人臉數(shù)據(jù)庫(kù)KinFaceW和UBKinFace上與現(xiàn)有的度量學(xué)習(xí)方法進(jìn)行對(duì)比實(shí)驗(yàn)，驗(yàn)證了本文方法的有效性，并獲得了較高的驗(yàn)證性能。

1 年齡跨度感知的多任務(wù)親屬關(guān)系驗(yàn)證

本文提出的年齡跨度感知的多任務(wù)親屬關(guān)系驗(yàn)證方法整體框架如圖2所示，首先將訓(xùn)練樣本劃分為具有不同年齡跨度的樣本簇，再借助金字塔多層(Pyramid Multi-Level, PML)結(jié)構(gòu)進(jìn)行人臉圖像特征的表示學(xué)習(xí)，然后在多任務(wù)學(xué)習(xí)框架下學(xué)習(xí)特征轉(zhuǎn)換矩陣，最后使用SVM進(jìn)行親屬關(guān)系人臉圖像的驗(yàn)證。

圖2 年齡跨度感知的多任務(wù)學(xué)習(xí) 親屬關(guān)系驗(yàn)證算法框架

1.1 基于金字塔多層結(jié)構(gòu)的人臉特征表示學(xué)習(xí)

在日常生活中，我們經(jīng)常會(huì)聽到類似“小明的鼻子那兒和他媽媽真像”這樣的語(yǔ)句，因此，我們猜想，親屬關(guān)系對(duì)象間的遺傳相似性往往隱藏在臉部局部區(qū)域?；诖?，我們借助金字塔多層結(jié)構(gòu)，將父母-孩子人臉圖像分別劃分為不同尺度的多個(gè)局部塊，如圖3所示，我們?cè)贚=4個(gè)尺度上分別對(duì)人臉圖像進(jìn)行劃分，其中，在第l個(gè)尺度上，人臉被劃分為l2個(gè)局部人臉塊，從每個(gè)局部塊上，抽取維度為m的特征向量，再將所有特征向量按序置于二維矩陣的列上，最終，得到兩個(gè)大小為m×B的矩陣Xp和Xc，其中B為所有尺度上的全部局部塊的個(gè)數(shù)，即B=L(L+1)(2L+1)/6。

圖3 基于金字塔多層結(jié)構(gòu)的人臉劃分(Xpc)

(1)

1.2 年齡跨度感知的多任務(wù)學(xué)習(xí)方法

(2)

(3)

式中：轉(zhuǎn)換矩陣W0用于刻畫具有某種親屬關(guān)系樣本所共享的遺傳特性；Wt則被每個(gè)任務(wù)獨(dú)享，用于刻畫具有某種年齡跨度的親屬關(guān)系樣本的遺傳特性。

為了學(xué)習(xí)這兩種轉(zhuǎn)換矩陣，我們構(gòu)建下面的優(yōu)化問(wèn)題：

(4)

目標(biāo)函數(shù)G(W0,Wt,λ,η)關(guān)于W0和{Wt}是凸的，為了獲得W0和{Wt}，使用隨機(jī)梯度下降法求解式(4)。具體地，W0和{Wt}的梯度使用式(5)計(jì)算：

W0=W0L(·,·)+ηW0

Wt=WtL(·,·)+λWt

(5)

(6)

式中：μ是一個(gè)范圍在0到1之間的參數(shù)。

我們采取交替迭代優(yōu)化的策略進(jìn)行學(xué)習(xí)。具體地，首先固定W0，優(yōu)化{Wt}，再固定{Wt}，優(yōu)化W0。該過(guò)程一直重復(fù)直至到達(dá)預(yù)設(shè)的某種收斂條件，如迭代次數(shù)或相鄰兩輪經(jīng)驗(yàn)損失函數(shù)的差值變化小于某誤差等。

算法的具體過(guò)程整理如下：

算法1年齡跨度感知的多任務(wù)學(xué)習(xí)方法(AS-MTL)

