本發(fā)明涉及多媒體信息
技術領域：
：，更具體地說，涉及一種圖片篩選方法、終端及計算機可讀存儲介質(zhì)。
背景技術：
：：在日常生活中，人們出行通常會拍照，比如，想給身邊的人拍個照片，或者想拍某一個景色(花朵)。為了獲得拍照效果比較好的照片，通常人們針對同一景色不止會拍一張，比如，會對同一朵花、同一個人、同一個景色，拍出很多張照片，但是終端內(nèi)存是有限的，而用戶拍攝針對同一事物拍攝多張照片，若都保存下來，顯然需要占用大量的內(nèi)存，而且在相冊中一般也不會存儲同一個事物的多張照片，比較浪費內(nèi)存。為了節(jié)約內(nèi)存，終端用戶在拍攝完畢后一般會從拍攝的多張照片中選出終端用戶認為效果最好的一張或幾張圖片，將其余的照片刪除。但目前的篩選方式通常是手動篩選用戶自己比較滿意的照片，這就需要用戶不停地對比翻看，這就降低了篩選圖片的效率，甚至到最后的幾張照片，即使對比翻看也還是難以取舍，降低了用戶手動篩選圖片體驗的滿意度。下面以移動終端是手機為例，用戶針對同一個人物拍攝多張照片的情況進行示例說明。假設用戶手機對同一個人拍了十多張甚至幾十張上百張照片，用戶手動篩選的話，就需要用戶瀏覽所有的照片，在從大量的照片中篩選喜歡的照片，比較浪費時間，而且用戶瀏覽所有的照片，也是一張一張地瀏覽，照片數(shù)量太多，對于用戶來說，瀏覽比較耗費精力，有可能瀏覽完所有照片后，發(fā)現(xiàn)自己喜歡的照片排在前面，還需要用戶再返回去瀏覽，面對海量的照片，也有可能出現(xiàn)漏選的現(xiàn)象。再者，用戶瀏覽大量的照片，手動篩選，勢必就需要用戶對手機上的照片進行瀏覽、選擇等操作，操作較為繁瑣。同時，用戶每次選擇了一張照片，手機就根據(jù)用戶的操作對照片進行保存，用戶和手機的交互也較多，也增加了手機的負擔，降低了手機的處理效率。技術實現(xiàn)要素：本發(fā)明要解決的技術問題在于：現(xiàn)有終端進行圖片篩選時僅支持用戶手動篩選，導致篩選操作繁瑣、篩選效率低，進而導致用戶體驗差的問題。針對該技術問題，提供一種圖片篩選方法、終端及計算機可讀存儲介質(zhì)。為解決上述技術問題，本發(fā)明提供一種圖片篩選方法，所述圖片篩選方法包括：接收圖片篩選指令；從包含各待篩選圖片的圖片集合中按預設學習法學習所述各待篩選圖片的分類特征值之集合，得到所述各待篩選圖片各自的分類特征值集合；將學習到的所述各待篩選圖片各自的分類特征值集合中的各分類特征值與通過所述預設學習法預先學習到的標準分類特征值集合中對應的標準分類特征值進行匹配，從所述各待篩選圖片中選出分類特征值集合與所述標準分類特征值集合匹配的目標圖片存入目標圖片集合中。進一步地，通過所述預設學習法預先學習標準分類特征值集合包括：確定各待學習圖片中的標準圖片；將所述各待學習圖片作為所述預設學習法的輸入，并將所述各待學習圖片中的標準圖片作為所述預設學習法的輸出，通過所述預設學習法學習將所述標準圖片從所述各待學習圖片中劃分出來的分類特征值之集合作為標準分類特征值集合，所述各待學習圖片為同一類對象的圖片。進一步地，所述待篩選圖片為同一類對象圖片；所述標準分類特征值集合對應的待學習圖片所對應的對象與所述待篩選圖片相同；所述從包含各待篩選圖片的圖片集合中按預設學習法學習所述各待篩選圖片的分類特征值之集合包括：將所述各待篩選圖片作為所述預設學習法的輸入，通過預設學習法學習所述各待篩選圖片的分類特征值之集合。進一步地，從所述各待篩選圖片中選出分類特征值集合與所述標準分類特征值集合匹配的目標圖片存入目標圖片集合中后，還包括：檢測到所述目標圖片集合中的目標圖片被更新時，將更新后的所述目標集合中當前的圖片作為所述預設學習法的輸出，并將所述圖片集合中的各待篩選圖片作為所述預設學習法的輸入，通過所述預設學習法學習將所述更新后的所述目標集合中當前的圖片從所述各篩選習圖片中劃分出來的分類特征值之集合作為新標準分類特征值集合；通過所述新標準分類特征集合對所述標準分類特征值集合進行更新。進一步地，通過所述新標準分類特征集合對所述標準分類特征值集合進行更新包括以下更新方式中的至少一種：將所述標準分類特征值集合中的各標準分類特征值替換為所述新標準分類特征集合中對應的新標準分類特征值；將所述標準分類特征值集合中的各標準分類特征值與所述新標準分類特征集合中對應的新標準分類特征值進行加權求和取加權求和得到的分類特征值，所述標準分類特征值的權值與所述新標準分類特征值的權重之和等于1。進一步地，所述預設學習法為具備輸入層，隱藏層和輸出層的棧式自編碼學習法；所述各待學習圖片作為所述輸入層的輸入，所述標準圖片作為所述輸出層的輸出，所述標準分類特征值集合為所述隱藏層從所述輸入層輸入的圖片中提取能將所述標準圖片從所述各待學習圖片中劃分出來的各分類特征值的集合。進一步地，所述各待學習圖片為對同一類對象拍攝得到的多張相片，所述標準圖片為根據(jù)用戶選擇指令從所述多張相片中選中的圖片。