一种基于级联卷积神经网络的人像分割方法技术

本发明专利技术公开了一种基于级联卷积神经网络的人像分割方法。它具体包括如下步骤：(1)搜集大量的人像数据，对数据进行人工标注，得到与原始图像一致的二值化人像标注掩膜；(2)构建多尺度的图像输入；(3)构建主级人像分割网络；(4)构建次级人像分割网络；(5)构建次级人像分割网络的输入；(6)构建整个网络的损失函数；(7)根据整个网络的损失函数对整个网络进行反向传播更新权重，获得训练好的人像分割模型。本发明专利技术的有益效果是：在少量增加模型复杂度的情况下，较好的恢复人像边缘；保证次级网络在优化人像边缘的同时，保持人像完整性；提升人像整体的分割效果以及人像边缘的准确性。

【技术实现步骤摘要】
一种基于级联卷积神经网络的人像分割方法
本专利技术涉及图像处理相关
，尤其是指一种基于级联卷积神经网络的人像分割方法。
技术介绍
人像分割是指将图片中的人像与背景分离出来，分离出来的人像将为后续进行背景虚化、背景替换、人像移动等应用提供基础。由于背景的复杂程度高，以及人像姿态的多样化，导致传统的人像分割不能很好的提取人像区域，因此目前的人像分割技术大多是基于深度学习的方法。基于深度学习的人像分割方法通常采用全卷积神经网络，用端到端预测的方式来分割人像与背景，例如FCN、U-net、DeepLab等网络架构。但这些方法普遍存在边缘分割不准的问题，或者通过提高网络模型的大小来提升结果的准确性，从而导致算法复杂度增加，运行速度较慢。因此，无法在效果和性能方面达到一个很好的平衡，难以满足当前的需求。
技术实现思路
本专利技术是为了克服现有技术中存在上述的不足，提供了一种提升分割效率和边缘准确性的基于级联卷积神经网络的人像分割方法。为了实现上述目的，本专利技术采用以下技术方案：一种基于级联卷积神经网络的人本文档来自技高网...

【技术保护点】
1.一种基于级联卷积神经网络的人像分割方法，其特征是，具体包括如下步骤：/n(1)搜集大量的人像数据，对数据进行人工标注，得到与原始图像一致的二值化人像标注掩膜；/n(2)构建多尺度的图像输入：对原始输入图像进行预处理，得到RGB输入图像I

【技术特征摘要】
1.一种基于级联卷积神经网络的人像分割方法，其特征是，具体包括如下步骤：
(1)搜集大量的人像数据，对数据进行人工标注，得到与原始图像一致的二值化人像标注掩膜；
(2)构建多尺度的图像输入：对原始输入图像进行预处理，得到RGB输入图像I1，对相应的二值化人像标注掩膜做同样的预处理操作得到人像掩膜Iy，对RGB输入图像I1进行两次缩放操作，分别得到RGB输入图像I2和RGB输入图像I3；
(3)构建主级人像分割网络：由卷积模块、下采样层和上采样层组成，卷积模块由若干特征提取单元组成，每个特征提取单元包括卷积层、归一化层以及激活层，RGB输入图像I1经过主级人像分割网络后得到人像概率输出P1；
(4)构建次级人像分割网络：由可分离卷积模块、下采样层和上采样层组成，可分离卷积模块由可分离卷积层、归一化层和激活层组成；
(5)构建次级人像分割网络的输入：将步骤(2)中RGB输入图像I1、RGB输入图像I2和RGB输入图像I3分别与不同等级的特征进行通道上的合并后输入到次级人像分割网络的不同阶段；经过次级人像分割网络后，得到最终的优化人像概率输出P2；
(6)构建整个网络的损失函数：将人像概率输出P1、人像概率输出P2与人像掩膜Iy进行交叉熵损失函数运算，得到loss1和loss2，将loss1和loss2按不同权重相加作为整个网络的损失函数loss；
(7)根据权重loss对整个网络进行反向传播更新权重，获得训练好的人像分割模型。


2.根据权利要求1所述的一种基于级联卷积神经网络的人像分割方法，其特征是，在步骤(1)中，具体操作方法为：从各种渠道搜集若干人像数据，并使用photoshop软件对数据进行人工标注，背景区域标记为0，人像区域标记为1，得到与原始图像一致的二值化人像标注掩膜。


3.根据权利要求1所述的一种基于级联卷积神经网络的人像分割方法，其特征是，在步骤(2)中，构建多尺度的图像输入的具体操作方法为：首先对原始输入图像进行预处理，得到尺寸为512*512*3的RGB输入图像I1；然后对相应的二值化人像标注掩膜做同样的预处理操作得到尺寸为512*512*1的人像掩膜Iy；最后对RGB输入图像I1进行两次缩放操作，分别得到尺寸为256*256*3的RGB输入图像I2和尺寸为128*128*3的RGB输入图像I3。

<...

【专利技术属性】
技术研发人员：张明琦，李云夕，熊永春，
申请(专利权)人：杭州趣维科技有限公司，
类型：发明
国别省市：浙江;33