人脸亲子关系验证是计算机视觉领域近几年新兴的一个研究方向,主要研究依据人脸图像判断一对人脸图像是否具有亲子关系的方法,在丢失儿童寻找、社会媒体分析、家庭相簿整理、图像标注等方面具有广泛的应用前景。亲子关系验证研究最初是在心理学层面开展的,自2010年以来,基于计算机视觉的亲子关系验证研究逐渐受到关注,但目前基于计算机视觉的亲子关系验证算法在特征提取算法和分类算法方面仍存在不足。针对目前亲子关系验证算法主要从人脸灰度图像进行特征提取,因而特征信息量较少,且易受光照影响的问题,论文研究了基于颜色纹理特征的亲子关系验证算法。首先研究了基于三种颜色空间(RGB、YCbCr、HSV)的特征提取方法并应用于亲子关系验证,实验结果表明:基于这三种颜色空间的特征提取方法均优于基于灰度图像的特征提取方法,且基于HSV颜色空间的特征提取算法优于其他两种颜色空间。论文还研究了基于不同颜色空间融合的特征提取方法,实验表明:融合HSV颜色空间和YCbCr颜色空间的特征提取算法效果最优。距离度量是亲子关系分类中的核心问题。针对目前常用的距离度量算法难以有效区分正负样本的问题,本文将信息理论度量学习(Information-Theoretic Metric Learning,ITML)算法引入到亲子关系验证的距离度量方面。通过优化距离度量方法,使得具有亲子关系的样本间距离较小,而不具有亲子关系对的样本距离较大,进而更好分离正负样本对,提高亲子关系分类的准确率。实验结果证明了引入ITML算法优化度量方法可以在一定程度上提高亲子关系的识别率。在上述研究基础上,论文进一步研究了结合颜色特征和ITML的亲子关系验证算法,以及结合颜色特征和邻域驳斥度量学习算法(Neighborhood Repulsed Metric Learning,NRML)的亲子关系验证算法,并通过实验验证了结合颜色特征提取方法和距离度量学习算法可进一步提高亲子关系验证算法的准确率。