基于卷积神经网络的人像LAB色彩矫正方法、装置、介质及设备与流程

基于卷积神经网络的人像lab色彩矫正方法、装置、介质及设备
技术领域
1.本发明涉及数据处理技术领域，尤其涉及一种基于卷积神经网络的人像lab色彩矫正方法、装置、介质及设备。


背景技术：

2.在使用证件照设备拍摄证件照时，用户常常会裸露出脖子、眉毛、耳朵、脖子、面部等部位，需要对裸露的部位进行色彩矫正。比如，某个人的面部皮肤黝黑偏暗则需要对其面部进行色彩矫正使其面部皮肤色彩鲜亮一些；某个人的面部涂抹化妆品较多，正面光线打到面部上使其颜色比较鲜亮，但其耳朵和脖子部分却仍是暗色的，则需要单独对耳朵和脖子部分进行色彩矫正；在矫正面部皮肤的过程中通常不希望将眼睛区域、眉毛等区域进行色彩矫正，因为眼睛区域进行色彩矫正后容易被认为是佩戴美瞳，从而被检测为不合格。
3.然而，由于人脸上各部位的区域比较小，分割困难，现有技术无法准确地检测出需要色彩矫正的部位。在现有技术中，cn 110796645 a公开的一种证件照片质量评估方法，其中，包括获取用于人像解析的对抗神经网络，该方法获取人像子区域包括人像头部区域、人像衣服区域和背景区域，并分别对所述人像头部区域的质量、人像衣服区域的质量以及背景区域的质量做出判断，输出评估结果。上述文献主要是对面部、衣服、背景等区域进行图像进行质量判断，并未对更细小的眼睛、鼻子、脖子、面部皮肤、耳朵等区域进行更精细化的切割以及色彩矫正，证件照的拍摄质量不高，用户需要多次拍摄才可得到满意的证件照。


技术实现要素：

4.本发明实施例提供了一种基于卷积神经网络的人像lab色彩矫正方法、装置、介质及设备，以解决现有技术对证件照进行人脸部位切割时存在的精度、色彩矫正问题以及证件照拍摄质量不高的问题。
5.一种基于卷积神经网络的人像lab色彩矫正方法，所述方法包括：
6.构建人脸解析网络，所述人脸解析网络采用双边分割网络bisenet，所述双边分割网络bisenet包括上下文路径构件，所述上下文路径构件的各个金字塔采样层中加入通道融合下采样结构；
7.获取预设的训练样本集，采用所述训练样本集对所述人脸解析网络进行训练，得到人脸解析模型；
8.获取待矫正的人脸图像，通过训练好的所述人脸解析模型对所述人脸图像进行人脸解析，得到所述人脸图像的脸部细分部位及部位标识信息；
9.对预选的脸部细分部位进行lab色偏检测，得到各个预选的脸部细分部位的lab色偏；
10.根据所述lab色偏获取色偏部位，对所述色偏部位进行矫正；
11.在矫正后，按照部位标识信息合并各个脸部细分部位，得到矫正后的人脸图像。
12.可选地，在所述通道融合下采样结构中，每一金字塔采样层在得到输入特征图后，通过n倍下采样模块对输入特征图进行下采样得到第一特征图，以及通过卷积结构对输入特征图进行特征提取得到第二特征图，将所述第一特征图和第二特征图进行合并，得到卷积特征图；
13.其中，所述卷积结构采用尺寸为步长为的卷积核进行卷积。
14.可选地，所述获取预设的训练样本集包括：
15.获取预设的人脸图像样本集；
16.利用语义分割标注工具对所述人脸图像样本集中的每一个人脸图像样本进行像素级标注，得到每个人脸图像样本的各个脸部细分部位及其脸部标注信息；
17.将标注后的人脸图像样本集按预设比例划分为训练样本集、测试样本集和验证样本集。
18.可选地，所述采用所述训练样本集对所述人脸解析网络进行训练，得到人脸解析模型包括：
19.将训练样本集中的m1个人脸图像样本作为一个批次输入所述人脸解析网络，使用随机梯度下降法对每个批次的双边神经网络损失函数进行优化，并进行反向传播，当所述人脸解析网络的损失代价下降到预设精度时停止迭代；
20.在训练每个批次时，将验证样本集中的m2个人脸图像样本作为一个批次输入所述人脸解析网络进行训练验证；
21.在训练完成后，将测试样本集中的m3个人脸图像样本作为一个批次输入所述人脸解析网络进行测试验证。
22.可选地，所述对预选的脸部细分部位进行lab色偏检测，得到各个预选的脸部细分部位的lab色偏包括：
23.将所述人脸图像从rgb色彩空间转换为lab色彩空间；
