本發(fā)明實施例涉及通信技術(shù)領(lǐng)域，尤其涉及一種圖像處理方法及移動終端。

背景技術(shù)：

現(xiàn)在的手機對自拍技術(shù)的要求越來越高，例如自拍清晰度、對焦、美白、磨皮、圖像增強等成為當前手機自拍技術(shù)的關(guān)鍵因數(shù)。然而，目前的手機需要用戶手動對圖像進行美顏處理，或者需要預(yù)先設(shè)定美顏處理的一些過程，才能達到美顏的效果，這樣增加了用戶手動設(shè)置的繁瑣操作。

技術(shù)實現(xiàn)要素：

本發(fā)明實施例提供一種基于深度神經(jīng)網(wǎng)絡(luò)的美顏方法，以解決現(xiàn)有的圖像的美顏處理，需用用戶手動操作，導致增加了用戶手動設(shè)置的繁瑣操作的問題。

一方面，提供了一種圖像處理方法，應(yīng)用于移動終端，所述方法包括：

獲取樣本圖像數(shù)據(jù)和所述樣本圖像數(shù)據(jù)對應(yīng)的特征圖像數(shù)據(jù)；

根據(jù)所述樣本圖像數(shù)據(jù)和所述特征圖像數(shù)據(jù)，構(gòu)建美顏預(yù)測模型；

獲取待處理的初始圖像；

將所述初始圖像輸入至所述美顏預(yù)測模型，輸出經(jīng)過圖像處理后的目標圖像；

其中，所述特征圖像數(shù)據(jù)為：根據(jù)預(yù)設(shè)人臉特征，對所述樣本圖像數(shù)據(jù)進行預(yù)設(shè)圖像處理后的圖像數(shù)據(jù)。

另一方面，提供一種移動終端，該移動終端包括：

第一獲取模塊，用于獲取樣本圖像數(shù)據(jù)和所述樣本圖像數(shù)據(jù)對應(yīng)的特征圖像數(shù)據(jù)；

建立模塊，用于根據(jù)所述樣本圖像數(shù)據(jù)和所述特征圖像數(shù)據(jù)，構(gòu)建美顏預(yù)測模型；

第二獲取模塊，用于獲取待處理的初始圖像；

輸出模塊，用于將所述初始圖像輸入至所述美顏預(yù)測模型，輸出經(jīng)過圖像處理后的目標圖像；

其中，所述特征圖像數(shù)據(jù)為：根據(jù)預(yù)設(shè)人臉特征，對所述樣本圖像數(shù)據(jù)進行預(yù)設(shè)圖像處理后的圖像數(shù)據(jù)。

本發(fā)明實施例提供的一種圖像處理方法，通過將獲取的樣本圖像數(shù)據(jù)和所述樣本圖像數(shù)據(jù)對應(yīng)的特征圖像數(shù)據(jù)來構(gòu)建美顏預(yù)測模型，從而通過該模型來對待處理人臉圖像進行美顏處理，自動獲得美顏處理圖像，避免了用戶手動設(shè)置美顏的繁瑣操作。

附圖說明

為了更清楚地說明本發(fā)明實施例的技術(shù)方案，下面將對本發(fā)明實施例的描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實施例，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動性的前提下，還可以根據(jù)這些附圖獲得其他的附圖。

圖1是本發(fā)明的一種圖像處理方法實施例的流程圖；

圖2是本發(fā)明的一種圖像處理方法實施例另一的流程圖；

圖3是本發(fā)明的一種移動終端的結(jié)構(gòu)圖；

圖3a是本發(fā)明的一種移動終端的另一結(jié)構(gòu)圖；

圖4是本發(fā)明的一種移動終端的又一結(jié)構(gòu)圖；

圖5是本發(fā)明的一種移動終端的又一結(jié)構(gòu)圖。

具體實施方式

下面將結(jié)合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術(shù)方案進行清楚、完整地描述，顯然，所描述的實施例是本發(fā)明一部分實施例，而不是全部的實施例。基于本發(fā)明中的實施例，本領(lǐng)域普通技術(shù)人員在沒有作出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護的范圍。

