[发明专利]一种基于轻量级深度神经网络的视频中人像轮廓探测方法

权利要求书

1.一种基于轻量级深度神经网络的视频中人像轮廓探测方法，其特征在于，所述方法包括：

在Tensorflow深度学习框架下搭建MobileNet轻量网络，融入空洞卷积，获得通用语义分割模型；

通过Adobe Photoshop扣取人像，进行数据扩充，通过MobileNet检测合成图片中是否包含人像，获得包含人像边缘灰度信息的人像探测数据集；

在MobileNet网络末端加入若干全分辨率的卷积操作和双线性插值恢复细节,获得细节增强模块；

选取设定距离作为损失函数，并将蒙版与其真值的差值和应用了蒙版后的彩图与其真值的差值，均计入细节增强模块的损失函数；

用包含人像边缘灰度信息的人像探测数据集训练所述细节增强模块，固定通用语义分割模型的参数，获得端到端的人像轮廓探测模型；

将批标准化节点与卷积层融合使网络模型轻量化，并调节降采样率，输入尺寸，深度乘数优化模型。

2.根据权利要求1所述的一种基于轻量级深度神经网络的视频中人像轮廓探测方法，其特征在于，所述MobileNet轻量级网络损失函数为：

其中，K表示预测种类数，C表示标签种类数，Y表示预测值，表示ground truth，s(Y)_c表示softmax的回归值。

3.根据权利要求1所述的一种基于轻量级深度神经网络的视频中人像轮廓探测方法，其特征在于，所述在MobileNet网络末端加入若干全分辨率的卷积操作和双线性插值恢复细节,获得细节增强模块的步骤,包括:

在通用语义分割模型的基础上，通过Softmax层对预测值进行归一化后抽取出人像通道；

将得到的人像通道的蒙版进行双线性插值放大到原图大小后与原图RGB三通道拼接，经过两层卷积进行密集预测后，再次与蒙版进行跳接；

对跳接融合结果进行一次卷积并使用Sigmoid作为激活函数，使得输出结果为范围在[0,1]的灰度值。

4.根据权利要求3所述的一种基于轻量级深度神经网络的视频中人像轮廓探测方法，其特征在于，所述双线性插值的公式为：

其中，Q为输入图像中值，P为进行插值的点，x为其横坐标，y为其纵坐标。

5.根据权利要求1所述的一种基于轻量级深度神经网络的视频中人像轮廓探测方法，其特征在于，所述选取设定距离作为损失函数，并将蒙版与其真值的差值和应用了蒙版后的彩图与其真值的差值，均计入损失函数公式为：

L＝L_c+L_a

其中，W为图像的宽、H为图像的高，I表示彩色图像,Y表示灰度蒙版的预测，表示灰度蒙版的真值，i,j是图像坐标，w(i,j)是误差权重矩阵。

6.根据权利要求1所述的一种基于轻量级深度神经网络的视频中人像轮廓探测方法，其特征在于，所述人像轮廓探测模型的精度评价公式如下：

其中，W表示灰度蒙版的宽，H表示灰度蒙版的高，分别表示蒙版的预测值和groundtruth，i,j为其坐标。