進一步地，從所述各待篩選圖片中選出分類特征值集合與所述標準分類特征值集合匹配的目標圖片存入目標圖片集合中后，還包括將所述圖片集合中的各待篩選圖片刪除。本發(fā)明還提供了一種終端，包括第一處理器、第一存儲器及第一通信總線；所述第一通信總線用于實現(xiàn)所述第一處理器和所述第一存儲器之間的連接通信；所述第一處理器用于執(zhí)行所述第一存儲器中存儲的圖片篩選程序，以實現(xiàn)如上所述的圖片篩選方法中的步驟。本發(fā)明還提供了一種計算機可讀存儲介質(zhì)，所述計算機可讀存儲介質(zhì)上存儲有圖片篩選程序，所述圖片篩選程序被處理器執(zhí)行時實現(xiàn)如上所述的圖片篩選方法中的步驟。有益效果本發(fā)明提供一種圖片篩選方法、終端及計算機可讀存儲介質(zhì)，先通過預設學習法預先學習到的標準分類特征值集合中對應的標準分類特征值，該標準分類特征為對應標準圖片(例如符合用戶篩選習慣的圖片或者其他標準的圖片)的圖片特征值。然后在接收到圖片篩選指令后，從包含各待篩選圖片的圖片集合中按預設學習法學習各待篩選圖片的分類特征值之集合，將學習到的各待篩選圖片各自的分類特征值集合中的各分類特征值與通過預設學習法預先學習到的標準分類特征值集合中對應的標準分類特征值進行匹配，從而從各待篩選圖片中選出分類特征值集合與標準分類特征值集合匹配的目標圖片存入目標圖片集合中；也即自動從待篩選圖片中選擇出與預先學習到的標準圖片相匹配的圖片，并不需要手動對圖片篩選，因此可以簡化篩選時的手動操作，并提升篩選處理效率，進而提升用戶體驗的滿意度。附圖說明下面將結合附圖及實施例對本發(fā)明作進一步說明，附圖中：圖1為實現(xiàn)本發(fā)明各個實施例一個可選的移動應用設備的硬件結構示意圖；圖2為實現(xiàn)本發(fā)明各個實施例一個通信網(wǎng)絡系統(tǒng)架構圖；圖3為本發(fā)明第一實施例提供的圖片篩選方法流程示意圖；圖4為本發(fā)明第一實施例提供的學習標準分類特征值集合流程示意圖；圖5為本發(fā)明第一實施例提供的標準分類特征值校正流程示意圖；圖6為本發(fā)明第二實施例提供的圖片學習和圖片篩選流程示意圖；圖7為本發(fā)明第三實施例提供的終端結構示意圖；圖8為本發(fā)明第四實施例提供的手機前置攝像頭拍攝示意圖；圖9為本發(fā)明第四實施例提供的通過手機前置攝像頭拍得照片示意圖；圖10為本發(fā)明第四實施例提供的標準分類特征值集合學習示意圖；圖11為本發(fā)明第四實施例提供的利用圖10的學習結果進行篩選示意圖；圖12為本發(fā)明第四實施例提供的標準分類特征值集合重學習示意圖。具體實施方式應當理解，此處所描述的具體實施例僅僅用以解釋本發(fā)明，并不用于限定本發(fā)明。在后續(xù)的描述中，使用用于表示元件的諸如“模塊”、“部件”或“單元”的后綴僅為了有利于本發(fā)明的說明，其本身沒有特定的意義。因此，“模塊”、“部件”或“單元”可以混合地使用。終端可以以各種形式來實施。例如，本發(fā)明中描述的終端可以包括諸如手機、平板電腦、筆記本電腦、掌上電腦、個人數(shù)字助理(personaldigitalassistant，pda)、便捷式媒體播放器(portablemediaplayer，pmp)、導航裝置、可穿戴設備、智能手環(huán)、計步器等移動終端，以及諸如數(shù)字tv、臺式計算機等固定終端。后續(xù)描述中將以移動終端為例進行說明，本領域技術人員將理解的是，除了特別用于移動目的的元件之外，根據(jù)本發(fā)明的實施方式的構造也能夠應用于固定類型的終端。請參閱圖1，其為實現(xiàn)本發(fā)明各個實施例的一種移動終端的硬件結構示意圖，該移動終端100可以包括：rf(radiofrequency，射頻)單元101、wifi模塊102、音頻輸出單元103、a/v(音頻/視頻)輸入單元104、傳感器105、顯示單元106、用戶輸入單元107、接口單元108、存儲器109、處理器110、以及電源111等部件。本領域技術人員可以理解，圖1中示出的移動終端結構并不構成對移動終端的限定，移動終端可以包括比圖示更多或更少的部件，或者組合某些部件，或者不同的部件布置。下面結合圖1對移動終端的各個部件進行具體的介紹：射頻單元101可用于收發(fā)信息或通話過程中，信號的接收和發(fā)送，具體的，將基站的下行信息接收后，給處理器110處理；另外，將上行的數(shù)據(jù)發(fā)送給基站。通常，射頻單元101包括但不限于天線、至少一個放大器、收發(fā)信機、耦合器、低噪聲放大器、雙工器等。此外，射頻單元101還可以通過無線通信與網(wǎng)絡和其他設備通信。