如圖1所示，為本發(fā)明實施例提供的一種圖像處理方法實施例的流程圖，該方法包括：

步驟101，獲取樣本圖像數(shù)據(jù)和所述樣本圖像數(shù)據(jù)對應(yīng)的特征圖像數(shù)據(jù)。

本步驟中，該樣本圖像數(shù)據(jù)為用戶的拍攝的人臉圖像。該特征圖像數(shù)據(jù)為：根據(jù)預(yù)設(shè)人臉特征，對所述樣本圖像數(shù)據(jù)進行預(yù)設(shè)圖像處理后的圖像數(shù)據(jù)。該預(yù)設(shè)人臉特征包括：性別、年齡、膚色、人臉朝向、人臉各器官的三維結(jié)構(gòu)、皮膚透明度、皮膚光滑度、皮膚表層毛孔、皮膚表層皺紋中的至少一項。該預(yù)設(shè)圖像處理為用戶根據(jù)樣本圖像中的人臉的某項特征進行的美顏處理。如對人臉的膚色進行美白處理，對人的眉毛進行增粗處理。本發(fā)明實施例通過獲取樣本圖像數(shù)據(jù)和所述樣本圖像數(shù)據(jù)對應(yīng)的特征圖像數(shù)據(jù)，利用神經(jīng)網(wǎng)絡(luò)來學習用戶對人臉的某項特征的美顏方法，從而實現(xiàn)自動美顏的功能，更個性化且避免用戶手動設(shè)置美顏的繁瑣。

步驟102，根據(jù)所述樣本圖像數(shù)據(jù)和所述特征圖像數(shù)據(jù)，構(gòu)建美顏預(yù)測模型。

本步驟中，在獲取到樣本圖像數(shù)據(jù)和特征圖像數(shù)據(jù)后，根據(jù)兩者的特征差異，學習同一人臉的某項特征在樣本圖像與特征圖像的差異變化情況，得到美顏預(yù)測模型，從而利用該訓練好的模型對用戶的拍攝的人臉圖像進行實時美顏調(diào)整，避免用戶手動設(shè)置美顏的繁瑣。

步驟103，獲取待處理的初始圖像。

本步驟中，該初始圖像為用戶拍攝的需要進行美顏處理的人臉圖像。

步驟104，將所述初始圖像輸入至所述美顏預(yù)測模型，輸出經(jīng)過圖像處理后的目標圖像。

本步驟中，該美顏預(yù)測模型通過學習具備對樣本圖像在不同分類條件下的美顏方法，當輸入待美顏處理的初始圖像時，該美顏預(yù)測模型對該初始圖像進行分類識別，并通過學習得到的對不同的類別的人臉特征的美顏方法對該待處理圖像執(zhí)行實時美顏處理，得到美顏圖像數(shù)據(jù)。

本發(fā)明實施例提供的一種圖像處理方法，通過將獲取的樣本圖像數(shù)據(jù)和所述樣本圖像數(shù)據(jù)對應(yīng)的特征圖像數(shù)據(jù)來構(gòu)建美顏預(yù)測模型，從而通過該模型來對待處理人臉圖像進行美顏處理，自動獲得美顏處理圖像，避免了用戶手動設(shè)置美顏的繁瑣操作。

如圖2所示，為本發(fā)明實施例提供的一種圖像處理方法實施例的另一流程圖。該圖像處理方法，包括：

步驟201，獲取樣本圖像數(shù)據(jù)和所述樣本圖像數(shù)據(jù)對應(yīng)的特征圖像數(shù)據(jù)。

本步驟中，該樣本圖像數(shù)據(jù)為用戶的拍攝的人臉圖像。該特征圖像數(shù)據(jù)為：根據(jù)預(yù)設(shè)人臉特征，對所述樣本圖像數(shù)據(jù)進行預(yù)設(shè)圖像處理后的圖像數(shù)據(jù)。該預(yù)設(shè)人臉特征包括：性別、年齡、膚色、人臉朝向、人臉各器官的三維結(jié)構(gòu)、皮膚透明度、皮膚光滑度、皮膚表層毛孔、皮膚表層皺紋中的至少一項。該預(yù)設(shè)圖像處理為用戶根據(jù)樣本圖像中的預(yù)設(shè)的人臉特征進行的美顏處理。即對人臉特征中的性別、年齡、膚色、人臉朝向、人臉各器官的三維結(jié)構(gòu)、皮膚透明度、皮膚光滑度、皮膚表層毛孔、皮膚表層皺紋中的至少一項做美顏處理。本發(fā)明實施例通過獲取樣本圖像數(shù)據(jù)和所述樣本圖像數(shù)據(jù)對應(yīng)的特征圖像數(shù)據(jù)，利用神經(jīng)網(wǎng)絡(luò)來學習用戶對該預(yù)設(shè)人臉特征的美顏方法，從而實現(xiàn)自動美顏的功能，更個性化且避免用戶手動設(shè)置美顏的繁瑣。

具體的，步驟201，包括：

步驟2011，獲取n張圖像，所述n張圖像分別包括不同人臉特征。

本步驟中，n為大于1的整數(shù)。該不同人臉特征可以包括性別、年齡、膚色、人臉朝向、人臉各器官的三維結(jié)構(gòu)、皮膚透明度、皮膚光滑度、皮膚表層毛孔、皮膚表層皺紋中的至少一項。