參數(shù)：λ,η,迭代次數(shù)Nu,誤差τ。

輸出： 轉(zhuǎn)換矩陣W0和{Wt}。

Step1 初始化

1 隨機(jī)T+1個(gè)d×d的矩陣作為W0和{Wt}的初始值；

2 計(jì)算損失函數(shù)的值L0(·,·)；

Step2 優(yōu)化

Forr=1,2,…,Nu

固定W0，使用式(5)-式(6)更新{Wt}；

固定{Wt}，使用式(5)-式(6)更新W0；

計(jì)算Lr(·,·)；

若r>2且Lr-Lr-1∨τ，轉(zhuǎn)到Step3；

Step3 輸出

輸出轉(zhuǎn)換矩陣W0和{Wt}

1.3 SVM決策

當(dāng)從訓(xùn)練樣本中學(xué)習(xí)獲得轉(zhuǎn)換矩陣W0和{Wt}后，意味著已經(jīng)探尋到了所有親屬關(guān)系樣本所共有的投影轉(zhuǎn)換判別空間，以及具有不同年齡跨度的樣本簇各自獨(dú)享的判別空間。接下來(lái)，借助SVM訓(xùn)練一個(gè)分類器做最后的決策。

具體做法如下：

首先，對(duì)每個(gè)訓(xùn)練樣本簇中的每對(duì)訓(xùn)練樣本圖像數(shù)據(jù)，根據(jù)其所對(duì)應(yīng)的學(xué)習(xí)任務(wù)t，借助雙線性函數(shù)計(jì)算每幅圖像對(duì)主體間的相似度，即：

SW0,Wt(xp,xc)=(xp)T(W0+Wt)xc

(7)

接著，基于所有圖像對(duì)的相似度及其標(biāo)號(hào)，訓(xùn)練一個(gè)線性SVM分類器。

當(dāng)有待驗(yàn)證圖像對(duì)出現(xiàn)時(shí)，首先將待驗(yàn)證圖像對(duì)劃分到某個(gè)對(duì)應(yīng)的樣本簇t，再根據(jù)該樣本簇對(duì)應(yīng)的轉(zhuǎn)換矩陣Wt和共有轉(zhuǎn)換矩陣W0，借助式(7)計(jì)算該圖像對(duì)的相似度，最后使用訓(xùn)練好的SVM分類器進(jìn)行預(yù)測(cè)。

2 實(shí)驗(yàn)和結(jié)果分析

2.1 KinFaceW數(shù)據(jù)庫(kù)上的實(shí)驗(yàn)

2.1.1數(shù)據(jù)庫(kù)和實(shí)驗(yàn)設(shè)置

KinFaceW-I[9]和KinFaceW-II[9]是目前流行的親屬關(guān)系人臉圖像數(shù)據(jù)庫(kù)。這兩個(gè)數(shù)據(jù)庫(kù)最大的不同是前者中的每對(duì)人臉圖像來(lái)自于不同照片，而后者中的每對(duì)人臉則來(lái)自同一幅照片?？紤]到我們的目標(biāo)，即討論年齡跨度差異在親屬關(guān)系驗(yàn)證問(wèn)題中的影響，而KinFaceW-II中的父母—孩子年齡跨度情況較為單一，因此，我們?cè)贙inFaceW-I上驗(yàn)證本文算法的性能。圖4展示了KinFaceW-I數(shù)據(jù)庫(kù)中的四對(duì)圖像，其中每列的兩幅人臉圖像依次具有父子、父女、母子和母女關(guān)系。

圖4 KinFaceW-I數(shù)據(jù)庫(kù)圖像對(duì)樣本

KinFaceW-I[9]共包含156對(duì)父子、134對(duì)父女、116對(duì)母子和127對(duì)母女關(guān)系人臉圖像。但KinFaceW-I并未給出每幅人臉圖像上的主體對(duì)象的年齡信息，導(dǎo)致我們無(wú)法直接在其上驗(yàn)證本文算法。為此，我們采取人工標(biāo)注的方法，將該數(shù)據(jù)庫(kù)中的所有人臉對(duì)按照年齡跨度小于20歲和大于20歲這兩種情形進(jìn)行歸類處理，這直接使得式(4)中的參數(shù)T=2。當(dāng)然，也可以使用年齡分類器對(duì)人臉圖像進(jìn)行自動(dòng)年齡標(biāo)注，但這里為了使得圖像樣本對(duì)的年齡跨度更為精準(zhǔn)，使用了人工標(biāo)注的方法。實(shí)驗(yàn)遵循文獻(xiàn)[9]中的評(píng)估協(xié)議。