24.遍历每一个预选的脸部细分部位，提取lab色彩空间中的a通道和b通道的像素灰度值；
25.利用等效圆来计算每一个脸部细分部位的lab色偏，其中，计算公式为：
[0026][0027]
在上式中，n表示一个脸部细分部位的像素个数，a表示第i个像素的a通道的灰度值，b表示第i个像素的b通道的灰度值，k表示色偏因子，k值越大色偏越严重。
[0028]
可选地，所述根据所述lab色偏获取色偏部位，对所述色偏部位进行矫正包括：
[0029]
根据色偏因子k获取色偏部位；
[0030]
对于每一色偏部位，计算所述色偏部位内的所有像素的平均lab灰度值；
[0031]
将人脸肤色的合规均值减去所述平均lab灰度值，得到所述色偏部位的补偿均值；
[0032]
遍历所述色偏部位中的每一个像素，将所述像素的lab灰度值与所述补偿均值进行相加，得到所述像素的矫正灰度值。
[0033]
可选地，在得到所述像素的矫正灰度值之后，所述方法还包括：
[0034]
采用α通道对所述色偏部位中的每一个像素的lab灰度值和矫正灰度值进行合并，得到所述像素的目标灰度值。
[0035]
可选地，所述人脸解析网络采用交叉熵作为训练损失函数。
[0036]
一种基于卷积神经网络的人像lab色彩矫正装置，所述装置包括：
[0037]
构建模块，用于构建人脸解析网络，所述人脸解析网络采用双边分割网络bisenet，所述双边分割网络bisenet包括上下文路径构件，所述上下文路径构件的各个金字塔采样层中加入通道融合下采样结构；
[0038]
训练模块，用于获取预设的训练样本集，采用所述训练样本集对所述人脸解析网络进行训练，得到人脸解析模型；
[0039]
解析模块，用于获取待矫正的人脸图像，通过训练好的所述人脸解析模型对所述人脸图像进行人脸解析，得到所述人脸图像的脸部细分部位及部位标识信息；
[0040]
检测模块，用于对预选的脸部细分部位进行lab色偏检测，得到各个预选的脸部细分部位的lab色偏；
[0041]
矫正模块，用于根据所述lab色偏获取色偏部位，对所述色偏部位进行矫正；
[0042]
合并模块，用于在矫正后，按照部位标识信息合并各个脸部细分部位，得到矫正后的人脸图像。
[0043]
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的基于卷积神经网络的人像lab色彩矫正方法。
[0044]
一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上所述的基于卷积神经网络的人像lab色彩矫正方法。
[0045]
本发明实施例通过构建人脸解析网络，所述人脸解析网络采用双边分割网络bisenet，所述双边分割网络bisenet包括上下文路径构件，所述上下文路径构件的各个金字塔采样层中加入通道融合下采样结构；获取预设的训练样本集，采用所述训练样本集对所述人脸解析网络进行训练，得到人脸解析模型；获取待矫正的人脸图像，通过训练好的所述人脸解析模型对所述人脸图像进行人脸解析，得到所述人脸图像的脸部细分部位及部位标识信息；对各个脸部细分部位进行lab色偏检测，得到各个脸部细分部位的lab色偏；根据所述lab色偏对各个脸部细分部位进行矫正，按照部位标识信息合并矫正后的各个脸部细分部位，得到矫正后的人脸图像。本发明通过采用卷积神经网络来对证件照进行更精细的切割，有效地提高了证件照中各脸部区域的切割精度，进而提高了色彩矫正的针对性和准确度，提高了证件照的拍摄质量，用户可快速获取高质量的证件照。
附图说明
[0046]
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0047]
图1是本发明一实施例提供的基于卷积神经网络的人像lab色彩矫正方法的流程
图；
[0048]
图2是本发明一实施例提供的人脸解析网络的示意图；
[0049]
图3是本发明一实施例提供的通道融合下采样结构的示意图；
[0050]
图4是本发明一实施例提供的基于卷积神经网络的人像lab色彩矫正方法中步骤s104的实现流程图；