步驟2012，將所述n張圖像確定為所述樣本圖像數(shù)據(jù)。

本步驟中，將該包含不同人臉特征的圖像確定為樣本圖像，提供給神經(jīng)網(wǎng)絡(luò)學習不同人臉特征的美顏方法。

步驟2013，通過卷積神經(jīng)網(wǎng)絡(luò)模型，按照預(yù)設(shè)人臉特征，對所述樣本圖像數(shù)據(jù)進行分類訓練，得到人臉特征訓練模型。

本步驟中，該卷積神經(jīng)網(wǎng)絡(luò)用于按照預(yù)設(shè)的人臉特征對樣本圖像進行分類，訓練識別人臉的某項特征。如訓練識別人臉的膚色，人臉的眉毛，在得到人臉特征訓練模型后，將樣本圖像輸入該模型，該模型自動識別出人臉的膚色，人臉的眉毛。該人臉特征訓練模型在于確定人臉的某項特征，如確定人臉的膚色，人臉的眉毛特征。

步驟2014，根據(jù)所述人臉特征訓練模型和所述預(yù)設(shè)人臉特征，對所述樣本圖像數(shù)據(jù)分別進行預(yù)設(shè)圖像處理，得到所述特征圖像數(shù)據(jù)。

本步驟中，根據(jù)人臉特征訓練模型和預(yù)設(shè)人臉特征，對所述樣本圖像數(shù)據(jù)分別進行預(yù)設(shè)圖像處理，得到特征圖像數(shù)據(jù)。如該預(yù)設(shè)人臉特征為膚色時，根據(jù)人臉特征訓練模型識別人臉的膚色，從而對該膚色根據(jù)美顏算法進行美白的美顏處理，如該預(yù)設(shè)人臉特征為眉毛時，根據(jù)人臉特征訓練模型識別到眉毛，從而對該眉毛根據(jù)美顏算法進行加粗的美顏處理，在對樣本圖像的人臉特征處理完成后得到與樣本圖像數(shù)據(jù)對應(yīng)的特征圖像數(shù)據(jù)。該特征圖像數(shù)據(jù)用于與樣本圖像數(shù)據(jù)對比，進行人臉特征差異化分析。

步驟202，根據(jù)所述樣本圖像數(shù)據(jù)和所述特征圖像數(shù)據(jù)，構(gòu)建美顏預(yù)測模型。

本步驟中，在獲取到樣本圖像數(shù)據(jù)和特征圖像數(shù)據(jù)后，根據(jù)兩者的特征差異，學習對相同類別的人臉特征差異的美顏方法，得到美顏預(yù)測模型。利用該訓練好的模型對用戶的拍攝的人臉圖像進行實時美顏，避免用戶手動設(shè)置美顏的繁瑣。

具體的，步驟202，包括：

步驟2021，根據(jù)所述樣本圖像數(shù)據(jù)和所述特征圖像數(shù)據(jù)，計算人臉差異特征數(shù)據(jù)。

本步驟中，該樣本圖像數(shù)據(jù)為用戶的拍攝的原始人臉圖像。該特征圖像數(shù)據(jù)為：根據(jù)預(yù)設(shè)人臉特征，對所述樣本圖像數(shù)據(jù)進行預(yù)設(shè)圖像處理后的圖像數(shù)據(jù)。該人臉差異特征數(shù)據(jù)滿足一定的量化關(guān)系。具體的，如人臉的膚色特征，該人臉差異特征數(shù)據(jù)為樣本圖像中的膚色特征與特征圖像中的膚色特征的差異數(shù)據(jù)。通過計算該人臉差異特征數(shù)據(jù)來獲得對該膚色特征進行美白處理的美顏處理方法。

步驟2022，基于所述人臉差異特征數(shù)據(jù)，構(gòu)建反饋網(wǎng)絡(luò)數(shù)據(jù)。

本步驟中，該反饋網(wǎng)絡(luò)用于對計算出的人臉差異特征數(shù)據(jù)進行優(yōu)化調(diào)整，獲得最終的差異特征數(shù)據(jù)。

步驟2023，將所述反饋網(wǎng)絡(luò)數(shù)據(jù)輸入至預(yù)設(shè)的fasterrcnn網(wǎng)絡(luò)中進行分類訓練，得到所述美顏預(yù)測模型。