上述無線通信可以使用任一通信標準或協(xié)議，包括但不限于gsm(globalsystemofmobilecommunication，全球移動通訊系統(tǒng))、gprs(generalpacketradioservice，通用分組無線服務)、cdma2000(codedivisionmultipleaccess2000，碼分多址2000)、wcdma(widebandcodedivisionmultipleaccess,寬帶碼分多址)、td-scdma(timedivision-synchronouscodedivisionmultipleaccess，時分同步碼分多址)、fdd-lte(frequencydivisionduplexing-longtermevolution，頻分雙工長期演進)和tdd-lte(timedivisionduplexing-longtermevolution，分時雙工長期演進)等。wifi屬于短距離無線傳輸技術，移動終端通過wifi模塊102可以幫助用戶收發(fā)電子郵件、瀏覽網(wǎng)頁和訪問流式媒體等，它為用戶提供了無線的寬帶互聯(lián)網(wǎng)訪問。雖然圖1示出了wifi模塊102，但是可以理解的是，其并不屬于移動終端的必須構成，完全可以根據(jù)需要在不改變發(fā)明的本質(zhì)的范圍內(nèi)而省略。音頻輸出單元103可以在移動終端100處于呼叫信號接收模式、通話模式、記錄模式、語音識別模式、廣播接收模式等等模式下時，將射頻單元101或wifi模塊102接收的或者在存儲器109中存儲的音頻數(shù)據(jù)轉(zhuǎn)換成音頻信號并且輸出為聲音。而且，音頻輸出單元103還可以提供與移動終端100執(zhí)行的特定功能相關的音頻輸出(例如，呼叫信號接收聲音、消息接收聲音等等)。音頻輸出單元103可以包括揚聲器、蜂鳴器等等。a/v輸入單元104用于接收音頻或視頻信號。a/v輸入單元104可以包括圖形處理器(graphicsprocessingunit，gpu)1041和麥克風1042，圖形處理器1041對在視頻捕獲模式或圖像捕獲模式中由圖像捕獲裝置(如攝像頭)獲得的靜態(tài)圖片或視頻的圖像數(shù)據(jù)進行處理。處理后的圖像幀可以顯示在顯示單元106上。經(jīng)圖形處理器1041處理后的圖像幀可以存儲在存儲器109(或其它存儲介質(zhì))中或者經(jīng)由射頻單元101或wifi模塊102進行發(fā)送。麥克風1042可以在電話通話模式、記錄模式、語音識別模式等等運行模式中經(jīng)由麥克風1042接收聲音(音頻數(shù)據(jù))，并且能夠?qū)⑦@樣的聲音處理為音頻數(shù)據(jù)。處理后的音頻(語音)數(shù)據(jù)可以在電話通話模式的情況下轉(zhuǎn)換為可經(jīng)由射頻單元101發(fā)送到移動通信基站的格式輸出。麥克風1042可以實施各種類型的噪聲消除(或抑制)算法以消除(或抑制)在接收和發(fā)送音頻信號的過程中產(chǎn)生的噪聲或者干擾。移動終端100還包括至少一種傳感器105，比如光傳感器、運動傳感器以及其他傳感器。具體地，光傳感器包括環(huán)境光傳感器及接近傳感器，其中，環(huán)境光傳感器可根據(jù)環(huán)境光線的明暗來調(diào)節(jié)顯示面板1061的亮度，接近傳感器可在移動終端100移動到耳邊時，關閉顯示面板1061和/或背光。作為運動傳感器的一種，加速計傳感器可檢測各個方向上(一般為三軸)加速度的大小，靜止時可檢測出重力的大小及方向，可用于識別手機姿態(tài)的應用(比如橫豎屏切換、相關游戲、磁力計姿態(tài)校準)、振動識別相關功能(比如計步器、敲擊)等；至于手機還可配置的指紋傳感器、壓力傳感器、虹膜傳感器、分子傳感器、陀螺儀、氣壓計、濕度計、溫度計、紅外線傳感器等其他傳感器，在此不再贅述。顯示單元106用于顯示由用戶輸入的信息或提供給用戶的信息。顯示單元106可包括顯示面板1061，可以采用液晶顯示器(liquidcrystaldisplay，lcd)、有機發(fā)光二極管(organiclight-emittingdiode,oled)等形式來配置顯示面板1061。用戶輸入單元107可用于接收輸入的數(shù)字或字符信息，以及產(chǎn)生與移動終端的用戶設置以及功能控制有關的鍵信號輸入。具體地，用戶輸入單元107可包括觸控面板1071以及其他輸入設備1072。觸控面板1071，也稱為觸摸屏，可收集合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1071上或在觸控面板1071附近的操作)，并根據(jù)預先設定的程式驅(qū)動相應的連接裝置。