[0051]
图5是本发明一实施例提供的基于卷积神经网络的人像lab色彩矫正方法中步骤s105的实现流程图；
[0052]
图6是本发明一实施例提供的基于卷积神经网络的人像lab色彩矫正装置的结构示意图；
[0053]
图7是本发明一实施例中计算机设备的一示意图。
具体实施方式
[0054]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0055]
本发明通过采用卷积神经网络来对证件照进行更精细的切割，有效地提高了证件照中各脸部区域的切割精度，提高了色彩矫正的针对性；以及采用色偏检测筛选出人脸图像中的色偏区域进行色偏矫正，提高了色偏矫正的准确度，进而提高了证件照的拍摄质量。用户无需多次拍摄便可获得满意的证件照，节约用户时间的同时提高了证件照的质量。
[0056]
以下对本实施例提供的基于卷积神经网络的人像lab色彩矫正方法进行详细的描述，如图1所示，所述基于卷积神经网络的人像lab色彩矫正方法包括：
[0057]
在步骤s101中，构建人脸解析网络，所述人脸解析网络采用双边分割网络bisenet，所述双边分割网络bisenet包括上下文路径构件，所述上下文路径构件的各个金字塔采样层中加入通道融合下采样结构。
[0058]
在本发明实施例中，所述人脸解析网络用于对人脸图像中的各个脸部区域进行分割。可选地，作为本发明的一个优选示例,所述人脸解析网络通过对双边分割网络bisenet进行改进得到，以适应证件照环境下更精细的分割。
[0059]
现有的双边分割网络bisenet包括两个构件，分别为空间路径构件(spatial path，简称sp)和上下文路径构件(context path,简称cp)。其中，所述空间路径构件用于获取图像低级特征，以解决深度学习网络存在空间信息丢失的问题；上下文路径构件用于解决感受野缩小的问题。在现有的双边分割网络bisenet中，上下文路径构件采用了多个金字塔采样层。然而，金字塔采样层在采样空间损失较大的情况下会让局部像素的分类分割精度下降。因此，为了使得像素点分类更加精细，本发明实施例重点优化了上下文路径构件，在各个金字塔采样层中加入通道融合下采样结构。为便于理解，图2为本发明实施例提供的人脸解析网络的示意图。在图2中，所述上下文路径构建中包括四层金字塔采样层，分别为4倍下采样、8倍下采样、16倍下采样、32倍下采样，每一层金字塔采样层均加入了卷积结构，构成通道融合下采样结构。
[0060]
可选地，为了便于理解，图3为本发明实施例提供给的通道融合下采样结构示意
图。在所述通道融合下采样结构中，每一金字塔采样层在得到输入特征图后，通过n倍下采样模块对输入特征图进行下采样得到第一特征图，以及通过卷积结构对输入特征图进行特征提取得到第二特征图，将所述第一特征图和第二特征图进行合并，得到卷积特征图；
[0061]
其中，所述卷积结构采用尺寸为步长为的卷积核进行卷积。n表示下采样倍数。
[0062]
通过采用上述通道融合下采样结构，本发明实施例解决了金字塔采样层在采样空间损失较大的情况下局部像素分割精度下降的问题，有效地提高了金字塔采样层中对局部像素的分割精度，进而提高了证件照中各脸部区域的切割精度。
[0063]
在步骤s102中，获取预设的训练样本集，采用所述训练样本集对所述人脸解析网络进行训练，得到人脸解析模型。
[0064]
可选地，作为本发明的一个优选示例，步骤s102中所述的获取预设的训练样本集包括：
[0065]
在步骤s201中，获取预设的人脸图像样本集。
[0066]
示例性地，在这里，本发明实施例采集证件照拍摄设备拍摄到的1000个志愿者所提供的不同姿态的照片各5张，总共5000张人脸图像，构成人脸图像样本集。
[0067]
在步骤s202中，利用语义分割标注工具对所述人脸图像样本集中的每一个人脸图像样本进行像素级标注，得到每个人脸图像样本的各个脸部细分部位及其脸部标注信息。
[0068]