本步驟中，該fasterrcnn網(wǎng)絡(luò)是一種模仿動物神經(jīng)網(wǎng)絡(luò)行為特征，進行分布式并行信息處理的算法數(shù)學網(wǎng)絡(luò)模型，具有自學習和自適應(yīng)的能力。它本質(zhì)上是一種輸入到輸出的映射，它能夠?qū)W習大量的輸入與輸出的映射關(guān)系，而不需要任何輸人和輸出之間的精確的表達式，只要用已知的模式對網(wǎng)絡(luò)加以訓練，網(wǎng)絡(luò)就具有輸入輸出之間的映射能力。

將調(diào)整好的人臉差異特征數(shù)據(jù)構(gòu)成的反饋網(wǎng)絡(luò)輸入fasterrcnn進行訓練，學習人臉特征在樣本圖像和特征圖像的差異變化情況，即學習如何對某項人臉特征的美顏處理方法，根據(jù)該學習到美顏處理方法，得到美顏預(yù)測模型。如人臉的膚色特征，在樣本圖像中的亮度為a，在特征圖像的亮度為b，則學習由a到b的美顏處理方法。

步驟203，獲取待處理的初始圖像。

本步驟中，該初始圖像為用戶拍攝的需要進行美顏處理的人臉圖像。

步驟204，將所述初始圖像輸入至所述美顏預(yù)測模型，輸出經(jīng)過圖像處理后的目標圖像。

本步驟中，該美顏預(yù)測模型通過學習具備對初始圖像在不同分類條件下不同的人臉特征的美顏方法，當輸入待美顏處理的初始圖像時，該美顏預(yù)測模型對該原始圖像進行分類識別，并通過學習得到的對不同的類別的預(yù)設(shè)人臉特征的美顏方法對該待處理圖像執(zhí)行實時美顏處理，得到美顏圖像數(shù)據(jù)。如將人臉膚色的亮度提高，將眉毛加粗，將鼻子增高。

具體的，步驟204，包括：

步驟2041，將所述初始圖像輸入至所述美顏預(yù)測模型。

本步驟中，該初始圖像為用戶需美顏處理的原圖；該美顏預(yù)測模型包含了對人臉各個特征的美顏處理方法。

步驟2042，基于美顏預(yù)測模型，實時調(diào)整所述初始圖像的預(yù)設(shè)美顏圖像參數(shù)，輸出經(jīng)過圖像處理后的目標圖像。

本步驟中，該美顏預(yù)測模型對輸入的原始圖形進行美顏處理，對該原始圖像的各特征實時調(diào)整，最后輸出美顏處理后的目標圖像。如將人臉膚色的亮度提高，將眉毛加粗，將鼻子增高。

本發(fā)明實施例提供的一種圖像處理方法，通過卷積神經(jīng)網(wǎng)絡(luò)樣模型對樣本圖像分類訓練，并將訓練得到的該不同類別的人臉特征進行美顏處理后得到特征圖像數(shù)據(jù)，再計算該特征圖像數(shù)據(jù)與樣本圖像數(shù)據(jù)的人臉差異特征數(shù)據(jù)，從而將該得到的人臉差異特征數(shù)據(jù)輸入到fasterrcnn網(wǎng)絡(luò)進行學習訓練，得到包含美顏方法的美顏預(yù)測模型，通過該模型對待處理的圖像進行實時的美顏處理，自動獲得美顏處理圖像，避免了用戶手動設(shè)置美顏的繁瑣操作。

如圖3所示，為本發(fā)明實施例的一種移動終端的結(jié)構(gòu)圖。該移動終端300，包括：

第一獲取模塊301，用于獲取樣本圖像數(shù)據(jù)和所述樣本圖像數(shù)據(jù)對應(yīng)的特征圖像數(shù)據(jù)；

建立模塊302，用于根據(jù)所述樣本圖像數(shù)據(jù)和所述特征圖像數(shù)據(jù)，構(gòu)建美顏預(yù)測模型；

第二獲取模塊303，用于獲取待處理的初始圖像；

輸出模塊304，用于將所述初始圖像輸入至所述美顏預(yù)測模型，輸出經(jīng)過圖像處理后的目標圖像；

其中，所述特征圖像數(shù)據(jù)為：根據(jù)預(yù)設(shè)人臉特征，對所述樣本圖像數(shù)據(jù)進行預(yù)設(shè)圖像處理后的圖像數(shù)據(jù)。

進一步的，在圖3的基礎(chǔ)上，如圖3a所示，該移動終端300還包括：

所述第一獲取模塊301，包括：

獲取單元3011，用于獲取n張圖像，所述n張圖像分別包括不同人臉特征；

確定單元3012，用于將所述n張圖像確定為所述樣本圖像數(shù)據(jù)；

卷積單元3013，用于通過卷積神經(jīng)網(wǎng)絡(luò)模型，按照預(yù)設(shè)人臉特征，對所述樣本圖像數(shù)據(jù)進行分類訓練，得到人臉特征訓練模型；

