一种人脸图像分割方法、装置、设备及存储介质制造方法及图纸

本发明专利技术提供了一种人脸图像分割方法、装置、设备及存储介质，所述方法包括获取人脸图像训练集；在U

【技术实现步骤摘要】
一种人脸图像分割方法、装置、设备及存储介质


[0001]本专利技术涉及图像处理
，尤其是涉及一种人脸图像分割方法、装置、设备及存储介质。

技术介绍

[0002]图像分割是指根据灰度、彩色、空间纹理、几何形状等特征把图像划分成若干个互不相交的区域，使得这些特征在同一区域内表现出一致性或相似性，而在不同区域间表现出明显的不同。简单的说就是在一副图像中，把目标从背景中分离出来。
[0003]常见的人脸分割算法有基于阈值的分割方法、基于边缘检测的分割方法、基于遗传算法的人脸分割方法和基于主动轮廓模型的分割方法等。阈值法的基本思想是基于图像的灰度特征来计算一个或多个灰度阈值，并将图像中每个像素的灰度值与阈值作比较，最后将像素根据比较结果分到合适的类别中。但阈值法在实际应用中只考虑像素点灰度值本身的特征，一般不考虑空间特征，因此对噪声比较敏感，鲁棒性不高。而基于边缘检测的图像分割算法试图通过检测包含不同区域的边缘来解决分割问题，但是其无法保证边缘的连续性和封闭性，而且在高细节区域存在大量的碎边缘，难以形成一个大区域，但是又不宜将高细节区域分成小碎片。遗传算法擅长于全局搜索，但局部搜索能力不足，所以常把遗传算法和其他算法结合起来应用。将遗传算法运用到图像处理主要是考虑到遗传算法具有与问题领域无关且快速随机的搜索能力。其搜索从群体出发，具有潜在的并行性，可以进行多个个体的同时比较，能有效的加快图像处理的速度。但是遗传算法也有其缺点：搜索所使用的评价函数的设计、初始种群的选择有一定的依赖性等。主动轮廓模型(active contours)是图像分割的一种重要方法，其基本思想是，先定义初始曲线C，然后根据图像数据得到能量函数，通过最小化能量函数来引发曲线变化，使其向目标边缘逐渐逼近，最终找到目标边缘。其缺点是难以处理模型拓扑结构的变化，比如曲线的合并或分裂等。
[0004]综上而言，现有技术采用的人脸分割算法虽然在某种程度上提升了分割的性能，但同时导致了分割得到的图像产生的另外的问题，无法有效地提高分割的精确度。