对采集到的5000张人脸图像，本发明实施例对每一张人脸图像样本进行像素级标注，按预设的脸部细分部位的标注顺序将每张人脸图像样本进行分割。其中，所述脸部细分部位的标注顺序可以为左眼、右眼、鼻子、上嘴唇、下嘴唇、左耳、右耳、左眉毛、右眉毛、面部裸露皮肤、脖子、脖子以下裸露皮肤。分割后的人脸图像样本，采用不同的色彩对每一个人脸细分部位进行了标注。
[0069]
在步骤s203中，将标注后的人脸图像样本集按预设比例划分为训练样本集、测试样本集和验证样本集。
[0070]
承接前文示例，在完成标注后，将所有5000张人脸图像，按照7:2:1的预设比例划分为训练样本集、测试样本集和验证样本集。其中，所述训练样本集用于对人脸解析网络进行训练，所述测试样本集用于对所述人脸解释网络进行测试，所述验证样本集用于对所述人脸解析网络进行验证。
[0071]
在构建好人脸解析网络后，对所述人脸解析网络进行训练。可选地，作为本发明的一个优选示例，步骤s102中所述的采用所述训练样本集对所述人脸解析网络进行训练，得到人脸解析模型包括：
[0072]
在步骤s301中，将训练样本集中的l个人脸图像样本作为一个批次输入所述人脸解析网络，使用随机梯度下降法对每个批次的双边神经网络损失函数进行优化，并进行反向传播，当所述人脸解析网络的损失代价下降到预设精度时停止迭代。
[0073]
在这里，随机梯度下降法(stochastic gradient descent，简称sgd)。本发明实施例使用sgd优化器对每一个批次的双边神经网络损失函数进行优化。
[0074]
在步骤s302中，在训练每个批次时，将验证样本集中的m个人脸图像样本作为一个批次输入所述人脸解析网络进行训练验证。
[0075]
在步骤s303中，在训练完成后，将测试样本集中的n个人脸图像样本作为一个批次
输入所述人脸解析网络进行测试验证。
[0076]
在这里，本发明实施例采用每批次128个人脸图像样本对所述人脸解析网络进行迭代训练，并在停止迭代后，采用每批次64个人脸图像样本对对所述人脸解析网络进行测试，观察测试集的准确率和召回率。在训练完成后，以32个人脸图像样本作为一个批次进行测试验证，以观察人脸解析网络的泛化性。可选地，作为本发明的一个优选示例，所述人脸解析网络采用交叉熵作为训练损失函数。其计算方式如下：
[0077][0078]
其中，y为真实标签值，为预测标签值。
[0079]
最终训练好的人脸解析网络，记为人脸解析模型。所述人脸解析模型用于在对待矫正的人脸图像进行脸部细分部位划分，然后再对各脸部细分部位进行lab色彩矫正。通过采用改进后的双边分割网络bisenet，有利于提高了证件照中各脸部区域的切割精度。
[0080]
在步骤s103中，获取待矫正的人脸图像，通过训练好的所述人脸解析模型对所述人脸图像进行人脸解析，得到所述人脸图像的脸部细分部位及部位标识信息。
[0081]
在这里，对于待矫正的人脸图像，本发明实施例将所述待矫正的人脸图像输入上述训练好的人脸解析模型，通过所述人脸解析模型来切分出各个脸部细分部位，并进行区域标记。其中，所述脸部细分部位包括但不限于左眼、右眼、鼻子、上嘴唇、下嘴唇、左耳、右耳、左眉毛、右眉毛、面部裸露皮肤、脖子、脖子以下裸露皮肤。
[0082]
在步骤s104中，对预选的脸部细分部位进行lab色偏检测，得到各个预选的脸部细分部位的lab色偏。
[0083]
可选地，在实际应用中通常对所指定的若干个脸部细分部位进行lab色偏检测，以提高对证件照进行色偏检测和lab色彩矫正的速度。比如在一个具体的实施例中，左眼、右眼、上嘴唇、下嘴唇、左眉毛和右眉毛不进行lab色偏检测，鼻子、左耳、右耳、面部裸露皮肤、脖子、脖子以下裸露皮肤这些部位需要进行lab色偏检测，则以鼻子、左耳、右耳、面部裸露皮肤、脖子、脖子以下裸露皮肤，作为预选的脸部细分部位。
[0084]
可选地，作为本发明的一个优选示例，如图4所示，步骤104中所述的对预选的脸部细分部位进行lab色偏检测，得到各个预选的脸部细分部位的lab色偏包括：
[0085]
在步骤s401中，将所述人脸图像从rgb色彩空间转换为lab色彩空间。
[0086]