圖像處理單元3014，根據(jù)所述人臉特征訓練模型和所述預(yù)設(shè)人臉特征，對所述樣本圖像數(shù)據(jù)分別進行預(yù)設(shè)圖像處理，得到所述特征圖像數(shù)據(jù)；

其中，n為大于1的整數(shù)。

所述預(yù)設(shè)人臉特征包括：性別、年齡、膚色、人臉朝向、人臉各器官的三維結(jié)構(gòu)、皮膚透明度、皮膚光滑度、皮膚表層毛孔、皮膚表層皺紋中的至少一項。

所述建立模塊302，包括：

計算單元3023，用于根據(jù)所述樣本圖像數(shù)據(jù)和所述特征圖像數(shù)據(jù)，計算人臉差異特征數(shù)據(jù)；

建立單元3024，用于基于所述人臉差異特征數(shù)據(jù)，構(gòu)建反饋網(wǎng)絡(luò)數(shù)據(jù)；

訓練單元3025，用于將所述反饋網(wǎng)絡(luò)數(shù)據(jù)輸入至預(yù)設(shè)的fasterrcnn網(wǎng)絡(luò)中進行分類訓練，得到所述美顏預(yù)測模型。

所述輸出模塊304，包括：

輸入單元3041，用于將所述初始圖像輸入至所述美顏預(yù)測模型；

輸出單元3042，用于基于美顏預(yù)測模型，實時調(diào)整所述初始圖像的預(yù)設(shè)美顏圖像參數(shù)，輸出經(jīng)過圖像處理后的目標圖像。

本發(fā)明實施例提供的一種移動終端，通過上述模塊，通過卷積神經(jīng)網(wǎng)絡(luò)樣模型對樣本圖像分類訓練，并將訓練得到的不同類別的人臉特征進行美顏處理后得到特征圖像數(shù)據(jù)，再計算該特征圖像數(shù)據(jù)與樣本圖像數(shù)據(jù)的人臉差異特征數(shù)據(jù)，從而將該得到的人臉差異特征數(shù)據(jù)輸入到fasterrcnn網(wǎng)絡(luò)進行學習訓練，得到包含美顏方法的美顏預(yù)測模型，通過該模型對待處理的圖像進行實時的美顏處理，自動獲得美顏處理圖像，避免了用戶手動設(shè)置美顏的繁瑣操作。

參照圖4，為本發(fā)明的一種移動終端的裝置結(jié)構(gòu)圖，該移動終端400包括：

至少一個處理器401、存儲器402、至少一個網(wǎng)絡(luò)接口404和用戶接口403。移動終端400中的各個組件通過總線系統(tǒng)405耦合在一起。可理解，總線系統(tǒng)405用于實現(xiàn)這些組件之間的連接通信。總線系統(tǒng)405除包括數(shù)據(jù)總線之外，還包括電源總線、控制總線和狀態(tài)信號總線。但是為了清楚說明起見，在圖4中將各種總線都標為總線系統(tǒng)405。

其中，用戶接口403可以包括顯示器、鍵盤或者點擊設(shè)備(例如，鼠標，軌跡球(trackball)、觸感板或者觸摸屏等。

可以理解，本發(fā)明實施例中的存儲器402可以是易失性存儲器或非易失性存儲器，或可包括易失性和非易失性存儲器兩者。其中，非易失性存儲器可以是只讀存儲器(read-onlymemory，rom)、可編程只讀存儲器(programmablerom，prom)、可擦除可編程只讀存儲器(erasableprom，eprom)、電可擦除可編程只讀存儲器(electricallyeprom，eeprom)或閃存。易失性存儲器可以是隨機存取存儲器(randomaccessmemory，ram)，其用作外部高速緩存。通過示例性但不是限制性說明，許多形式的ram可用，例如靜態(tài)隨機存取存儲器(staticram，sram)、動態(tài)隨機存取存儲器(dynamicram，dram)、同步動態(tài)隨機存取存儲器(synchronousdram，sdram)、雙倍數(shù)據(jù)速率同步動態(tài)隨機存取存儲器(doubledataratesdram，ddrsdram)、增強型同步動態(tài)隨機存取存儲器(enhancedsdram，esdram)、同步連接動態(tài)隨機存取存儲器(synchlinkdram，sldram)和直接內(nèi)存總線隨機存取存儲器(directrambusram，drram)。本發(fā)明實施例描述的系統(tǒng)和方法的存儲器402旨在包括但不限于這些和任意其它適合類型的存儲器。

