Kinship verification from facial images in the wild based on one-to-one classification has gathered a promising attention by image processing and computer vision researchers. While family classification based on one-to-many classification is relatively the least explored domain in computer vision. This paper first performs family classification on different family-sets based on number of family members. Second, we perform kinship verification on different kinship relations covering parent–child and siblings. We present a new kinship database named KinIndian dedicated for these two tasks of family classification and kinship verification. KinIndian database comprises 1926 images of 813 individuals from 230 unique Indian families with 2–7 members. KinIndian is designed into two levels: the first is family-level for family classification, and the second is photo-level for kinship verification. We propose a novel weighted nearest member metric leaning (WNMML) method to evaluate family classification on different family-sets. Proposed WNMML method is based on minimizing intraclass separation by characterizing compactness for positive families and maximizing interclass separation by pushing members of negative families as far as possible. WNMML achieves competitive accuracy on different family-sets and hence shows that WNMML could be effectively used in real-world scenarios. Furthermore, we also perform kinship verification on KinIndian using baseline multimetric learning methods and achieves promising and encouraging kinship accuracy.

基于一对一分类的野外面部图像亲属关系验证已引起图像处理和计算机视觉研究人员的广泛关注。而基于一对多分类的家庭分类相对来说是计算机视觉中探索最少的领域。本文首先根据家庭成员的数量对不同的家庭集进行家庭分类。其次，我们对不同的亲属关系进行亲属关系验证，包括父子和兄弟姐妹。我们提出了一个名为 KinIndian 的新亲属关系数据库，专门用于家庭分类和亲属关系验证这两项任务。KinIndian 数据库包含来自 230 个独特的印度家庭（有 2-7 名成员）的 813 个人的 1926 张图像。KinIndian 设计成两个层次：第一个是family-level，用于家庭分类，二是照片级别的亲属关系验证。我们提出了一种新颖的加权最近成员度量学习 (WNMML) 方法来评估不同家庭集上的家庭分类。所提出的 WNMML 方法基于通过表征积极家庭的紧凑性来最小化类内分离，并通过尽可能推动消极家庭的成员来最大化类间分离。WNMML 在不同的族集上实现了有竞争力的准确性，因此表明 WNMML 可以有效地用于现实世界的场景。此外，我们还使用基线多度量学习方法对 KinIndian 进行亲属关系验证，并实现了有希望和令人鼓舞的亲属关系准确性。我们提出了一种新颖的加权最近成员度量学习 (WNMML) 方法来评估不同家庭集上的家庭分类。所提出的 WNMML 方法基于通过表征积极家庭的紧凑性来最小化类内分离，并通过尽可能推动消极家庭的成员来最大化类间分离。WNMML 在不同的族集上实现了有竞争力的准确性，因此表明 WNMML 可以有效地用于现实世界的场景。此外，我们还使用基线多度量学习方法对 KinIndian 进行亲属关系验证，并实现了有希望和令人鼓舞的亲属关系准确性。我们提出了一种新颖的加权最近成员度量学习 (WNMML) 方法来评估不同家庭集上的家庭分类。所提出的 WNMML 方法基于通过表征积极家庭的紧凑性来最小化类内分离，并通过尽可能推动消极家庭的成员来最大化类间分离。WNMML 在不同的族集上实现了有竞争力的准确性，因此表明 WNMML 可以有效地用于现实世界的场景。此外，我们还使用基线多度量学习方法对 KinIndian 进行亲属关系验证，并实现了有希望和令人鼓舞的亲属关系准确性。所提出的 WNMML 方法基于通过表征积极家庭的紧凑性来最小化类内分离，并通过尽可能推动消极家庭的成员来最大化类间分离。WNMML 在不同的族集上实现了有竞争力的准确性，因此表明 WNMML 可以有效地用于现实世界的场景。此外，我们还使用基线多度量学习方法对 KinIndian 进行亲属关系验证，并实现了有希望和令人鼓舞的亲属关系准确性。所提出的 WNMML 方法基于通过表征积极家庭的紧凑性来最小化类内分离，并通过尽可能推动消极家庭的成员来最大化类间分离。WNMML 在不同的族集上实现了有竞争力的准确性，因此表明 WNMML 可以有效地用于现实世界的场景。此外，我们还使用基线多度量学习方法对 KinIndian 进行亲属关系验证，并实现了有希望和令人鼓舞的亲属关系准确性。