在这里，本发明实施例首先对待矫正的人脸图像进行色彩转换，从rgb色彩空间转换为lab色彩空间。
[0087]
在步骤s402中，遍历每一个预选的脸部细分部位，提取lab色彩空间中的a通道和b通道的像素灰度值。
[0088]
通过上述步骤，一张待矫正的人脸图像对应一组预选的脸部细分部位。在转换色彩空间后，本发明实施例针对每一个预选的脸部细分部位进行色彩提取，得到所述预选的人脸细分部位上的每一个像素在a通道和b通道的像素灰度值。
[0089]
在步骤s403中，利用等效圆来计算每一个脸部细分部位的lab色偏，其中，计算公式为：
[0090][0091]
在上式中，n表示一个脸部细分部位的像素个数，a表示第i个像素的a通道的灰度值，b表示第i个像素的b通道的灰度值，k表示色偏因子，k值越大色偏越严重。
[0092]
在这里，采用等效圆来计算色偏是指采用图像平均色度和色度中心距的比值计算色偏，能够有效地提高色偏检测的准确度，得到更精确的lab色偏。通过上述步骤s403可以得到每一个预选的脸部细分部位对应的lab色偏。其中色偏因子k作为脸部细分部位是否存在色偏的判断标准，临界值取1。当一个脸部细分部位的k值大于1时，表示该脸部细分部位存在色偏，需要对该脸部细分部位进行lab色彩矫正。
[0093]
在步骤s105中，根据所述lab色偏获取色偏部位，对所述色偏部位进行矫正。
[0094]
在这里，本发明实施例根据每一个脸部细分部位的色偏因子k，判断所述色偏因子k是否大于或等于临界值1。若是，则以所述脸部细分部位作为待矫正的色偏部位，进行lab色偏矫正。若否，则不进行lab色偏矫正。
[0095]
可选地，作为本发明的一个优选示例，如图5所示，步骤s105所述的根据所述lab色偏获取色偏部位，对所述色偏部位进行矫正包括：
[0096]
在步骤s501中，根据色偏因子k获取色偏部位。
[0097]
所述色偏部位是指存在色偏因子k大于或等于临界值1的人脸细分部位。
[0098]
在步骤s502中，对于每一色偏部位，计算所述色偏部位内的所有像素的平均lab灰度值。
[0099]
对于每一个色偏部位，本发明实施例根据该色偏部位中每一个像素在l通道、a通道和b通道的灰度值，计算所述色偏部位在l通道、a通道和b通道的平均灰度值色偏部位在l通道平均灰度值的计算公式如下：
[0100][0101]
其中，表示色偏部位在l通道的平均灰度值，表示色偏部位的第i个像素在l通道的灰度值，n表示色偏部位的像素个数。
[0102]
色偏部位在a通道平均灰度值的计算公式如下：
[0103][0104]
其中，表示色偏部位在a通道的平均灰度值，表示色偏部位的第i个像素在a通道的灰度值，n表示色偏部位的像素个数。
[0105]
色偏部位在b通道平均灰度值的计算公式如下：
[0106][0107]
其中，表示色偏部位在b通道的平均灰度值，表示色偏部位的第i个像素在b
通道的灰度值，n表示色偏部位的像素个数。应当理解，色偏部位的像素个数也即脸部细分部位的像素个数，因此本发明实施例统一用n表示。
[0108]
在步骤s503中，将人脸肤色的合规均值减去所述平均lab灰度值，得到所述色偏部位的补偿均值。
[0109]
在这里，所述合规均值是指在证件照中的人脸肤色的平均lab值。可选地，作为本发明的一个优选示例，所述合规均值可以为(70.5,13.5,12.0)。对于每一个色偏部位，将所述合规均值减去所述色偏部位的平均lab灰度值，从而得到所述色偏部位的补偿均值。
[0110]
在步骤s504中，遍历所述色偏部位中的每一个像素，将所述像素的lab灰度值与所述补偿均值进行相加，得到所述像素的矫正灰度值。
[0111]
对于所述色偏部位上的一个像素，本发明实施例采用所述补偿均值对所述像素的lab灰度值进行补偿矫正。遍历每一个像素，重复步骤s504，从而完成对色偏部位上的所有像素的矫正，实现对色偏部位进行独立的lab色彩矫正。
[0112]
遍历每一个色偏部位，重复执行上述步骤s502、s503、s504，从而完成对所述待矫正的人脸图像上的所有色偏部位的lab色彩矫正。本发明实施例通过对每一个色偏部位进行独立的lab色彩矫正，有效地提高了lab色彩矫正的准确率。