在一些實施方式中，存儲器402存儲了如下的元素，可執(zhí)行模塊或者數(shù)據(jù)結(jié)構(gòu)，或者他們的子集，或者他們的擴展集：操作系統(tǒng)4021和應(yīng)用程序4022。

其中，操作系統(tǒng)4021，包含各種系統(tǒng)程序，例如框架層、核心庫層、驅(qū)動層等，用于實現(xiàn)各種基礎(chǔ)業(yè)務(wù)以及處理基于硬件的任務(wù)。應(yīng)用程序4022，包含各種應(yīng)用程序，例如媒體播放器(mediaplayer)、瀏覽器(browser)等，用于實現(xiàn)各種應(yīng)用業(yè)務(wù)。實現(xiàn)本發(fā)明實施例方法的程序可以包含在應(yīng)用程序4022中。

在本發(fā)明實施例中，通過調(diào)用存儲器402存儲的程序或指令，具體的，可以是應(yīng)用程序4022中存儲的程序或指令，處理器401用于：獲取樣本圖像數(shù)據(jù)和所述樣本圖像數(shù)據(jù)對應(yīng)的特征圖像數(shù)據(jù)；根據(jù)所述樣本圖像數(shù)據(jù)和所述特征圖像數(shù)據(jù)，構(gòu)建美顏預(yù)測模型；獲取待處理的初始圖像；將所述初始圖像輸入至所述美顏預(yù)測模型，輸出經(jīng)過圖像處理后的目標圖像；

其中，所述特征圖像數(shù)據(jù)為：根據(jù)預(yù)設(shè)人臉特征，對所述樣本圖像數(shù)據(jù)進行預(yù)設(shè)圖像處理后的圖像數(shù)據(jù)。

上述本發(fā)明實施例揭示的方法可以應(yīng)用于處理器401中，或者由處理器401實現(xiàn)。處理器401可能是一種集成電路芯片，具有信號的處理能力。在實現(xiàn)過程中，上述方法的各步驟可以通過處理器401中的硬件的集成邏輯電路或者軟件形式的指令完成。上述的處理器401可以是通用處理器、數(shù)字信號處理器(digitalsignalprocessor，dsp)、專用集成電路(applicationspecificintegratedcircuit，asic)、現(xiàn)成可編程門陣列(fieldprogrammablegatearray，fpga)或者其他可編程邏輯器件、分立門或者晶體管邏輯器件、分立硬件組件?？梢詫崿F(xiàn)或者執(zhí)行本發(fā)明實施例中的公開的各方法、步驟及邏輯框圖。通用處理器可以是微處理器或者該處理器也可以是任何常規(guī)的處理器等。結(jié)合本發(fā)明實施例所公開的方法的步驟可以直接體現(xiàn)為硬件譯碼處理器執(zhí)行完成，或者用譯碼處理器中的硬件及軟件模塊組合執(zhí)行完成。軟件模塊可以位于隨機存儲器，閃存、只讀存儲器，可編程只讀存儲器或者電可擦寫可編程存儲器、寄存器等本領(lǐng)域成熟的存儲介質(zhì)中。該存儲介質(zhì)位于存儲器402，處理器401讀取存儲器402中的信息，結(jié)合其硬件完成上述方法的步驟。

可以理解的是，本發(fā)明實施例描述的這些實施例可以用硬件、軟件、固件、中間件、微碼或其組合來實現(xiàn)。對于硬件實現(xiàn)，處理單元可以實現(xiàn)在一個或多個專用集成電路(applicationspecificintegratedcircuits，asic)、數(shù)字信號處理器(digitalsignalprocessing，dsp)、數(shù)字信號處理設(shè)備(dspdevice，dspd)、可編程邏輯設(shè)備(programmablelogicdevice，pld)、現(xiàn)場可編程門陣列(field-programmablegatearray，fpga)、通用處理器、控制器、微控制器、微處理器、用于執(zhí)行本申請所述功能的其它電子單元或其組合中。

對于軟件實現(xiàn)，可通過執(zhí)行本發(fā)明實施例所述功能的模塊(例如過程、函數(shù)等)來實現(xiàn)本發(fā)明實施例所述的技術(shù)。軟件代碼可存儲在存儲器中并通過處理器執(zhí)行。存儲器可以在處理器中或在處理器外部實現(xiàn)。

本發(fā)明實施例的所述預(yù)設(shè)人臉特征包括：性別、年齡、膚色、人臉朝向、人臉各器官的三維結(jié)構(gòu)、皮膚透明度、皮膚光滑度、皮膚表層毛孔、皮膚表層皺紋中的至少一項。