對(duì)本文方法中的參數(shù)，即λ、η、Nu和τ，使用4折交叉驗(yàn)證方法設(shè)置它們的值，具體地，對(duì)λ，其候選值的值域?yàn)閧0.001,0.01}，對(duì)η，則根據(jù)λ的值確定其值的變化范圍，分別是{1×10-4:10:1×103}或{1×10-3:10:1×104}。分別設(shè)置Nu=200,τ=0.1。

2.1.2結(jié)果和分析

1) 基準(zhǔn)實(shí)驗(yàn)。首先，我們?cè)O(shè)計(jì)了基準(zhǔn)方法Base_1以討論在學(xué)習(xí)過(guò)程中考慮年齡跨度影響的有效性。具體地，將式(4)中的T設(shè)置為1。其次，為了討論特征選擇方法的有效性，我們執(zhí)行了本文方法的無(wú)特征選擇版本Base_2。

對(duì)這兩組基準(zhǔn)實(shí)驗(yàn)，我們?yōu)槊糠四槇D像抽取和數(shù)據(jù)庫(kù)發(fā)布者[9]所使用的相同的兩種特征：(1) SIFT：從相互之間有8個(gè)像素重疊的大小為16×16的塊中抽取SIFT特征。接著，將這些特征拼接為一個(gè)維度為6 272的特征向量。(2) LBP：將圖像分為4×4個(gè)相互之間無(wú)重疊像素的塊，每個(gè)塊的大小為16×16。接著，從每個(gè)塊中抽取256維的LBP特征，并拼接為4 096維特征向量。使用PCA將提取的兩種特征向量分別降到100維以去除噪聲。

表1是實(shí)驗(yàn)結(jié)果。通過(guò)觀察，得到以下結(jié)論：

表1 基準(zhǔn)方法和本文方法在KinFaceW-I

(1) 由于考慮了年齡跨度的影響，Base_2在所有親屬關(guān)系上可以獲得比Base_1更高的性能，且平均來(lái)看，兩種特征可分別獲得12.0百分點(diǎn)和12.5百分點(diǎn)的提高，說(shuō)明在學(xué)習(xí)時(shí)考慮不同年齡跨度的影響是十分有效的。

(2) 所提的AS-MTL可以在Base_2的基礎(chǔ)上進(jìn)一步提升性能，說(shuō)明特征選擇的有效性。實(shí)驗(yàn)中每種親屬關(guān)系上選擇出的人臉區(qū)域如圖5所示，其中被黑色塊覆蓋的部分是未被選擇的局部區(qū)域。觀察發(fā)現(xiàn)，所選的人臉塊大多位于人臉上的關(guān)鍵器官區(qū)域，這與我們?nèi)粘Ｉ钪械慕?jīng)驗(yàn)相一致。另外，我們也發(fā)現(xiàn)，在不同種類的親屬關(guān)系人臉圖像數(shù)據(jù)上選出的局部區(qū)域有所不同，這也暗示了性別對(duì)親屬關(guān)系驗(yàn)證的影響。

圖5 KinFaceW-I數(shù)據(jù)庫(kù)親屬關(guān)系圖像選出的人臉區(qū)域

(3) SIFT特征在所使用的兩種特征中可以獲得更好的性能，在后面，我們將使用該特征與其他算法進(jìn)行比較。

為了進(jìn)一步展示本文方法的有效性，我們將KinFaceW-I數(shù)據(jù)庫(kù)中500對(duì)隨機(jī)的親屬關(guān)系對(duì)和非親屬關(guān)系對(duì)在Base_1和Base_2方法下的相似度分布進(jìn)行了可視化處理，結(jié)果如圖6所示，其中：圖6(a)是Base_1方法所獲得的相似度分布；圖6(b)是Base_2方法的相似度分布。通過(guò)觀察可以發(fā)現(xiàn)，親屬關(guān)系對(duì)和非親屬關(guān)系對(duì)的相似度分布在Base_1方法所獲轉(zhuǎn)換空間中存在較為嚴(yán)重的重疊現(xiàn)象，而它們?cè)贐ase_2方法所獲得的轉(zhuǎn)換空間中則變得更可分，再一次說(shuō)明本文方法的有效性。

