现如今人们越来越多地使用手机进行拍照,人像背景虚化系统是目前手机拍照领域的一大热门研究方向。背景虚化效果通常通过手机多摄像头镜头之间的叠加完成,但多摄像头为手机机身重量带来了更多负担,增加了手机制造成本,对于用户来说便增加了手机购买价格。因此本文依托某手机单摄像头人像背景虚化项目,借助神经网络算法完成Android手机人像背景虚化系统。本文实现并训练人像分割模型,利用移动端算法移植框架对其进行移植并部署到手机本地,使用户在无网络的状态下也能随时使用本系统,降低网络延迟并很好地保护用户的隐私。本文具体研究内容如下:(1)本文使用DeepLabV3+网络作为人像分割模型的整体网络架构,对其进行的改动为将DeepLabV3+的主干网络部分Xception替换为轻量化网络MobileNetV2,并为MobileNetV2网络添加空洞卷积。在2312张图片训练集上进行训练,loss最终收敛于0.115,在450张图片测试集上达到了0.889m Io U。(2)本文利用MACE与Tensorflow Lite两种移动端算法移植框架对训练好的人像分割模型进行移植并将其部署到Android端。MACE使用Bazel与CMake编译工具将模型编译为动态库,利用JNI调用模型预测推理。Tensorflow Lite使用Tensorflow接口将模型转换为tflite格式,导入至Android端资源文件夹assets,直接利用Android接口调用模型预测推理。(3)本文利用Android Studio构建Android客户端,在Android端利用Renderscript完成后续背景虚化处理。输入图片经过移植好的人像分割模型预测推理得到人物部分为白背景部分为黑的mask图,编写Renderscript脚本对原图和mask图进行处理,最终得到完整的人像背景虚化图。(4)本文测试人像分割模型移植部署后的效果,在预测推理效果方面,移植后预测推理出的mask图与原模型预测推理出的mask图两者的m Io U为0.878-0.943;在耗时方面,移植后的模型预测推理处理耗时为198-530ms;在资源占用方面,移植后的模型预测推理CPU占用为10%-40%,内存占用为24M-53M。经过完整测试,本文实现的人像背景虚化系统效果良好,整体运行时间在3s以内,整个过程无需将图片上传到网络,很好地保护了用户的隐私,系统具有一定的反编译能力和良好的实用性。