随着计算机视觉技术的快速发展,人像分割和人像抠图技术也取得了跨越式的进步,基于人像分割和人像抠图的应用也越来越多。人像分割是将人像图像分割为前景和背景两部分,得到一个二值分割结果。而人像抠图技术是指将人像前景区域与人像背景分离,它能够对人像的头发等边缘细节信息进行处理。人像分割和人像抠图技术最初是在电影和电视行业中应用,并在电影和电视行业中获得了巨大的商业价值。随着科学技术的发展以及手机、平板、智能手表等嵌入式设备逐渐占据我们的生活,人像分割和人像抠图的应用场景也不局限于单一的背景,对人像分割和人像抠图的精度和实时性的要求也越来越高。将人像分割和抠图技术应用到手机等嵌入式设备成为了必然趋势。人像分割算法难以处理边缘细节信息,而传统的图像抠图算法能够处理人像的边缘细节信息并且抠图速度快,但是大部分传统的人像抠图算法需要和用户交互,需要用户提供三分图或者草图作为抠图的输入,三分图或者草图就称为先验信息。先验信息的准确性影响着后续抠图的质量,但是先验信息的制作十分繁琐。而基于深度学习的人像抠图算法的网络结构大,抠图速度慢,难以移植到手机等嵌入式设备中。因此本文深入研究了轻量级人像分割算法和传统的人像抠图算法相互结合的抠图算法。本文以人像分割的结果作为抠图算法的三分图的一部分,得到一种改进三分图的人像抠图方法,既解决了人像抠图算法的精度不高的问题,又省略人像抠图算法中的繁琐的人工操作,并且这种方法实时性高,模型小,能够移植到手机等嵌入式设备中。因此基于轻量级卷积神经网络的人像分割算法和抠图所需要的三分图的制作方法是本文主要的研究内容。本文的工作主要分为以下几个方面:首先介绍了人像分割和人像抠图的背景和基本思想,并总结了现有的轻量级图像语义分割和图像抠图的研究现状。本文归纳总结了现有的一些经典的语义分割网络和抠图算法,分析这些经典的网络和算法存在的优点和不足,并且引出本文所研究的内容:轻量级人像语义分割网络研究,一种改进三分图的人像抠图算法研究以及基于安卓系统的人像分割和抠图应用。本文总结了图像语义分割和图像抠图的相关工作,列举了一些经典的图像语义分割算法和图像抠图算法。其次,提出了DSC-Extreme C3Net轻量级人像分割网络。DSC-Extreme C3Net采用深度可分离卷积提取空间细节信息,将原有的Lovász损失函数替换为交叉熵损失函数。通过实验发现,本文提出的网络相比于原网络,具有更高的分割精度和模型泛化能力,鲁棒性更强。与现有的轻量级图像分割网络相比,本文提出的分割网络在资源环境限制条件下具有可比或更高的性能。再次,提出了一种改进三分图的人像抠图算法。用DSC-Extreme C3Net的分割结果作为抠图算法先验信息的一部分,并且结合边缘检测和性别识别技术优化提出的三分图,并采用区域生长算法加以校正。实验证明采用区域生长算法能够有效地校正三分图,减少前景区域被预测为背景区域以及背景区域被预测为前景区域的概率。实验结果表明,本文提出的轻量级人像分割网络和一种改进三分图的人像抠图算法相结合的方法能够较为准确地预测图像的边缘,得到较为理想的抠图效果。最后,本文还将提出的轻量级人像分割网络以及三分图制作方法移植到安卓手机上,进行人像的分割和抠图。本文还实现了手机端的图片保存功能。本文提出的方法移植到安卓手机上只需要占用13M的空间大小就可以离线实现快速的人像分割和人像抠图,因此本文提出的方法具有很高的商业价值。