圖6 KinFaceW-I數(shù)據(jù)庫(kù)中500對(duì)親屬關(guān)系對(duì)和 500對(duì)非親屬關(guān)系對(duì)的相似度分布

2) 與其他度量學(xué)習(xí)方法的對(duì)比。由于本文方法需要學(xué)習(xí)特征轉(zhuǎn)換矩陣，這與已有的度量學(xué)習(xí)方法NRML[9]和NRCML[17]的學(xué)習(xí)目標(biāo)一致，為此，我們還將本文方法與這兩個(gè)度量學(xué)習(xí)方法進(jìn)行了比較。其中，NRML方法在學(xué)習(xí)時(shí)利用不同非親屬關(guān)系樣本對(duì)度量學(xué)習(xí)的不同影響，提出尋求一個(gè)特征轉(zhuǎn)換矩陣，以使得所有親屬關(guān)系樣本對(duì)的距離盡可能小而所有非親屬關(guān)系樣本對(duì)之間的距離盡可能大。而NRCML則在NRML的基礎(chǔ)上引入了相關(guān)性度量。

由于兩個(gè)對(duì)比方法僅在前述人臉特征上進(jìn)行了特征轉(zhuǎn)換矩陣的學(xué)習(xí)，而沒(méi)有進(jìn)行特征學(xué)習(xí)，因此，我們還將本文方法的無(wú)特征選擇版本Base_2與對(duì)比方法進(jìn)行了比較。除此之外，我們還將本文方法與兩個(gè)多視圖度量學(xué)習(xí)方法S3L[22]和MHDL3-V[19]進(jìn)行了比較。這兩種方法旨在利用多種特征相互間能提供互補(bǔ)性判別信息的能力來(lái)學(xué)習(xí)多個(gè)特征轉(zhuǎn)換矩陣。其中：S3L[22]使用了SIFT、HOG和LBP特征；而MHDL3-V[19]則使用了FV、Color和LPQ三種特征。所有對(duì)比方法的性能均來(lái)自對(duì)應(yīng)文獻(xiàn)。表2比較了Base_2、AS-MTL和四個(gè)對(duì)比度量學(xué)習(xí)方法在KinFaceW-I上的結(jié)果。我們有以下幾點(diǎn)觀察：(1) 與單度量學(xué)習(xí)方法NRML[9]和NRCML[17]相比，由于NRCML[17]方法是NRML[9]方法的改進(jìn)，因此可以獲得較高的平均性能。相較于NRCML[17]方法，Base_2在KinFaceW-I上平均獲得9.3百分點(diǎn)的提高，再一次說(shuō)明在學(xué)習(xí)時(shí)考慮年齡跨度影響的有效性，而所提AS-MTL則可進(jìn)一步平均獲得4.0百分點(diǎn)的提高，說(shuō)明本文方法的有效性。(2) 與多度量學(xué)習(xí)方法S3L[22]和MHDL3-V[19]相比，由于S3L[22]和MHDL3-V[19]使用了多種特征，因此可以獲得比僅使用一個(gè)特征的NRML[9]和NRCML[17]方法更高的性能。而MHDL3-V[19]方法除了利用多種特征的互補(bǔ)性外，還學(xué)習(xí)了對(duì)稱和非對(duì)稱的多種度量，因此可以獲得最高的驗(yàn)證性能。所提的AS-MTL方法也僅使用了一種特征，但在經(jīng)過(guò)特征選擇后可以獲得與MHDL3-V[19]方法相當(dāng)?shù)钠骄?yàn)證性能，說(shuō)明本文方法的有效性。

3)與其他多任務(wù)學(xué)習(xí)方法的對(duì)比。由于本文方法構(gòu)建在多任務(wù)學(xué)習(xí)框架下，因此，我們還將本文方法與No-group MTL[28]和GO-MTL[29]這兩個(gè)子空間正則化多任務(wù)學(xué)習(xí)方法進(jìn)行了比較。其中：No-group MTL方法假設(shè)所有的學(xué)習(xí)任務(wù)是相關(guān)的，并通過(guò)對(duì)學(xué)習(xí)參數(shù)施加Lq,1正則化范數(shù)的方法來(lái)約束學(xué)習(xí)任務(wù)處于某個(gè)低維子空間；而GO-MTL方法則假設(shè)每個(gè)學(xué)習(xí)任務(wù)的參數(shù)向量是一些潛在的基任務(wù)的線性組合。