觸控面板1071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訪問，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，再送給處理器110，并能接收處理器110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1071。除了觸控面板1071，用戶輸入單元107還可以包括其他輸入設備1072。具體地，其他輸入設備1072可以包括但不限于物理鍵盤、功能鍵(比如音量控制按鍵、開關按鍵等)、軌跡球、鼠標、操作桿等中的一種或多種，具體此處不做限定。進一步的，觸控面板1071可覆蓋顯示面板1061，當觸控面板1071檢測到在其上或附近的觸摸操作后，傳送給處理器110以確定觸摸事件的類型，隨后處理器110根據(jù)觸摸事件的類型在顯示面板1061上提供相應的視覺輸出。雖然在圖1中，觸控面板1071與顯示面板1061是作為兩個獨立的部件來實現(xiàn)移動終端的輸入和輸出功能，但是在某些實施例中，可以將觸控面板1071與顯示面板1061集合成而實現(xiàn)移動終端的輸入和輸出功能，具體此處不做限定。接口單元108用作至少一個外部裝置與移動終端100連接可以通過的接口。例如，外部裝置可以包括有線或無線頭戴式耳機端口、外部電源(或電池充電器)端口、有線或無線數(shù)據(jù)端口、存儲卡端口、用于連接具有識別模塊的裝置的端口、音頻輸入/輸出(i/o)端口、視頻i/o端口、耳機端口等等。接口單元108可以用于接收來自外部裝置的輸入(例如，數(shù)據(jù)信息、電力等等)并且將接收到的輸入傳輸?shù)揭苿咏K端100內(nèi)的一個或多個元件或者可以用于在移動終端100和外部裝置之間傳輸數(shù)據(jù)。存儲器109可用于存儲軟件程序以及各種數(shù)據(jù)。存儲器109可主要包括存儲程序區(qū)和存儲數(shù)據(jù)區(qū)，其中，存儲程序區(qū)可存儲操作系統(tǒng)、至少一個功能所需的應用程序(比如聲音播放功能、圖像播放功能等)等；存儲數(shù)據(jù)區(qū)可存儲根據(jù)手機的使用所創(chuàng)建的數(shù)據(jù)(比如音頻數(shù)據(jù)、電話本等)等。此外，存儲器109可以包括高速隨機存取存儲器，還可以包括非易失性存儲器，例如至少一個磁盤存儲器件、閃存器件、或其他易失性固態(tài)存儲器件。處理器110是移動終端的控制中心，利用各種接口和線路連接整個移動終端的各個部分，通過運行或執(zhí)行存儲在存儲器109內(nèi)的軟件程序和/或模塊，以及調(diào)用存儲在存儲器109內(nèi)的數(shù)據(jù)，執(zhí)行移動終端的各種功能和處理數(shù)據(jù)，從而對移動終端進行整體監(jiān)控。處理器110可包括一個或多個處理單元；優(yōu)選的，處理器110可集合成應用處理器和調(diào)制解調(diào)處理器，其中，應用處理器主要處理操作系統(tǒng)、用戶界面和應用程序等，調(diào)制解調(diào)處理器主要處理無線通信。可以理解的是，上述調(diào)制解調(diào)處理器也可以不集合成到處理器110中。移動終端100還可以包括給各個部件供電的電源111(比如電池)，優(yōu)選的，電源111可以通過電源管理系統(tǒng)與處理器110邏輯相連，從而通過電源管理系統(tǒng)實現(xiàn)管理充電、放電、以及功耗管理等功能。盡管圖1未示出，移動終端100還可以包括藍牙模塊等，在此不再贅述。為了便于理解本發(fā)明實施例，下面對本發(fā)明的移動終端所基于的通信網(wǎng)絡系統(tǒng)進行描述。請參閱圖2，圖2為本發(fā)明實施例提供的一種通信網(wǎng)絡系統(tǒng)架構圖，該通信網(wǎng)絡系統(tǒng)為通用移動通信技術的lte系統(tǒng)，該lte系統(tǒng)包括依次通訊連接的ue(userequipment，用戶設備)201，e-utran(evolvedumtsterrestrialradioaccessnetwork，演進式umts陸地無線接入網(wǎng))202，epc(evolvedpacketcore，演進式分組核心網(wǎng))203和運營商的ip業(yè)務204。具體地，ue201可以是上述終端100，此處不再贅述。e-utran202包括enodeb2021和其它enodeb2022等。其中，enodeb2021可以通過回程(backhaul)(例如x2接口)與其它enodeb2022連接，enodeb2021連接到epc203，enodeb2021可以提供ue201到epc203的接入。