技术实现思路

[0005]本专利技术旨在提供一种人脸图像分割方法、装置、设备及存储介质，以解决上述技术问题，通过巧妙地设计一种神经网络，有效提高人脸图像分割地精确度。
[0006]为了解决上述技术问题，本专利技术提供了一种人脸图像分割方法，包括以下步骤：
[0007]获取人脸图像训练集；
[0008]在U
‑
Net网络基础上增加密集连接过程构建Dense
‑
U
‑
net网络，并将人脸图像训练集输入构建的Dense
‑
U
‑
net网络中进行训练，得到训练好的Dense
‑
U
‑
net网络；
[0009]获取待分割的人脸图像并输入至训练好的Dense
‑
U
‑
net网络中，根据Dense
‑
U
‑
net网络的输出得到最终的人脸图像分割结果。
[0010]本方法通过在U
‑
Net网络基础上增加密集连接过程从而构建Dense
‑
U
‑
net网络，密
集连接过程可以在Dense
‑
U
‑
net网络实现图像分割过程的基础上，保留网络层与层之间的信息传输，同时减轻网络过深导致的梯度消失的问题，保证了Dense
‑
U
‑
net网络输出结果的准确性，即所述方法通过巧妙地设计一种神经网络，能有效提高人脸图像分割地精确度。
[0011]进一步地，所述在U
‑
Net网络基础上增加密集连接过程构建Dense
‑
U
‑
net网络为：基于U
‑
Net网络结构，将输入层的输入进行最大池化操作后，与其输出进行拼接，作为第一层编码层的输入，完成输入层与第一层编码层的密集连接；把第一层编码层的输入进行最大池化操作后，与其输出进行拼接，作为第二层编码层的输入，完成第一层编码层与第二层编码层的密集连接；重复上述操作直至以U
‑
Net网络为基础的输入层及若干编码层依次进行密集连接，完成Dense
‑
U
‑
net网络的构建。
[0012]上述方案中，所述密集连接过程是池化
‑
拼接的连续操作过程，其可以有效保留网络层与层之间的信息传输，同时减轻网络过深导致的梯度消失的问题，保证了后续解码过程数据来源的可靠性，进一步保证了Dense
‑
U
‑
net网络输出结果的准确性，能有效提高人脸图像分割地精确度。
[0013]进一步地，所述人脸图像分割方法还包括以下步骤：在Dense
‑
U
‑
net网络输入层中，采用大尺寸卷积核对其输入进行连续卷积操作；所述大尺寸卷积核为尺寸大于等于7*7且小于等于9*9的卷积核。
[0014]由于人脸的尺寸不一，而卷积操作通过一定大小尺寸的卷积核作用于图像局部区域来获得图像的局部信息，即图像特征，采用大尺寸卷积核对输入图像进行连续卷积操作，可以更加充分的提取出人脸的特征。
[0015]进一步地，在所述构建Dense
‑
U
‑
net网络过程中，还增加了深度监督过程，所述深度监督过程的增加过程具体为：
[0016]在U
‑
Net网络基础上，将倒数第二层解码结果进行上采样操作后，与最后一层解码结果进行拼接，将拼接结果作为输出层的输入。
[0017]上述方案中，深度监督过程是上采样
‑
拼接的操作过程，该过程可以令输出层的输入直接包含了解码过程几乎所有卷积操作得到的特征图信息，一方面包括深层卷积层得到的高级语义信息，另一方面也包含了浅层操作得到的定位信息，使得输出层处理得到的人脸图像分割结果包含了更多的图像特征信息，精确度更高。
[0018]本方案还提供一种人脸图像分割装置，其特征在于，包括图像获取模块、Dense
‑
U
‑
net网络构建模块、Dense
‑
U
‑
net网络训练模块和人脸图像分割模块；其中：
[0019]所述图像获取模块用于图像的获取，包括人脸图像训练集的获取和待分割的人脸图像的获取；
[0020]所述Dense
‑
U
‑
net网络构建模块用于在U
‑
Net网络基础上增加密集连接结构，构建Dense
‑
U
‑
net网络；
[0021]所述Dense
‑
U
‑
net网络训练模块用于将人脸图像训练集输入构建的Dense
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种人脸图像分割方法，其特征在于，包括以下步骤：获取人脸图像训练集；在U
‑
Net网络基础上增加密集连接过程构建Dense
‑
U
‑
net网络，并将人脸图像训练集输入构建的Dense
‑
U
‑
net网络中进行训练，得到训练好的Dense
‑
U
‑
net网络；获取待分割的人脸图像并输入至训练好的Dense
‑
U
‑
net网络中，根据Dense
‑
U
‑
net网络的输出得到最终的人脸图像分割结果。2.根据权利要求1所述的一种人脸图像分割方法，其特征在于，所述在U
‑
Net网络基础上增加密集连接过程构建Dense
‑
U
‑
net网络为：基于U
‑
Net网络结构，将输入层的输入进行最大池化操作后，与其输出进行拼接，作为第一层编码层的输入，完成输入层与第一层编码层的密集连接；把第一层编码层的输入进行最大池化操作后，与其输出进行拼接，作为第二层编码层的输入，完成第一层编码层与第二层编码层的密集连接；重复上述操作直至以U
‑
Net网络为基础的输入层及若干编码层依次进行密集连接，完成Dense
‑
U
‑
net网络的构建。3.根据权利要求2所述的一种人脸图像分割方法，其特征在于，还包括以下步骤：在Dense
‑
U
‑
net网络输入层中，采用大尺寸卷积核对其输入进行连续卷积操作；所述大尺寸卷积核为尺寸大于等于7*7且小于等于9*9的卷积核。4.根据权利要求1～3任一项所述的一种人脸图像分割方法，其特征在于，在所述构建Dense
‑
U
‑
net网络过程中，还增加了深度监督过程，所述深度监督过程的增加过程具体为：在U
‑
Net网络基础上，将倒数第二层解码结果进行上采样操作后，与最后一层解码结果进行拼接，将拼接结果作为输出层的输入。5.一种人脸图像分割装置，其特征在于，包括图像获取模块、Dense
‑
U
‑
net网络构建模块、Dense
‑
U
‑
net网络训练模块和人脸图像分割模块；其中：所述图像获取模块用于图像的获取，包括人脸图像训练集的获取和待分割的人脸图像的获取；所述Dense
‑
U
‑
net网络构建模块用于在U
‑
Net网络基础上增加密集连接...

【专利技术属性】
技术研发人员：汪绪先，代仕勇，黄缙华，李玎，吴跃隆，曾瑞江，陈永秋，陆荟颖，
申请(专利权)人：广东电网有限责任公司电力科学研究院，
类型：发明
国别省市：