摘要

基于人脸图像的亲属关系验证是计算机视觉领域一个富有挑战性且引人关注的问题，然而现有文献中针对该问题的研究仍十分有限。本文提出一种新型的邻域排斥度量学习方法（Neighborhood Repulsed Metric Learning, NRML），用于解决亲属关系验证问题。受以下现象启发：在无亲属关系的类间样本中，相似度较高的样本往往聚集在局部邻域内，且比相似度较低的样本更容易被误分类，因此我们旨在学习一种距离度量，使得具有亲属关系的类内样本尽可能相互靠近，同时将处于邻域内的类间样本进行排斥并尽可能推远，从而在提升判别能力的同时，更有效地挖掘可用于验证的特征信息。为进一步充分利用多种特征描述子提取互补信息，我们进一步提出了多视角NRML（Multiview NRML, MNRML）方法，通过寻找一个统一的距离度量来实现多特征融合，以进一步提升亲属关系验证的性能。实验结果验证了所提方法的有效性。最后，我们还评估了人类在基于人脸图像的亲属关系验证任务中的表现，实验结果表明，本文提出的方法在性能上可与人类观察者相媲美。