epc203可以包括mme(mobilitymanagemententity，移動性管理實體)2031，hss(homesubscriberserver，歸屬用戶服務器)2032，其它mme2033，sgw(servinggateway，服務網(wǎng)關)2034，pgw(pdngateway，分組數(shù)據(jù)網(wǎng)絡網(wǎng)關)2035和pcrf(policyandchargingrulesfunction，政策和資費功能實體)2036等。其中，mme2031是處理ue201和epc203之間信令的控制節(jié)點，提供承載和連接管理。hss2032用于提供一些寄存器來管理諸如歸屬位置寄存器(圖中未示)之類的功能，并且保存有一些有關服務特征、數(shù)據(jù)速率等用戶專用的信息。所有用戶數(shù)據(jù)都可以通過sgw2034進行發(fā)送，pgw2035可以提供ue201的ip地址分配以及其它功能，pcrf2036是業(yè)務數(shù)據(jù)流和ip承載資源的策略與計費控制策略決策點，它為策略與計費執(zhí)行功能單元(圖中未示)選擇及提供可用的策略和計費控制決策。ip業(yè)務204可以包括因特網(wǎng)、內(nèi)聯(lián)網(wǎng)、ims(ipmultimediasubsystem，ip多媒體子系統(tǒng))或其它ip業(yè)務等。雖然上述以lte系統(tǒng)為例進行了介紹，但本領域技術人員應當知曉，本發(fā)明不僅僅適用于lte系統(tǒng)，也可以適用于其他無線通信系統(tǒng)，例如gsm、cdma2000、wcdma、td-scdma以及未來新的網(wǎng)絡系統(tǒng)等，此處不做限定。本發(fā)明中的終端可以實現(xiàn)語音通話、視頻通話、短信收發(fā)、彩信收發(fā)以及各種及時通信業(yè)務。以下通過具體實施例進行詳細說明。第一實施例本實施例提供的圖片篩選方法，可以先確定標準圖片，然后采用相應的預設學習方法學習到標準圖片的標準分類特征值得到標準分類特征值集合。學習到的標準分類特征值集合可以將標準圖片與其他圖片劃分開。這樣后續(xù)在需要進行圖片篩選時，就可以采用相應的預設學習法學習各待篩選圖片的分類特征值，然后與預先學習到的標準圖片的各對應的標準分類特征進行匹配，從而選擇出與該標準分類圖片相匹配的圖片，該圖片也就為篩選出的圖片。當學習過程中設置的標準圖片為用戶根據(jù)自己的習慣或喜好選擇出的圖片，則后續(xù)匹配出的圖片也就為符合用戶自己的習慣或喜好的圖片；如果上述標準圖片是按照規(guī)則設置的標準圖片，則篩選出的圖片也就預該規(guī)則匹配的圖片。應當理解的是，本實施例中進行圖片篩選時，可以將圖片進行分類篩選，例如針對同一類事物(可以是人、動物、植物、風景等)圖片采用該類事物的標準圖片對應的標準分類特征值集合進行篩選。在一些示例中，也可以不分類，而采用各類圖片共有的特性進行分類篩選，例如包括但不限于圖片的灰度、亮度、像素等等。具體可以根據(jù)實際應用場景和具體需求靈活設定。應當理解的是，本實施例中的預設學習法可以是能達到上述目的的任意學習法。請參見圖3所示，本實施例提供的圖片篩選方法包括：s301：接收圖片篩選指令。本實施例中的圖片篩選指令可以是用戶手動下發(fā)的，此時只需要提供相應的觸發(fā)操作接口給用戶即可，也可以是自動監(jiān)測到滿足預設條件后自動觸發(fā)的，例如監(jiān)測到拍攝同一事物的圖片達到預設數(shù)量。s302：從包含各待篩選圖片的圖片集合中按預設學習法學習各待篩選圖片的分類特征值之集合，得到各待篩選圖片各自的分類特征值集合。s303：將學習到的各待篩選圖片各自的分類特征值集合中的各分類特征值與通過預設學習法預先學習到的標準分類特征值集合中對應的標準分類特征值進行匹配。s304：根據(jù)匹配結果從各待篩選圖片中選出分類特征值集合與標準分類特征值集合匹配的目標圖片存入目標圖片集合中。本實施例中，在預先學習標準分類特征值結合的學習過程中，可以專門設置相應的圖片訓練集合進行學習，也可以監(jiān)測用戶手動分類時的分類結果，將用戶手動分類的圖片作為訓練集合進行學習，后面這種學習方式可以更好的適應不同用戶篩選圖片的習慣或喜好，能盡可能貼近用戶手動篩選的結果。在一種示例中，通過預設學習法預先學習標準分類特征值集合的過程參見圖4所示，包括：s401：確定各待學習圖片中的標準圖片。本實施例中的各待學習圖片可以是用戶拍攝的多張圖片或其他來源的圖片，且這些圖片可以是同一類事物的圖片，例如人、植物、山水等；當然理論上也可以是不同類事物的圖片，此時則可以學習不同類事物圖片的共有圖像特征。本實施例中的標準圖片可以是用戶手動從各待學習圖片中選擇出的一張或至少兩張圖片；也可以是通過其他方式從各待學習圖片中選擇出的圖片。s402：將各待學習圖片作為預設學習法的輸入，并將各待學習圖片中的標準圖片作為預設學習法的輸出，通過預設學習法學習將標準圖片從各待學習圖片中劃分出來的分類特征值之集合作為標準分類特征值集合。