全文总字数：3877字

1. 研究目的与意义及国内外研究现状

face parsing是进行人脸识别的一个关键步骤，只有明确的分割出所需要的人脸区域，才能进行有关的下一步操作。face parsing之后的图像不仅能应用于人脸识别，还可以在化妆技术和脸谱变换等技术上进行运用，所以face parsing便成为当代满足人们需求的一个重要基础。

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。而当我们想进一步对图片的局部进行分类时，便需要进行物体检测。当我们想更进一步，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。到此，我们能够知道，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face parsing而言，它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face parsing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face parsing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face parsing，不仅可以在智能美妆上发挥作用，还能够在妆容迁移和人脸老化这两个工作上一展拳脚。

2. 研究的基本内容

本论文中的face parsing基于全卷积网络（简称fcn），fcn对图像进行像素级分类，从而解决了语义级别的face parsing问题。

与经典的cnn相比，在卷积层之后使用全连接层得到固定长度的特征向量进行分类不同，fcn可以接受任意尺寸的输入图像，采用反卷积层对最后一个卷积层的特征图进行上采样, 使它恢复到与输入图像相同的尺寸，从而可以对每个像素都产生一个预测。

同时fcn保留了原始输入图像中的空间信息, 在上采样的特征图上进行像素分类。

3. 实施方案、进度安排及预期效果

实施方案：利用caffe框架进行fcn的测试和训练，从网络找到人脸相关的database,编程语言运用python和matlab，利用caffe与这两个软件产生接口，并在服务器上进行训练，以此来进行实验。

进度方案：先进行相关基础知识的了解和学习，然后熟悉caffe的结构框架，查阅相关fcn训练和测试教程，查找较为合适的人脸数据集，结合自身的实际情况来进行毕业设计。

预期效果：首先顺利进行caffe的编译，与python和matlab产生接口，然后，顺利的在windows下进行数据集的训练，最后，能够较好地对人脸图像进行分割。

4. 参考文献