1.一种基于语义分割的人脸图像的分割网络的方法，其特征在于，包括如下步骤：步骤S1：通过一系列操作后获得相应的用于人脸分割的图像数据集；

步骤S2：构建分割的深度卷积网络结构；

步骤S3：用步骤S2的网络结构去训练数据得到相应的训练模型；

步骤S4：用验证集进行验证、调参，并选出最优模型；

步骤S5：用测试集对选出的最优模型进行测试，评估模型性能；

所述步骤S2还包括如下步骤：

步骤S21：所述深度卷积网络采用encoder‑decoder架构作为网络结构，该网络结构包括编码器模块和解码器模块；

步骤S22：所述编码器模块包括三个部分，分别是快速下采样模块、信息交互模块、以及扩张组；

步骤S23：所述解码器模块，主要由双线性的上采样层和一个卷积层构成，卷积层后接一个softmax层进行像素级的分类；

步骤S24：对解码器模块的输出进行后处理，通过采用引导滤波器来保留脸部与头发边缘的细节，以及降低噪声；

所述步骤S22还包括如下步骤：

步骤S221：所述快速下采样模块由三个卷积层组成，而采用的卷积层有两种形式，一种是标准的卷积层，另一种是深度可分离的卷积层；深度可分离的卷积层可以有效的减少模型的参数量，进而减少计算的负担；每个卷积层后都皆有BN层以及使用RELU激活函数；

步骤S222：所述信息交互模块的结构采用MobileNet V2的反转残差瓶颈块(Inverted bottleneck residual block)，通过不同维度的特征图的信息交互和结合，去获得美观的输出；

步骤S223：所述扩张组是对通过信息交互模块进行特征融合后的模块进行空间上的扩张卷积，通过扩张卷积，能够增大卷积核的感受野，捕捉到更多层次的上下文信息。

2.根据权利要求1所述的基于语义分割的人脸图像的分割网络的方法，其特征在于，所述步骤S1还包括如下步骤：步骤S11：采用人脸识别数据集Labeled Faces in the wild(LFW)，将训练集、验证集和测试集分别按比例进行划分。

3.根据权利要求1所述的基于语义分割的人脸图像的分割网络的方法，其特征在于，所述步骤S1中的一系列操作包括均值化、去雾、裁剪操作。