本實施例中，標準分類特征值集合中包含的分類特征值的個數(shù)可以根據(jù)所選用的具體學習算法、分類標準等情況靈活設置。只要能將標準圖片準確的從各待學習圖片總區(qū)分選擇出來即可。這樣在后面利用該標準分類特征值集合中的各標準分類特征值就可以從待分類圖片中準確可靠的選擇出滿足要求的目的圖片。本實施例中，在預選學習過程中，可以通過多個圖片訓練集進行學習，從而對學習到的標準分類特征集合中的標準分類特征值進行多次驗證和修正，從而盡可能提升篩選結果的可靠性和準確性。為了便于理解，下面以各待學習圖片為同一類對象的圖片；在進行圖片篩選時，待篩選的圖片也為同一類對象的圖片作為示例進行說明。此時所選用的標準分類特征值集合在預先學習過程中對應的待學習圖片所對應的對象與待篩選圖片相同。例如假設當前待篩選的圖片為對同一花朵拍攝的多張圖片，則選擇的標準分類特征值集合是在預先學習過程中針對同一花朵(該花朵可以與待分類圖片中的花朵為相同花朵，也可以為不同花朵)的多張待學習圖片進行學習得到的。此時，圖片篩選過程中，從包含各待篩選圖片的圖片集合中按預設學習法學習各待篩選圖片的分類特征值之集合包括：將各待篩選圖片作為預設學習法的輸入，通過預設學習法學習(提取)到各待篩選圖片的分類特征值之集合。該分類特征值集合是通過與得到標準分類特征值集合時所采用的預設學習法得到的，因此該集合中包含的特征值的個數(shù)以及類型與標準分類特征值中的個數(shù)和類型是一一對應的。在本實施例中，當采用上述方法從各待篩選圖片中選出分類特征值集合與所述標準分類特征值集合匹配的目標圖片存入目標圖片集合中后，如果監(jiān)測到目標圖片集合中的目標圖片被更新時，例如選擇出的目標圖片被刪掉一張或幾張，和/或目標圖片集合中從待分類圖片中添加到至少一張目標圖片之外的其他圖片，此時表明之前學習的標準分類特征值集合可能存在分類不準或分類補全的問題，因此可以對之前學習的標準分類特征值進行再次校正。因此，在本實施例中，參見圖5所示，從各待篩選圖片中選出分類特征值集合與所述標準分類特征值集合匹配的目標圖片存入目標圖片集合中后，還可包括對標準分類特征值進行以下校正過程：s501：判斷目標圖片集合中的目標圖片是否被更新，如是，轉(zhuǎn)至s502；否則，轉(zhuǎn)至s504。s502：將更新后的目標集合中當前的圖片作為預設學習法的輸出，并將圖片集合中的各待篩選圖片作為所述預設學習法的輸入，通過預設學習法學習將更新后的目標集合中當前的圖片從各篩選習圖片中劃分出來的分類特征值之集合作為新標準分類特征值集合。s503：通過新標準分類特征集合對標準分類特征值集合進行更新。s504：結束。s503中，通過得到的新標準分類特征集合對標準分類特征值集合進行更新可以采用以下更新方式中的至少一種：方式一：直接將標準分類特征值集合中的各標準分類特征值替換為所述新標準分類特征集合中對應的新標準分類特征值。方式二：將標準分類特征值集合中的各標準分類特征值與新標準分類特征集合中對應的新標準分類特征值進行加權求和取加權求和得到的分類特征值，所述標準分類特征值的權值與新標準分類特征值的權重之和等于1。例如，一種示例中，可以設置標準分類特征值的權值為0.5，新標準分類特征值的權重也為0.5；在另外一種示例中，可以設置標準分類特征值的權值為0.6，新標準分類特征值的權重也為0.4；在另外一種示例中，可以設置標準分類特征值的權值為0.3，新標準分類特征值的權重也為0.7；具體權重值的設置可以根據(jù)具體應用場景靈活設定。在本實施例中，通過上述圖片篩選篩選出目標圖片后，還可以將圖片集合中的各待篩選圖片刪除，這樣終端就僅保留目標圖片，在滿足用戶需求的同時，可以提升資源利用率。當然，通過上述圖片篩選篩選出目標圖片后，可與在得到用戶的確認后再自動將圖片集合中的各待篩選圖片刪除。通過本實施例提供的圖片篩選方法，利用學習法可以學習到標準圖片的標準分類特征值得到標準分類特征值集合，在圖片篩選時可以從包含各待篩選圖片的圖片集合中按預設學習法學習各待篩選圖片的分類特征值之集合，將學習到的各待篩選圖片各自的分類特征值集合中的各分類特征值與通過預設學習法預先學習到的標準分類特征值集合中對應的標準分類特征值進行匹配，從而從各待篩選圖片中選出分類特征值集合與標準分類特征值集合匹配的目標圖片存入目標圖片集合中；也即自動從待篩選圖片中選擇出與預先學習到的標準圖片相匹配的圖片，并不需要手動對圖片篩選，因此可以簡化篩選時的手動操作，并提升篩選處理效率，進而提升用戶體驗的滿意度。第二實施例為了便于理解本發(fā)明，本實施例在上述第一實施例的基礎上，以預設學習法為具備輸入層，隱藏層和輸出層的棧式自編碼學習法為示例進行說明；此時在預先的標準特征值集合學習過程中，各待學習圖片作為棧式自編碼學習法輸入層的輸入，標準圖片作為棧式自編碼學習法輸出層的輸出，標準分類特征值集合為隱藏層從輸入層輸入的圖片中提取能將標準圖片從各待學習圖片中劃分出來的各分類特征值(例如灰度值、亮度值、)的集合。