圖7比較了Base_1、Base_2、AS-MTL和兩個(gè)對(duì)比多任務(wù)學(xué)習(xí)方法在KinFaceW-I上的平均驗(yàn)證精度。觀察發(fā)現(xiàn)，所有多任務(wù)學(xué)習(xí)方法都可以獲得比Base_1方法更高的性能，說(shuō)明在進(jìn)行親屬關(guān)系驗(yàn)證時(shí)，考慮年齡跨度影響，并同時(shí)學(xué)習(xí)具有不同年齡跨度的樣本間的參數(shù)，可以有效提高泛化性能。

圖7 不同方法在KinFaceW-I庫(kù)上的平均驗(yàn)證精度比較

其中，GO-MTL通過(guò)引入重疊組結(jié)構(gòu)，在No-group MTL的基礎(chǔ)上獲得了3.1百分點(diǎn)的提高，說(shuō)明具有不同年齡跨度的樣本簇相互間具有一定的結(jié)構(gòu)。而Base_2方法則可在其基礎(chǔ)上進(jìn)一步提高2.7百分點(diǎn)。原因是，相較于GO-MTL方法所假設(shè)的學(xué)習(xí)任務(wù)間存在的重疊組結(jié)構(gòu)，Base_2方法僅通過(guò)在任務(wù)間共享一個(gè)共有轉(zhuǎn)換矩陣的形式在學(xué)習(xí)任務(wù)間共享判別信息，是一種相對(duì)松弛的學(xué)習(xí)方法，因此有機(jī)會(huì)獲得更高的驗(yàn)證性能。

4) 參數(shù)的影響。我們還討論了參數(shù)u=λ/η的大小對(duì)算法性能的影響，具體地，通過(guò)固定參數(shù)λ的值，變化參數(shù)η大小的方式進(jìn)行查看。另外需要說(shuō)明的是，為了更純粹地討論年齡跨度對(duì)驗(yàn)證結(jié)果的影響，需要將特征選擇過(guò)程剝離，因此，我們?cè)诒疚姆椒ǖ臒o(wú)特征選擇版本Base_2上進(jìn)行具體的分析。圖8展示了在u取不同值時(shí)，Base_2方法的平均驗(yàn)證性能。觀察發(fā)現(xiàn)，當(dāng)u較大時(shí)，算法性能相對(duì)較低，表明具有不同年齡跨度的親屬關(guān)系樣本不能被無(wú)差別地統(tǒng)一處理。

圖8 參數(shù)u=λ/η對(duì)驗(yàn)證性能的影響

2.2 UBKinFace數(shù)據(jù)庫(kù)上的實(shí)驗(yàn)

2.2.1數(shù)據(jù)庫(kù)和實(shí)驗(yàn)設(shè)置

UBKinFace數(shù)據(jù)庫(kù)[13]包含200組親屬關(guān)系人臉圖像，每組人臉圖像由年老父母圖像、年輕父母圖像和孩子圖像組成，圖9展示了數(shù)據(jù)庫(kù)中的四組人臉圖像，其中每列的三幅人臉圖像依次是年老父母、年輕父母和孩子的圖像。

圖9 UBKinFace數(shù)據(jù)庫(kù)圖像組樣本

已有的親屬關(guān)系驗(yàn)證算法都遵循文獻(xiàn)[13]中的協(xié)議，即構(gòu)建兩個(gè)子集：“孩子—年輕父母”和“孩子—年老父母”，并分別在這兩個(gè)子集上驗(yàn)證算法的性能。而我們的目標(biāo)，是要討論年齡跨度差異在親屬關(guān)系驗(yàn)證問(wèn)題中的影響，因此，我們?cè)谧裱墨I(xiàn)[13]中的5折交叉驗(yàn)證協(xié)議的基礎(chǔ)上，采取將這兩個(gè)子集合并且按照兩種不同年齡跨度情形進(jìn)行歸類處理的策略來(lái)驗(yàn)證本文算法的性能。