[0113]
可选地，作为本发明的另一个优选示例，步骤s504中在得到所述像素的矫正灰度值之后，还可以对所述色偏部位上的像素进行融合矫正，所述方法还包括：
[0114]
采用α通道对所述色偏部位中的每一个像素的lab灰度值和矫正灰度值进行合并，得到所述像素的目标灰度值。
[0115]
其中，在采用α通道去合并时，合并公式如下：
[0116]
g(x)＝(1-α)f0(x) αf1(x)
[0117]
其中f0(x)表示像素的lab原灰度值、f1(x)表示像素的矫正灰度值，g(x)表示像素的目标灰度值，α表示alpha遮罩的融合比例。
[0118]
通过对色偏部位进一步进行融合矫正，有利于提高矫正的准确率，得到更符合常规人脸肤色的证件照，提高了证件照拍摄的质量。
[0119]
在步骤s106中，在矫正后，按照部位标识信息合并各个脸部细分部位，得到矫正后的人脸图像。
[0120]
在对每一个色偏部位完成矫正后，将矫正后的每一个色偏部位和无需矫正的脸部细分部位，按照部位标识进行合并，从而得到lab色彩空间的人脸图像，再将所述人脸图像从lab色彩空间转换为rgb色彩空间，至此得到最终矫正后的人脸图像。
[0121]
综上所述，本发明通过采用卷积神经网络来对证件照进行更精细的切割，有效地提高了证件照中各脸部区域的切割精度，进而提高了色彩矫正的针对性；本发明实施例还采用色偏检测筛选出色偏部位进行lab色彩矫正，有效地提高了lab色彩矫正的准确度，进而提高了证件照的拍摄质量。用户无需多次拍摄便可获得满意的证件照，节约用户时间的同时提高了证件照的质量。
[0122]
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
[0123]
在一实施例中，本发明还提供一种基于卷积神经网络的人像lab色彩矫正装置，该
基于卷积神经网络的人像lab色彩矫正装置与上述实施例中基于卷积神经网络的人像lab色彩矫正方法一一对应。如图6所示，该基于卷积神经网络的人像lab色彩矫正装置包括构建模块61、训练模块62、解析模块63、检测模块64、矫正模块65、合并模块66。各功能模块详细说明如下：
[0124]
构建模块61，用于构建人脸解析网络，所述人脸解析网络采用双边分割网络bisenet，所述双边分割网络bisenet包括上下文路径构件，所述上下文路径构件的各个金字塔采样层中加入通道融合下采样结构；
[0125]
训练模块62，用于获取预设的训练样本集，采用所述训练样本集对所述人脸解析网络进行训练，得到人脸解析模型；
[0126]
解析模块63，用于获取待矫正的人脸图像，通过训练好的所述人脸解析模型对所述人脸图像进行人脸解析，得到所述人脸图像的脸部细分部位及部位标识信息；
[0127]
检测模块64，用于对预选的脸部细分部位进行lab色偏检测，得到各个预选的脸部细分部位的lab色偏；
[0128]
矫正模块65，用于根据所述lab色偏获取色偏部位，对所述色偏部位进行矫正；
[0129]
合并模块66，用于在矫正后，按照部位标识信息合并各个脸部细分部位，得到矫正后的人脸图像。
[0130]
可选地，在所述通道融合下采样结构中，每一金字塔采样层在得到输入特征图后，通过n倍下采样模块对输入特征图进行下采样得到第一特征图，以及通过卷积结构对输入特征图进行特征提取得到第二特征图，将所述第一特征图和第二特征图进行合并，得到卷积特征图；
[0131]
其中，所述卷积结构采用尺寸为步长为的卷积核进行卷积。
[0132]
可选地，所述训练模块62包括：
[0133]
获取单元，用于获取预设的人脸图像样本集；
[0134]
分割单元，用于利用语义分割标注工具对所述人脸图像样本集中的每一个人脸图像样本进行像素级标注，得到每个人脸图像样本的各个脸部细分部位及其脸部标注信息；
[0135]
划分单元，用于将标注后的人脸图像样本集按预设比例划分为训练样本集、测试样本集和验证样本集。
[0136]
可选地，所述训练模块62还包括：
