计算机视觉是当今人工智能领域研究的热点内容。其中,人脸图像是计算机视觉的重要研究对象。人脸图像中包含着许多可以被用于分类识别和身份认证的属性。面色是人脸的重要属性之一,相比于其他的生物属性,面色的稳定性更强,更易获取。同时,面色识别分类对于人脸追踪和表情识别有着重要的意义。在本文中,整个面色分类系统分为人脸皮肤区域的分割、面色特征提取和面色分类三个部分。在皮肤分割实验中,本文在条件生成对抗网络的基础上搭建多尺度特征融合网络,将多尺度特征融合网络作为生成器,使用来自ResNet101的不同分辨率的特征图对人脸图像进行分割,分割结果被输入到判别器中。实验结果表明,本文的分割方法是十分有效的。由于颜色特征的区分性较弱,在单独使用颜色特征进行面色分类时效果较差。因此,本文中将纹理特征与颜色特征相融合作为面色分类的特征进行分类。最后,将提取到的面色特征分别输入到支持向量机和BP神经网络中。面色分类中,本文使用1000张皮肤图像作为训练数据,128张图像作为测试数据,面色被分为了深、中和浅三类。实验结果显示在同时使用归一化RGB颜色特征、HSV颜色特征、Lab颜色特征、灰度共生矩阵的纹理特征和局部二值模式的纹理特征的情况下,识别效果是最好的,支持向量机的平均分类正确率达到了87%,BP神经网络分类器的平均分类正确率达到了95%。在所有的实验中BP神经网络都表现出了更好的分类性能。本文主要工作如下:1、深入介绍了卷积神经网络的理论原理和结构模型,介绍了目前应用最为广泛的全卷积神经网络在图像语义分割中的应用;2、在皮肤分割实验中,提出了基于条件生成对抗网络的多尺度特征融合方法。传统的算法中利用了最后的低分辨率的特征图,而低分辨率的特征图会丢失掉高分辨率特征图中的一些信息,这些信息对于像素的定位可能非常有用。因此,本文中的多尺度特征融合网络对各个尺度的特征图都进行了学习,将提取到的信息进行融合来实现皮肤的分割。同时,因为条件生成对抗网络表现出的良好性能,所以本文使用了条件生成对抗网络的结构,并将多尺度特征融合网络作为生成器;3、由于颜色的区分性较弱,传统面色分类方法中直接使用颜色特征进行分类,效果并不理想。本文中将颜色特征与纹理特征进行了融合,并将其作为面色的特征进行分类,最终得到了较好的分类结果。