且本實施例中，各待學習圖片為對同一類對象拍攝得到的多張相片，標準圖片為根據(jù)用戶選擇指令從多張相片中選中的圖片。下面以一個具體示例對預先學習過程和圖片篩選過程進行示例說明。假設終端對同一事物拍攝得到的多張圖片存儲于文件夾1(此時的文件夾1就為待學習圖片集合)中，用戶從該文件夾1中選擇出至少一張滿圖的圖片放到文件夾2(此時文件夾2中的圖片就為標準圖片)中。此時利用終端應用程序通過機器學習算法，對文件夾1中的圖片和文件夾2中的圖片進行學習，構建出一個針對同一拍攝事物的幾十張“原始圖片”到一兩張“符合用戶喜好”的學習網(wǎng)絡。機器學習算法的作用在于根據(jù)文件夾1中的圖片和文件夾2中的圖片預測出用戶的喜好或習慣，從而根據(jù)預測的用戶的喜好或習慣來篩選圖片。通俗地講，文件夾1存儲的是用戶拍攝的多張原始圖片，文件夾2存儲的是用戶所選擇的比較符合自身喜好或習慣的一兩張圖片。終端可以根據(jù)文件夾1和文件夾2中的圖片的特征來預測出用戶的喜好特征。從而根據(jù)預測出的用戶的喜好，從用戶下一次所拍攝的多張圖片中篩選出一兩張用戶比較喜歡的圖片，而不需要用戶自身手動篩選。例如，在實現(xiàn)上，可以在終端相機功能中增加了一個篩選的功能模塊(軟件實現(xiàn))，例如增加了一個圖標，用戶點擊這個圖標就下發(fā)了圖片篩選指令，利用預先學習到的標準分類特征值集合和待分類圖片的特征值集合進行匹配實現(xiàn)篩選功能，從而從用戶下一次所拍攝的多張圖片中篩選出一兩張用戶比較喜歡的圖片，而不需要用戶自身篩選。該方法可以從文件夾1中直接將用戶喜歡的圖片篩選出來，減少用戶的操作，減少了終端和用戶之間的交互的次數(shù)，可以降低了手機的負擔，，從而提高了手機的處理效率。本實施例中可以基于深度學習實現(xiàn)依據(jù)用戶喜好自動篩選同一事物大量圖片中用戶喜歡的少量圖片，首先建立文件夾1中的大量圖片與文件夾2中的少量圖片的對應關系，本實施例將建立該對應關系的過程稱為構建學習網(wǎng)絡的過程。其中，構建學習網(wǎng)絡以及具體的篩選的總體流程如圖6所示，包括：s601：訓練過程中，以拍照得到同一人物的大量圖片(即文件夾1中的圖片)，以及經(jīng)過用戶手動篩選出的喜歡的圖片(即文件夾2中的圖片)作為訓練數(shù)據(jù)。學習算法一般成為訓練，也就是針對同一事物，從文件夾1和文件2中選出該事物的圖片，作為原始數(shù)據(jù)(樣本)，以通過原始數(shù)據(jù)挖掘出文件夾1和文件2中的圖片的對應關系，也可以說是挖掘出用戶的喜好)。s602：以深度學習以及分類器，用訓練數(shù)據(jù)訓練出分類器的參數(shù)，得到分類器。分類可以看成是數(shù)據(jù)挖掘的一直手段，也就是在已有的數(shù)據(jù)(樣本)的基礎上構造出一個分類函數(shù)(或者也可以稱為是分類模型)即我們通常所說的分類器(classifier))。該函數(shù)或模型能夠把數(shù)據(jù)庫中的數(shù)據(jù)紀錄映射到給定類別中的某一個，從而可以應用于數(shù)據(jù)預測。本實施例中，為了提高準確度，分類器可利用用戶多次手動篩選結果，不斷對初始分類器優(yōu)化、保留具有最大準確度的分類器參數(shù)的結果。(類似迭代的過程，一直訓練，也就是預測出用戶的喜好后，從文件夾1中的圖片選出用戶喜歡的圖片，為了提高準確度，可以將初次選擇的圖片作為樣本，繼續(xù)訓練分類器的參數(shù)，直到預測的用戶的喜好跟用戶實際的喜歡相近)。本實施例中，將文件夾1中的圖片作為棧式自編碼學習法的輸入，將文件2中的圖片作為分類器的輸出，通過棧式自編碼學習法進行學習就可以提取到標準特征值集合。s603：將測試數(shù)據(jù)(用戶下一次待篩選的大量圖片，也即文件夾1中的圖片)通過訓練出的分類器進行分類，也就是篩選的實現(xiàn)，因為分類器就是預測用戶喜好的，所以通過分類器進行分類也就可以實現(xiàn)根據(jù)用戶喜好來分類同一人物大量圖片，即篩選圖片。此處通過分類器進行分類的過程就是將從文件夾1中提取到的各待分類圖片的分類特征值集合與之前學習到的標準特征值集合進行匹配，配對過程時將兩集合中對應的特征值進行匹配，從而從各待分類圖片中自動選擇出符合條件的圖片。為了更好地理解，下面以構建學習網(wǎng)絡模型的一種示例進行說明。一幅圖像中，各種復雜的特征往往以非線性的方式結合在一起，傳統(tǒng)機器學習輸入的樣本特征采用手工設計，手工設計依賴于設計者的先驗知識(也就是經(jīng)驗所得的參數(shù))，實際中需要手工調(diào)參數(shù)，從而特征設計中允許出現(xiàn)的參數(shù)數(shù)量十分有限。