论文总字数：20367字

目 录

1 绪论 4

1.1 人脸分割的研究背景和意义 4

1.2 人脸分割语义数据集和算法的发展 5

1.3 本论文的主要内容和结构安排 6

2 早期人脸分割方法 7

2.1 前DL时代的语义分割 7

2.1.1 Normalized Cut 7

2.1.2 Grab Cut 7

2.2 DL时代的语义分割 8

2.2.1 卷积神经网络（CNN） 8

2.2.2 卷积神经网络的限制 8

3 全卷积神经网络(FCN) 9

3.1 卷积化 9

3.1.1 卷积化 9

3.1.2 全连接层与卷积层的转化 10

3.1.3 转化的意义 11

3.1.4 全卷积网络名称的由来 12

3.2 反卷积 13

3.3 跳跃结构 14

3.4 全卷积神经网络的优点和不足 16

4 实验 16

4.1 数据集 16

4.2 基于CAFFE的全卷积神经网络训练 17

4.3 应用界面的设计 20

5 总结与展望 23

参考文献 25

致谢 27

基于全卷积网络的人脸分割

乐璐辉

,China

Abstract: Face Parsing is a key step for Face recognition, and only a clear segmentation of the required human Face area can be performed for the next step. Face after Parsing images not only can be applied to Face recognition, but also be conducted on make-up and face transformation technology which is applied, so it becomes a contemporary important basis that meets the demand of people. Therefore, it is very important to have a clear Face Parsing. In this paper, it is based on the Fully Convolutional Networks (FCN), and FCN classifies images in pixels, thus solving the semantic level of Face Parsing. With classic CNN in convolution using all connections which gets fixed length layer characteristic vector classification, FCN can accept any size of the input image. It applies the deconvolution of last convolution layer on the feature map of sampling and makes it back to the input image of the same size, which can produce a forecast for each pixel. The FCN retains the original input space information of images, and the segmentation effect of the final image can be better reflected., Finally in the test phase, after entering the Face, you can get the corresponding Face Parsing result image.

Keywords: Fase Parsing, FCN, the sampling pixels, classifying images in pixels of images, spatiality

1 绪论

• 1. 人脸分割的研究背景和意义

物体分类是计算机视觉的一大重要研究方向，其目的是对图片整体进行分类。当想进一步对图片的局部进行分类时，便需要进行物体检测。若想更进一步，对图片中的每个像素进行分类时，我们便进入了一个更加细致的领域，那就是像素级的语义分割，这会使得图片中的每个像素都标上对应的类别。从物体分类到物体检测，再到语义分割，任务的粒度越来越细。本论文中所要介绍的主要内容便是三者中最为细致的语义分割。对于人脸分割而言，作为像素级语义理解的一个方面而存在，在计算机视觉的世界中，赋予了机器对人脸进行换妆的能力，其通过细粒度分割的方式，将面部的不同区域在像素级剥离开来，从而将换妆的过程简化为寥寥数笔。根据人脸分割的结果，我们可以将指定的美妆产品应用于图片，最终得到美妆的结果。具体来说，在得到人脸分割结果后我们将选择的化妆产品应用于相应的区域。有了这一系统，我们可以在不用手动化妆、卸妆的情况下尝试不同的妆容效果。

通过人脸分割，不仅可以在智能美妆上发挥作用，还能够应用在妆容迁移和人脸老化这两个工作上。

对于妆容迁移。我们通过人脸分割算法得到妆容的关键区域，然后使用风格迁移的算法将不同区域的妆容转移至对应的区域。根据不同的参考妆容可以获得不同的迁移结果。通过控制迁移时的参数，还可以控制妆容的浓淡。

剩余内容已隐藏，请支付后下载全文，论文总字数：20367字