一种无需标注的人脸分割方法及系统技术方案

本发明专利技术公开了一种无需标注的人脸分割方法及系统，包括：根据标准证件照片的先验知识，生成第一训练数据集，通过设计人脸分割网络的结构和损失函数，构建第一集成人脸分割网络模型；利用第一集成人脸分割网络模型对标准人脸图像数据进行分割生成第二训练数据集，并对人脸分割网络进行训练，构造第二集成人脸分割网络模型；利用第二集成人脸分割网络模型对标准人脸图像数据进行分割，生成第三训练数据集；利用第一集成人脸分割网络模型对标准证件照片图像数据进行分割，生成第四训练数据集；通过第三训练数据集和第四训练数据集，对人脸分割网络进行训练，得到统一人脸分割网络模型，本发明专利技术无需人工标注，大大节约了成本，降低了产品开发难度。产品开发难度。产品开发难度。

【技术实现步骤摘要】
一种无需标注的人脸分割方法及系统


[0001]本专利技术涉及人脸处理领域，尤其涉及一种无需标注的人脸分割方法及系统。

技术介绍

[0002]近几年深度学习技术取得了长足的进步，在大多数高层次的视觉任务中，深度学习技术比传统的方法具有明显的优势。目前在人脸相关的任务中，深度学习技术已占据了统治地位。但是深度学习技术需要大量的训练数据来训练模型才能取得良好的效果，而高精度的人脸分割数据的标注难度大、标注成本高，需要花费标注人员大量的时间。

技术实现思路

[0003]为了解决现有的技术问题，本专利技术的目的是设计一种无需标注的人脸分割方法不但可以节约成本而且可以大大加快产品的落地时间。
[0004]为了实现上述技术目的，本专利技术提供了一种无需标注的人脸分割方法，包括以下步骤：
[0005]根据标准证件照片的先验知识，构造图像标签生成和过滤规则，对证件照片图像数据进行处理生成第一训练数据集。设计高容错的人脸分割网络结构和损失函数，在第一训练数据集上训练，并集成各阶段的训练结果构建第一集成人脸分割网络模型。
[0本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种无需标注的人脸分割方法，其特征在于，包括以下步骤：基于标准证件照片的特点，构建先验知识模型，生成训练数据集，所述训练数据集用于作为适合人脸分割任务的网络模型的输入数据，对所述网络模型进行训练，其中，所述先验知识模型用于自动对所述标准证件照片进行标注，生成用于构建所述训练数据集的标签图像；构建适合人脸分割任务的所述网络模型，所述网络模型用于通过对所述训练数据集进行训练，生成人脸分割网络模型；将所述训练数据集作为所述网络模型的所述输入数据，对所述网络模型进行训练，构建所述人脸分割网络模型，所述人脸分割网络模型用于将普通照片生成标准的证件照片；根据标准证件照片的先验知识，构造图像标签生成和过滤规则，对证件照片图像数据进行处理生成第一训练数据集。设计高容错的人脸分割网络结构和损失函数，在第一训练数据集上训练，并集成各阶段的训练结果构建第一集成人脸分割网络模型；利用第一集成人脸分割网络模型对标准人脸图像数据进行分割，采用最优阈值搜索的方法生成第二训练数据集。使用第二训练数据集对人脸分割网络进行训练，并集成其各阶段的训练结果构造第二集成人脸分割网络模型；利用第二集成人脸分割网络模型对标准人脸图像数据进行分割，采用最优阈值搜索的方法生成第三训练数据集。利用第一集成人脸分割网络模型对标准证件照片图像数据进行分割，采用最优阈值搜索的方法生成第四训练数据集。把第三训练数据集和第四训练数据集按一定比例混合，对人脸分割网络进行训练直至收敛，得到统一人脸分割网络模型。2.根据权利要求1所述一种无需标注的人脸分割方法，其特征在于：根据标准证件照片的先验知识，构造图像标签生成和过滤规则过程中，将所述标准证件照片转化为灰度图像；根据所述灰度图像，获取所述灰度图像的直方图；根据所述直方图，搜索其相邻单元数值变化最大处的下标作为图像分割的阈值；通过所述阈值，对所述标准证件照片进行分割，生成所述标签图像。3.根据权利要求2所述一种无需标注的人脸分割方法，其特征在于：统计所述标签图像的每一行中值为255的像素个数，生成投影数据。在投影数据中设计过滤规则，判断标签图像是否符合训练数据的标准；对于未被过滤的标签图像，定位每行中第一个和最后一个值为255的像素位置，并把它们之间的所有像素值设为255；对证件照片图像数据进行上述处理，符合规则的标签图像及其对应的标准证件照片图像构成第一训练数据集。4.根据权利要求1所述一种无需标注的人脸分割方法，其特征在于：人脸分割网络在数据集第一训练数据集上训练20轮次，得到20个网络的模型参...

【专利技术属性】
技术研发人员：褚一平，张雪妮，朱华山，陈建勇，郑义，郁星星，陈士春，唐志学，潘翔，赵小敏，郑河荣，黄叶珏，
申请(专利权)人：杭州海量信息技术有限公司，
类型：发明
国别省市：