[发明专利]面部解析方法、装置及计算机可读存储介质

权利要求书

1.一种面部解析方法，包括：

将面部图像输入预先训练的面部解析神经网络；

利用面部解析神经网络中的语义感知子网络提取面部图像的语义特征，所述语义特征表示面部图像中的每个像素属于各个面部区域的概率；

利用面部解析神经网络中的边界感知子网络提取面部图像的边界特征，所述边界特征表示面部图像中的每个像素属于不同面部区域之间的边界的概率；

利用面部解析神经网络中的融合子网络对级联后的所述语义特征和所述边界特征进行处理，得到面部图像中的每个像素所属的面部区域。

2.如权利要求1所述的面部解析方法，还包括：

利用标注了每个像素所属的面部区域的样本面部图像，对面部解析神经网络进行训练，使得训练后的面部解析神经网络能够根据输入的面部图像输出面部图像中的每个像素所属的面部区域。

3.如权利要求2所述的面部解析方法，其中，训练面部解析神经网络时采用的损失函数包括语义感知子网络的损失函数及边界感知子网络的损失函数；

语义感知子网络的损失函数，是根据所述语义特征中的每个像素属于各个面部区域的预测概率以及所述语义特征中的每个像素实际所属的面部区域确定的；

边界感知子网络的损失函数，是根据所述边界特征中的每个像素属于不同面部区域之间的边界的预测概率以及所述边界特征中的每个像素实际是否属于所述边界确定的。

4.如权利要求3所述的面部解析方法，其中，所述利用面部解析神经网络中的融合子网络对级联后的所述语义特征和所述边界特征进行处理，得到面部图像中的每个像素所属的面部区域包括：

利用所述面部解析神经网络中的融合子网络对级联后的所述语义特征和所述边界特征进行处理，得到面部图像的融合特征，所述融合特征表示面部图像中的每个像素属于各个面部区域的预测概率以及面部图像中的每个像素属于所述边界的预测概率；

根据所述融合特征，确定面部图像中的每个像素所属的面部区域。

5.如权利要求4所述的面部解析方法，其中，训练面部解析神经网络时采用的损失函数还包括融合子网络的损失函数；

融合子网络的损失函数，是根据所述融合特征中的每个像素属于各个面部区域的预测概率、所述融合特征中的每个像素实际所属的面部区域以及所述融合特征中的每个像素实际是否属于所述边界确定的。

6.如权利要求3至5任一项所述的面部解析方法，其中，所述语义感知子网络的损失函数L_s为：

其中，N为语义特征中的像素总个数，i为语义特征中的像素标识，C为面部区域的类别总数，j为面部区域的类别标识；如果像素i实际属于面部区域j，则如果像素i实际不属于面部区域j，则为像素i属于面部区域j的预测概率。

7.如权利要求3至5任一项所述的面部解析方法，其中，所述边界感知子网络的损失函数L_b为：

其中，N为边界特征中的像素总个数，i为边界特征中的像素标识；如果像素i实际属于所述边界，则如果像素i实际不属于所述边界，则为像素i属于所述边界的预测概率。

8.如权利要求5所述的面部解析方法，其中，所述融合子网络的损失函数L_f为：

其中，N为融合特征中的像素总个数，i为融合特征中的像素标识，C为面部区域的类别总数，j为面部区域的类别标识；如果像素i实际属于面部区域j，则如果像素i实际不属于面部区域j，则为像素i属于面部区域j的预测概率；如果像素i实际属于所述边界，则w_i1，如果像素i实际不属于所述边界，则w_i＝1。

9.如权利要求1所述的面部解析方法，其中，所述语义感知子网络包括卷积层；

所述利用语义感知子网络提取面部图像的语义特征包括：利用所述卷积层对面部图像进行空洞卷积，得到卷积特征。