人像抠图技术是一种识别图像中的人像区域,包括头部、半身和全身位置,并准确预测出人像与背景交界处之间的不透明度。大多数人像抠图工具依赖于用户交互来绘制三分图或涂抹图的方式来提供颜色样本信息去完成抠图,该过程是繁琐且耗时的。对于一些没有抠图处理知识的专业人士来说,完成一幅满意的抠图需要多次绘制三分图或笔画图,并且多数人像抠图工具无法处理前景与背景颜色对比度小的图像。而无需用户交互的人像分割是对人像的粗略硬分割,这种硬分割造成人像与背景之间没有平滑的过渡以及对复杂结构的前景(头发)分割非常不精准。本文归纳总结了图像抠图和深度学习的国内外最新研究成果,着重研究图像抠图算法和基于深度学习的逐像素级任务算法的运用,并分析逐像素级任务算法存在的问题。面对大多数人像抠图存在时效性低、需要人工标注三分图和依赖颜色作为主要依据而导致精度难提高的问题,提出基于深度学习的人像自动抠图算法。本文完成的主要工作如下:(1)本文借鉴了图像抠图DAPM算法和DIM算法,提出了一个基于多任务卷积神经的快速人像自动抠图算法。此外,使用公开数据库作为测试集,与Deeplab加IMFM算法和DAPM算法进行对比,试验结果表明在运行时间,SAD,MSE和Gradient评价指标上优于对比算法。(2)以典型的端到端逐像素级任务的Deeplabv3网络为研究对象,归纳总结了其使用的空洞卷积和可分离卷积的优缺点及对网络性能的影响。分析ASPP存在“深度不足”导致感受视野受限和“跳棋板”的问题后提出更轻量和感受视野更大的LASPP;利用SE模块的优势与可分离卷积进行结合。通过在公开图像分割数据集PASCAL VOC2012上的试验结果,验证了LASPP比ASPP耗时更短和融合更多的卷积特征并生成细节丰富强鲁棒性的特征;SE模块与可分离卷积模可以有效提升网络的性能。(3)设计了由三分图预测网络和Alpha图预测网络组成的人像自动抠图算法。提出的三分图预测网络利用多网络输出的优势,比单网络输出预测的三分图在m PA和m IOU评测指标上分别提升0.029和0.103。在使用DIM算法中的损失函数基础上额外增加Alpha图的二次微分差损失函数,使用公开数据做验证集,在SAD和MSE评测指标上分别下降了2.13和0.002。(4)最后,在本文提出的自动人像抠图算法基础上开发了证件照生成系统,该系统应用于证件照自助摄影厅和基于照片的证件照生成软件。