[0137]
训练单元，用于将训练样本集中的m1个人脸图像样本作为一个批次输入所述人脸解析网络，使用随机梯度下降法对每个批次的双边神经网络损失函数进行优化，并进行反向传播，当所述人脸解析网络的损失代价下降到预设精度时停止迭代；
[0138]
验证单元，用于在训练每个批次时，将验证样本集中的m2个人脸图像样本作为一个批次输入所述人脸解析网络进行训练验证；
[0139]
测试单元，用于在训练完成后，将测试样本集中的m3个人脸图像样本作为一个批次输入所述人脸解析网络进行测试验证。
[0140]
可选地，所述检测模块64包括：
[0141]
转换单元，用于将所述人脸图像从rgb色彩空间转换为lab色彩空间；
[0142]
提取单元，用于遍历每一个预选的脸部细分部位，提取lab色彩空间中的a通道和b
通道的像素灰度值；
[0143]
计算单元，用于利用等效圆来计算每一个脸部细分部位的lab色偏，其中，计算公式为：
[0144][0145]
在上式中，n表示一个脸部细分部位的像素个数，a表示第i个像素的a通道的灰度值，b表示第i个像素的b通道的灰度值，k表示色偏因子，k值越大色偏越严重。
[0146]
可选地，所述矫正模块65包括：
[0147]
色偏部位获取单元，用于根据色偏因子k获取色偏部位；
[0148]
平均灰度值计算单元，用于对于每一色偏部位，计算所述色偏部位内的所有像素的平均lab灰度值；
[0149]
补偿均值计算单元，用于将人脸肤色的合规均值减去所述平均lab灰度值，得到所述色偏部位的补偿均值；
[0150]
第一矫正单元，用于遍历所述色偏部位中的每一个像素，将所述像素的lab灰度值与所述补偿均值进行相加，得到所述像素的矫正灰度值。
[0151]
可选地，在得到所述像素的矫正灰度值之后，所述矫正模块65还包括：
[0152]
第二矫正单元，用于采用α通道对所述色偏部位中的每一个像素的lab灰度值和矫正灰度值进行合并，得到所述像素的目标灰度值。
[0153]
可选地，所述人脸解析网络采用交叉熵作为训练损失函数。
[0154]
关于基于卷积神经网络的人像lab色彩矫正装置的具体限定可以参见上文中对于基于卷积神经网络的人像lab色彩矫正方法的限定，在此不再赘述。上述基于卷积神经网络的人像lab色彩矫正装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于存储器中，以便于处理器调用执行以上各个模块对应的操作。
[0155]
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于卷积神经网络的人像lab色彩矫正方法。
[0156]
在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：
[0157]
构建人脸解析网络，所述人脸解析网络采用双边分割网络bisenet，所述双边分割网络bisenet包括上下文路径构件，所述上下文路径构件的各个金字塔采样层中加入通道融合下采样结构；
[0158]
获取预设的训练样本集，采用所述训练样本集对所述人脸解析网络进行训练，得
到人脸解析模型；
[0159]
获取待矫正的人脸图像，通过训练好的所述人脸解析模型对所述人脸图像进行人脸解析，得到所述人脸图像的脸部细分部位及部位标识信息；
[0160]
对预选的脸部细分部位进行lab色偏检测，得到各个预选的脸部细分部位的lab色偏；
[0161]
根据所述lab色偏获取色偏部位，对所述色偏部位进行矫正；
[0162]
在矫正后，按照部位标识信息合并各个脸部细分部位，得到矫正后的人脸图像。
[0163]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
[0164]
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。
[0165]
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。