[发明专利]一种基于稀疏全卷积神经网络的人脸标注方法

说明书

本发明公开了一种基于稀疏全卷积神经网络的人脸标注方法，包括：使用人脸图像数据库对全卷积神经网络分割模型进行第一阶段的训练，得到基础全卷积神经网络分割模型；在优化目标函数中加入group Lasso与intra‑group Lasso稀疏正则项，对基础全卷积神经网络分割模型进行第二阶段训练，得到用于人脸标注的稀疏全卷积神经网络分割模型；使用稀疏全卷积神经网络分割模型对待标注的人脸图像进行初步标注，输出结果为待标注的人脸图像中每个像素点标注为头发、皮肤和背景的概率；使用全连接条件随机场模型结合双元潜能对输出结果进行优化，得到最后的标注结果。本发明精度高、鲁棒性强、参数冗余少且计算资源消耗小。

技术领域

本发明属于人工智能图像处理领域，更具体地，涉及一种基于稀疏全卷积神经网络的人脸标注方法。

背景技术

人脸标注是指对主要包含人脸部的图像进行各区域的分割，根据需求的不同，将图像分割为3类(头发、背景、面部)或者更多类(即将面部成分继续分割)。脸部标识作为一个前端处理，在人脸识别、人脸虚拟美妆、影像编辑等多个领域具有重要的应用。精确的脸部标识结果是后端处理的基础，同时为了能获得实时应用，测试效率需要在满足精度的要求下尽可能提高。

目前大多数的脸部标识算法主要基于人工设计的特征进行图像分割，条件随机场模型分类是其中具有代表性的方法，但是由于人工设计的特征多采用纹理、颜色、灰度梯度等浅层特征。这些特征容易受光照、角度、灰度等因素的影响，并且在模型训练过程中无法学习更新特征，所以传统的办法在分割精度方面难以达到令人满意的要求。人脸标注是一项非常具有挑战性的任务，因为不同人脸图像中，头发颜色、头发形状、人脸姿势、拍摄角度等问题都会出现非常大的变化，因此需要具有较强表达能力的模型来学习这些特征。上个世纪80年代，Yuan Lecun等人就已经提出了深度学习的基本理论，但是用于当时的硬件水平并不能满足其计算要求，所以人工智能发展缓慢，但是随着硬件水平的提高，深度学习的兴起，运用卷积神经网络学习的特征代替人工设计的特征的方法被广泛采用，这种方法克服了传统特征的不足，在精度上有了极大的提升，但是由于采用了深层特征和滑窗操作等方法，造成了大量的参数冗余，使得训练和测试时间较长，并且模型需要大量的存储空间，难以达到实际应用的要求。

由此可见，传统人脸标注方法存在精度不高、鲁棒性不强的技术问题，基于深度学习的人脸标注方法存在参数冗余、模型复杂、计算资源消耗大的技术问题。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种基于稀疏全卷积神经网络的人脸标注方法，由此解决传统人脸标注方法存在精度不高、鲁棒性不强的技术问题，基于深度学习的人脸标注方法存在参数冗余、模型复杂、计算资源消耗大的技术问题。

为实现上述目的，本发明提供了一种基于稀疏全卷积神经网络的人脸标注方法，包括：

(1)使用人脸图像数据库对不存在全连接层的全卷积神经网络分割模型进行第一阶段的训练，优化目标函数为交叉熵损失函数加防过拟合项，当全卷积神经网络分割模型的分割精度不再提升时结束第一阶段训练，得到基础全卷积神经网络分割模型；

(2)在优化目标函数中加入group Lasso与intra-group Lasso稀疏正则项，对基础全卷积神经网络分割模型进行第二阶段训练，当基础全卷积神经网络分割模型的分割精度不再提升时结束第二阶段训练，得到用于人脸标注的稀疏全卷积神经网络分割模型；

(3)使用稀疏全卷积神经网络分割模型对待标注的人脸图像进行初步标注，标注过程中裁剪掉稀疏为0的通道，输出结果为待标注的人脸图像中每个像素点标注为头发、皮肤和背景的概率；

(4)使用全连接条件随机场模型结合双元潜能对输出结果进行优化，双元潜能为待标注的人脸图像中不同像素点之间的位置与颜色强度差值，得到最后的标注结果。

进一步的，步骤(2)包括：