可選地，處理器401用于：獲取n張圖像，所述n張圖像分別包括不同人臉特征；將所述n張圖像確定為所述樣本圖像數(shù)據(jù)；通過卷積神經(jīng)網(wǎng)絡(luò)模型，按照預(yù)設(shè)人臉特征，對所述樣本圖像數(shù)據(jù)進行分類訓練，得到人臉特征訓練模型；根據(jù)所述人臉特征訓練模型和所述預(yù)設(shè)人臉特征，對所述樣本圖像數(shù)據(jù)分別進行預(yù)設(shè)圖像處理，得到所述特征圖像數(shù)據(jù)；其中，n為大于1的整數(shù)。

可選地，處理器401用于：根據(jù)所述樣本圖像數(shù)據(jù)和所述特征圖像數(shù)據(jù)，計算人臉差異特征數(shù)據(jù)；基于所述人臉差異特征數(shù)據(jù)，構(gòu)建反饋網(wǎng)絡(luò)數(shù)據(jù)；將所述反饋網(wǎng)絡(luò)數(shù)據(jù)輸入至預(yù)設(shè)的fasterrcnn網(wǎng)絡(luò)中進行分類訓練，得到所述美顏預(yù)測模型。

可選地，處理器401還用于：將所述初始圖像輸入至所述美顏預(yù)測模型；基于美顏預(yù)測模型，實時調(diào)整所述初始圖像的預(yù)設(shè)美顏圖像參數(shù)，輸出經(jīng)過圖像處理后的目標圖像。

移動終端400能夠?qū)崿F(xiàn)前述實施例中移動終端實現(xiàn)的各個過程，為避免重復(fù)，這里不再贅述。

本發(fā)明實施例提供的一種移動終端，通過上述模塊，通過卷積神經(jīng)網(wǎng)絡(luò)樣模型對樣本圖像分類訓練，并將訓練得到的不同類別的人臉特征進行美顏處理后得到特征圖像數(shù)據(jù)，再計算該特征圖像數(shù)據(jù)與樣本圖像數(shù)據(jù)的人臉差異特征數(shù)據(jù)，從而將該得到的人臉差異特征數(shù)據(jù)輸入到fasterrcnn網(wǎng)絡(luò)進行學習訓練，得到包含美顏方法的美顏預(yù)測模型，通過該模型對待處理的圖像進行實時的美顏處理，自動獲得美顏處理圖像，避免了用戶手動設(shè)置美顏的繁瑣操作。

參照圖5，為本發(fā)明實施例的一種移動終端又一結(jié)構(gòu)圖。

具體地，圖5中的移動終端500可以為手機、平板電腦、個人數(shù)字助理(personaldigitalassistant，pda)、或車載電腦等。

圖5中的移動終端500包括射頻(radiofrequency，rf)電路510、存儲器520、輸入單元530、顯示單元540、處理器560、音頻電路570、wifi(wirelessfidelity)模塊580和電源590。

其中，輸入單元530可用于接收用戶輸入的數(shù)字或字符信息，以及產(chǎn)生與移動終端500的用戶設(shè)置以及功能控制有關(guān)的信號輸入。具體地，本發(fā)明實施例中，該輸入單元530可以包括觸控面板531。觸控面板531，也稱為觸摸屏，可收集用戶在其上或附近的觸摸操作(比如用戶使用手指、觸筆等任何適合的物體或附件在觸控面板531上的操作)，并根據(jù)預(yù)先設(shè)定的程式驅(qū)動相應(yīng)的連接裝置?？蛇x的，觸控面板531可包括觸摸檢測裝置和觸摸控制器兩個部分。其中，觸摸檢測裝置檢測用戶的觸摸方位，并檢測觸摸操作帶來的信號，將信號傳送給觸摸控制器；觸摸控制器從觸摸檢測裝置上接收觸摸信息，并將它轉(zhuǎn)換成觸點坐標，再送給該處理器560，并能接收處理器560發(fā)來的命令并加以執(zhí)行。此外，可以采用電阻式、電容式、紅外線以及表面聲波等多種類型實現(xiàn)觸控面板531。除了觸控面板531，輸入單元530還可以包括其他輸入設(shè)備532，其他輸入設(shè)備532可以包括但不限于物理鍵盤、功能鍵(比如音量控制按鍵、開關(guān)按鍵等)、軌跡球、鼠標、操作桿等中的一種或多種。音頻電路570接收處理器的播放信號，用于播放各種音頻數(shù)據(jù)。

其中，顯示單元540可用于顯示由用戶輸入的信息或提供給用戶的信息以及移動終端500的各種菜單界面。顯示單元540可包括顯示面板541，可選的，可以采用lcd或有機發(fā)光二極管(organiclight-emittingdiode，oled)等形式來配置顯示面板541。

