[发明专利]面部解析方法、装置及计算机可读存储介质

说明书

本公开提供了一种面部解析方法、装置及计算机可读存储介质，涉及人工智能领域。其中的面部解析方法包括：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，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，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语义特征和边界特征进行处理，得到面部图像中的每个像素所属的面部区域。本公开能够提升神经网络对面部图像中不同面部区域之间的边界像素的分辨能力，从而提升面部解析的精度。

技术领域

本公开涉及人工智能技术领域，特别涉及一种面部解析方法、装置及计算机可读存储介质。

背景技术

面部解析是指将面部图像中的每一个像素都赋予一个语义标签，以表示每个像素所属的面部区域，如头发、面部皮肤、眉毛、眼睛、鼻子、嘴等等。

近几年来，随着深度学习的发展和人工智能技术的成熟，人脸解析技术被越来越多的出现在人脸相关的应用中，如人脸合成、人脸增强现实技术等等。

发明内容

本公开解决的一个技术问题是，如何提升面部解析的精度。

根据本公开实施例的一个方面，提供了一种面部解析方法，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，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，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语义特征和边界特征进行处理，得到面部图像中的每个像素所属的面部区域。

在一些实施例中，该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。

在一些实施例中，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边界特征中的每个像素实际是否属于边界确定的。

在一些实施例中，利用面部解析神经网络中的融合子网络对级联后的语义特征和边界特征进行处理，得到面部图像中的每个像素所属的面部区域包括：利用面部解析神经网络中的融合子网络对级联后的语义特征和边界特征进行处理，得到面部图像的融合特征，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边界的预测概率；根据融合特征，确定面部图像中的每个像素所属的面部区域。

在一些实施例中，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，是根据融合特征中的每个像素属于各个面部区域的预测概率、融合特征中的每个像素实际所属的面部区域以及融合特征中的每个像素实际是否属于边界确定的。

在一些实施例中，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。

在一些实施例中，边界感知子网络的损失函数L_b为：