[发明专利]图像分割方法、装置、设备和存储介质

权利要求书

1.一种图像分割方法，其特征在于，所述方法包括：

获取待分割图像；

提取所述待分割图像中的第一人脸关键点；

将所述第一人脸关键点与标准脸中的第二人脸关键点进行比较，基于比较结果对所述待分割图像进行校正；

将校正后的待分割图像输入至预训练的多级级联卷积神经网络模型进行图像分割，得到未被遮挡的人脸图像。

2.根据权利要求1所述的方法，其特征在于，所述将所述第一人脸关键点与标准脸中的第二人脸关键点进行比较，基于比较结果对所述待分割图像进行校正，包括：

基于所述第一人脸关键点和所述第二人脸关键点计算仿射变换矩阵；

采用所述仿射变换矩阵对所述待分割图像变换。

3.根据权利要求2所述的方法，其特征在于，所述得到未被遮挡的人脸图像之后，还包括：

对所述未被遮挡的人脸图像进行逆变换，以使逆变换后的人脸图像与所述待分割图像的人脸姿态保持一致。

4.根据权利要求3所述的方法，其特征在于，对所述未被遮挡的人脸图像进行逆变换，包括：

计算所述仿射变换矩阵的逆矩阵；

根据所述逆矩阵对所述未被遮挡的人脸图像进行逆变换。

5.根据权利要求1-4任一项所述的方法，其特征在于，所述预训练的多级级联卷积神经网络模型通过以下方法训练：

获取图像样本，对所述图像样本进行标记；

将所述标记的图像样本输入至多级联卷积神经网络模型，以输出预测分割结果；其中，所述多级级联神经网络模型是通过多个卷积神经网络结构串联而成的，每一个所述卷积神经网络结构都输出一个预测分割结果，并且前一个卷积神经网络结构输出的预测分割结果是后一个卷积神经网络结构的输入；

基于各预测分割结果和图像样本的标记结果确定各损失函数；

根据各所述损失函数来更新所述多级级联卷积神经网络模型的网络参数，直至收敛，以获得预训练的多级联卷积神经网络模型。

6.根据权利要求5所述的方法，其特征在于，所述多级级联卷积神经网络模型包括两级级联卷积神经网络模型，所述两级级联卷积神经网络模型是通过两个FPN网络结构串联形成；将所述标记后的图像样本输入至多级联卷积神经网络模型，以输出预测分割结果，包括：

将所述标记后的图像样本输入第一个所述FPN网络结构，输出第一预测分割结果；

将所述第一预测分割结果输入第二个所述FPN网络结构，输出第二预测分割结果。

7.根据权利要求6所述的方法，其特征在于，根据各所述损失函数来更新所述多级级联卷积神经网络模型的网络参数，包括：

采用第一损失函数和第二损失函数来更新所述两级级联卷积神经网络模型的网络参数；

其中，所述第一损失函数是根据第一分割结果和所述目标分割结果确定的；所述第二损失函数是根据第二分割结果和所述目标分割结果确定的。

8.一种图像分割装置，其特征在于，所述装置包括：

图像获取模块，用于获取待分割图像；

关键点提取模块，用于提取所述待分割图像中的第一人脸关键点；

图像校正模块，用于将所述第一人脸关键点与标准脸中的第二人脸关键点进行比较，基于比较结果对所述待分割图像进行校正；

图像分割模块，用于将校正后的待分割图像输入至预训练的多级级联卷积神经网络模型进行图像分割，得到未被遮挡的人脸图像。

9.一种终端设备，其特征在于，包括：

存储器；一个或多个处理器，与所述存储器耦接；一个或多个应用程序，其中，一个或多个应用程序被存储在存储器中并被配置为由一个或多个处理器执行，一个或多个应用程序配置用于执行如权利要求1-7任一项所述的方法。

10.一种计算机可读存储介质，其特征在于，所述计算机可读取存储介质中存储有程序代码，所述程序代码可被处理器调用执行如权利要求1-7任一项所述的方法。