其中處理器560是移動終端500的控制中心，利用各種接口和線路連接整個手機的各個部分，通過運行或執(zhí)行存儲在第一存儲器521內(nèi)的軟件程序和/或模塊，以及調(diào)用存儲在第二存儲器522內(nèi)的數(shù)據(jù)，執(zhí)行移動終端500的各種功能和處理數(shù)據(jù)，從而對移動終端500進行整體監(jiān)控。可選的，處理器560可包括一個或多個處理單元。

在本發(fā)明實施例中，通過調(diào)用存儲該第一存儲器521內(nèi)的軟件程序和/或模塊和/或該第二存儲器522內(nèi)的數(shù)據(jù)，處理器560用于：獲取樣本圖像數(shù)據(jù)和所述樣本圖像數(shù)據(jù)對應(yīng)的特征圖像數(shù)據(jù)；根據(jù)所述樣本圖像數(shù)據(jù)和所述特征圖像數(shù)據(jù)，構(gòu)建美顏預(yù)測模型；獲取待處理的初始圖像；將所述初始圖像輸入至所述美顏預(yù)測模型，輸出經(jīng)過圖像處理后的目標圖像；

其中，所述特征圖像數(shù)據(jù)為：根據(jù)預(yù)設(shè)人臉特征，對所述樣本圖像數(shù)據(jù)進行預(yù)設(shè)圖像處理后的圖像數(shù)據(jù)。

本發(fā)明實施例的所述預(yù)設(shè)人臉特征包括：性別、年齡、膚色、人臉朝向、人臉各器官的三維結(jié)構(gòu)、皮膚透明度、皮膚光滑度、皮膚表層毛孔、皮膚表層皺紋中的至少一項。

可選地，處理器560用于：獲取n張圖像，所述n張圖像分別包括不同人臉特征；將所述n張圖像確定為所述樣本圖像數(shù)據(jù)；通過卷積神經(jīng)網(wǎng)絡(luò)模型，按照預(yù)設(shè)人臉特征，對所述樣本圖像數(shù)據(jù)進行分類訓練，得到人臉特征訓練模型；根據(jù)所述人臉特征訓練模型和所述預(yù)設(shè)人臉特征，對所述樣本圖像數(shù)據(jù)分別進行預(yù)設(shè)圖像處理，得到所述特征圖像數(shù)據(jù)；其中，n為大于1的整數(shù)。

可選地，處理器560用于：根據(jù)所述樣本圖像數(shù)據(jù)和所述特征圖像數(shù)據(jù)，計算人臉差異特征數(shù)據(jù)；基于所述人臉差異特征數(shù)據(jù)，構(gòu)建反饋網(wǎng)絡(luò)數(shù)據(jù)；將所述反饋網(wǎng)絡(luò)數(shù)據(jù)輸入至預(yù)設(shè)的fasterrcnn網(wǎng)絡(luò)中進行分類訓練，得到所述美顏預(yù)測模型。

可選地，處理器560還用于：將所述初始圖像輸入至所述美顏預(yù)測模型；基于美顏預(yù)測模型，實時調(diào)整所述初始圖像的預(yù)設(shè)美顏圖像參數(shù)，輸出經(jīng)過圖像處理后的目標圖像。

移動終端500能夠?qū)崿F(xiàn)前述實施例中移動終端實現(xiàn)的各個過程，為避免重復(fù)，這里不再贅述。

本發(fā)明實施例提供的一種移動終端，通過上述模塊，通過卷積神經(jīng)網(wǎng)絡(luò)樣模型對樣本圖像分類訓練，并將訓練得到的不同類別的人臉特征進行美顏處理后得到特征圖像數(shù)據(jù)，再計算該特征圖像數(shù)據(jù)與樣本圖像數(shù)據(jù)的人臉差異特征數(shù)據(jù)，從而將該得到的人臉差異特征數(shù)據(jù)輸入到fasterrcnn網(wǎng)絡(luò)進行學習訓練，得到包含美顏方法的美顏預(yù)測模型，通過該模型對待處理的圖像進行實時的美顏處理，自動獲得美顏處理圖像，避免了用戶手動設(shè)置美顏的繁瑣操作。

以上所述，僅為本發(fā)明的具體實施方式，但本發(fā)明的保護范圍并不局限于此，任何熟悉本技術(shù)領(lǐng)域的技術(shù)人員在本發(fā)明揭露的技術(shù)范圍內(nèi)，可輕易想到變化或替換，都應(yīng)涵蓋在本發(fā)明的保護范圍之內(nèi)。因此，本發(fā)明的保護范圍應(yīng)以權(quán)利要求的保護范圍為準。