[發(fā)明專利]一種基于語義分割的人臉圖像的分割網(wǎng)絡(luò)的方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202010628571.5
• 申請(qǐng)日: 2020-07-02
• 公開（公告）號(hào): CN111899169A
• 公開（公告）日: 2020-11-06
• 發(fā)明（設(shè)計(jì)）人: 楊海東;李澤輝;陳俊杰;黃坤山
• 申請(qǐng)（專利權(quán)）人: 佛山市南海區(qū)廣工大數(shù)控裝備協(xié)同創(chuàng)新研究院;佛山市廣工大數(shù)控裝備技術(shù)發(fā)展有限公司
• 主分類號(hào): G06T3/40
• 分類號(hào): G06T3/40;G06T5/00;G06T5/50;G06T7/11;G06T7/13;G06T7/40;G06K9/34;G06N3/04;G06N3/08
• 代理公司: 廣東廣信君達(dá)律師事務(wù)所 44329
• 代理人: 江金城

1.一種基于語義分割的人臉圖像的分割網(wǎng)絡(luò)的方法，其特征在于，包括如下步驟：

步驟S1：通過一系列操作后獲得相應(yīng)的用于人臉分割的圖像數(shù)據(jù)集；

步驟S2：構(gòu)建分割的深度卷積網(wǎng)絡(luò)結(jié)構(gòu)；

步驟S3：用步驟S2的網(wǎng)絡(luò)結(jié)構(gòu)去訓(xùn)練數(shù)據(jù)得到相應(yīng)的訓(xùn)練模型；

步驟S4：用驗(yàn)證集進(jìn)行驗(yàn)證、調(diào)參，并選出最優(yōu)模型；

步驟S5：用測(cè)試集對(duì)選出的最優(yōu)模型進(jìn)行測(cè)試，評(píng)估模型性能。

2.根據(jù)權(quán)利要求1所述的基于語義分割的人臉圖像的分割網(wǎng)絡(luò)的方法，其特征在于，所述步驟S1還包括如下步驟：

步驟S11:采用人臉識(shí)別數(shù)據(jù)集Labeled Faces in the wild(LFW)，將訓(xùn)練集、驗(yàn)證集和測(cè)試集分別按比例進(jìn)行劃分。

3.根據(jù)權(quán)利要求1所述的基于語義分割的人臉圖像的分割網(wǎng)絡(luò)的方法，其特征在于，所述步驟S1中的一系列操作包括均值化、去霧、裁剪操作。

4.根據(jù)權(quán)利要求1所述的基于語義分割的人臉圖像的分割網(wǎng)絡(luò)的方法，其特征在于，所述步驟S2還包括如下步驟：

步驟S21：所述深度卷積網(wǎng)絡(luò)采用encoder-decoder架構(gòu)作為網(wǎng)絡(luò)結(jié)構(gòu)，該網(wǎng)絡(luò)結(jié)構(gòu)包括編碼器模塊和解碼器模塊；

步驟S22：所述編碼器模塊包括三個(gè)部分，分別是快速下采樣模塊、信息交互模塊、以及擴(kuò)張組；

步驟S23：所述解碼器模塊，主要由雙線性的上采樣層和一個(gè)卷積層構(gòu)成，卷積層后接一個(gè)softmax層進(jìn)行像素級(jí)的分類；

步驟S24：對(duì)解碼器模塊的輸出進(jìn)行后處理，通過采用引導(dǎo)濾波器來保留臉部與頭發(fā)邊緣的細(xì)節(jié)，以及降低噪聲。

5.根據(jù)權(quán)利要求4所述的基于語義分割的人臉圖像的分割網(wǎng)絡(luò)的方法，其特征在于，所述步驟S22還包括如下步驟：

步驟S221：所述快速下采樣模塊由三個(gè)卷積層組成，而采用的卷積層有兩種形式，一種是標(biāo)準(zhǔn)的卷積層，另一種是深度可分離的卷積層；深度可分離的卷積層可以有效的減少模型的參數(shù)量，進(jìn)而減少計(jì)算的負(fù)擔(dān)；每個(gè)卷積層后都皆有BN層以及使用RELU激活函數(shù)；

步驟S222：所述信息交互模塊的結(jié)構(gòu)采用MobileNet V2的反轉(zhuǎn)殘差瓶頸塊(Invertedbottleneck residual block)，通過不同維度的特征圖的信息交互和結(jié)合，去獲得美觀的輸出；

步驟S223：所述擴(kuò)張組是對(duì)通過信息交互模塊進(jìn)行特征融合后的模塊進(jìn)行空間上的擴(kuò)張卷積，通過擴(kuò)張卷積，能夠增大卷積核的感受野，捕捉到更多層次的上下文信息。