對(duì)本文方法中的參數(shù)，即λ、η、Nu和τ，采用與前述KinFaceW親屬關(guān)系人臉數(shù)據(jù)庫(kù)上相同的策略來(lái)設(shè)置它們的值。

2.2.2結(jié)果和分析

1) 基準(zhǔn)實(shí)驗(yàn)。我們執(zhí)行了本文方法AS-MTL及其無(wú)特征選擇版本Base_2，在實(shí)驗(yàn)中，我們?yōu)槊糠四槇D像抽取與KinFaceW數(shù)據(jù)庫(kù)所使用的相同的SIFT特征，表3是實(shí)驗(yàn)結(jié)果。通過(guò)觀察，可以發(fā)現(xiàn)，所提的AS-MTL可以在Base_2的基礎(chǔ)上提升2.5百分點(diǎn)的驗(yàn)證性能，說(shuō)明方法的有效性。

表3 基準(zhǔn)方法和本文方法在UBKinFace

2) 與其他最好學(xué)習(xí)方法的對(duì)比。我們將本文方法和包括基于遷移學(xué)習(xí)的文獻(xiàn)[13]的方法、基于單度量學(xué)習(xí)的NRML[9]、非線性多度量學(xué)習(xí)的NMML[21]和基于深度神經(jīng)網(wǎng)絡(luò)的KML[26]等在內(nèi)的四個(gè)方法在UBKinFace數(shù)據(jù)庫(kù)上進(jìn)行了比較。但由于已有的方法都是分別在子集1“孩子—年輕父母”和子集2“孩子—年老父母”上驗(yàn)證算法的性能，因此我們?nèi)∵@些對(duì)比算法在兩個(gè)子集上的驗(yàn)證精度的均值作對(duì)比。

表4是實(shí)驗(yàn)結(jié)果，其中所有對(duì)比算法的最后一列的精度值是其在兩個(gè)子集上精度的均值。我們有以下幾點(diǎn)觀察：(1) 與單度量學(xué)習(xí)方法NRML[9]和多度量學(xué)習(xí)方法NMML[21]相比，本文方法的無(wú)特征選擇版本Base_2可以獲得與NMML[21]相當(dāng)?shù)尿?yàn)證精度，說(shuō)明在進(jìn)行親屬關(guān)系驗(yàn)證時(shí)考慮年齡跨度影響是十分有效的，而AS-MTL可以獲得比其高2.7百分點(diǎn)的平均驗(yàn)證精度，說(shuō)明所提特征選擇策略的有效性。(2) 與基于深度神經(jīng)網(wǎng)絡(luò)的KML[26]相比，所提AS-MTL可以獲得0.9百分點(diǎn)的平均驗(yàn)證精度的提高，再次說(shuō)明本文方法的有效性。同時(shí)也說(shuō)明，在樣本數(shù)量較少的親屬關(guān)系數(shù)據(jù)上直接使用深度學(xué)習(xí)未必是最好的選擇。

表4 不同方法在UBKinFace庫(kù)上的驗(yàn)證精度比較(%)

3 結(jié) 語(yǔ)

為了討論親屬關(guān)系驗(yàn)證問(wèn)題中具有不同年齡跨度的樣本對(duì)相似性學(xué)習(xí)具有不同影響的問(wèn)題，提出一種年齡跨度感知的多任務(wù)學(xué)習(xí)方法。實(shí)驗(yàn)表明，由于在多任務(wù)學(xué)習(xí)框架下同時(shí)學(xué)習(xí)具有不同年齡跨度的親屬關(guān)系樣本所蘊(yùn)含的共有的、獨(dú)有的空間結(jié)構(gòu)信息，因此，可以利用更多的判別信息，進(jìn)而獲得較高的驗(yàn)證性能。探討年齡跨度對(duì)親屬關(guān)系驗(yàn)證的影響是利用人臉圖像進(jìn)行親屬關(guān)系驗(yàn)證的第一次嘗試，在今后的工作中，我們將考慮用自動(dòng)化的方式獲取年齡跨度，再在此基礎(chǔ)上，構(gòu)建一個(gè)年齡分類和親屬關(guān)系驗(yàn)證的統(tǒng)一學(xué)習(xí)模型。