而本實施例是利用深度學習的方法，相較于傳統(tǒng)機器學習方法，深度學習實現(xiàn)了從輸入樣本中自動學習來提取特征，深度學習從樣本中自動提取特征可以大大增加參數(shù)數(shù)量，也就增加了特征的質(zhì)量，使得模式識別系統(tǒng)性能得到提升。對于樣本學習(也就是從樣本中得出分類器的過程)，由于傳統(tǒng)的機器學習模型深度不夠，需要大量的計算單元，以至于需要大量的參數(shù)和訓練樣本。而深度學習具有多個隱藏層，實現(xiàn)了多層學習，在學習中，重復利用隱藏層的計算單元，因此深度學習能夠以更少的參數(shù)和訓練樣本來表達分類函數(shù)，在此基礎上，深度學習還可利用前向傳播和反饋微調(diào)對所有層進行聯(lián)合優(yōu)化，從而使整個網(wǎng)絡的性能得到重大提升。下面對針對隱藏層的前向傳播和反饋微調(diào)過程進行示例說明。由于本實施例采用的深度學習的棧式自編碼學習方法，將特征提取和分類器聯(lián)合訓練，此網(wǎng)絡的構建是基于輸入什么，輸出仍是什么，即以輸入作為輸出來構建學習網(wǎng)絡。例如，在一次拍照中，對同一個事物拍了20張照片，即文件夾1中有20張同一事物的照片，經(jīng)過用戶手動篩選后，選出來的要保留的兩張照片，即文件夾2中的照片，其中這18張照片即為留在文件夾中待刪除的照片。構建棧式自編碼學習網(wǎng)絡的過程，就是以文件夾1中的20照片作為輸入，以文件夾2中的兩張照片作為分類器的輸出，建立模型，學習標準分類特征值集合。在棧式自編碼的學習過程中，可包括以下兩部分：前向傳播，使用自前一層向后一層的非監(jiān)督學習來提取特征，前一層的學習結果作為下一層的輸入，即從底層開始，一層一層的往頂層訓練出特征學習網(wǎng)絡。例如，在本實施例中，可以設置隱藏層的第一層從原始像素開始學習，刻畫局部的邊緣和紋理特征，隱藏層的第二層學習如何去組合邊，從而構成輪廓、角等，更高層學習如何去組合更形象且有意義的特征，即學習如何識別或組合人物照片中眼睛、鼻子、嘴、周圍環(huán)境等細節(jié)特征，最終以分類器對這些特征進行分類。反饋微調(diào)，自后一層(也即最底層)向前一層的監(jiān)督學習，即從輸出到輸入方向的逐層的反饋微調(diào)。將輸出特征的誤差自后一層向前一層傳輸，對隱藏層進行微調(diào)。反饋微調(diào)過程中，將學習網(wǎng)絡前向傳播經(jīng)分類器分類的輸出結果與用戶手動篩選結果的誤差，從最底層逐層向前一層傳輸，對每個隱藏層的特征參數(shù)進行微調(diào)，從而使該學習網(wǎng)絡輸出的結果與用戶手動篩選的結果達到一致。訓練出能夠從大量同一事物照片篩選出用戶喜歡的照片的深度學習網(wǎng)絡。通過本實施例提供的學習方法，可以學習到能準確講用戶喜歡的圖片(也即標準圖片)從待篩選圖片中篩選出來的標準特征值集合，以進行后續(xù)圖片篩選過程中的圖片篩選，且保證篩選出的圖片為符合用戶喜歡或習慣的圖片，避免用戶手動進行繁雜的操作篩選，提升用戶體驗的滿意度。第三實施例本實施例提供了一種終端，本實施例中的終端可以是圖1所示的終端，其可以包括攝像頭，也可以不包括攝像頭。參見圖7所示，該終端包括第一處理器71、第一存儲器72及第一通信總線73；第一通信總線73用于實現(xiàn)第一處理器71和第一存儲器72之間的連接通信；第一處理器71用于執(zhí)行第一存儲器72中存儲的圖片篩選程序，以實現(xiàn)如下步驟：接收圖片篩選指令。本實施例中的圖片篩選指令可以是用戶手動下發(fā)的，此時只需要提供相應的觸發(fā)操作接口給用戶即可，也可以是自動監(jiān)測到滿足預設條件后自動觸發(fā)的，例如監(jiān)測到拍攝同一事物的圖片達到預設數(shù)量。從包含各待篩選圖片的圖片集合中按預設學習法學習各待篩選圖片的分類特征值之集合，得到各待篩選圖片各自的分類特征值集合。將學習到的各待篩選圖片各自的分類特征值集合中的各分類特征值與通過預設學習法預先學習到的標準分類特征值集合中對應的標準分類特征值進行匹配；根據(jù)匹配結果從各待篩選圖片中選出分類特征值集合與標準分類特征值集合匹配的目標圖片存入目標圖片集合中。本實施例中，在預先學習標準分類特征值結合的學習過程中，可以專門設置相應的圖片訓練集合進行學習，也可以監(jiān)測用戶手動分類時的分類結果，將用戶手動分類的圖片作為訓練集合進行學習，后面這種學習方式可以更好的適應不同用戶篩選圖片的習慣或喜好，能盡可能貼近用戶手動篩選的結果。在一種示例中，第一處理器71海用于執(zhí)行第一存儲器72中存儲的圖片篩選程序執(zhí)行通過預設學習法預先學習標準分類特征值集合，該過程包括：確定各待學習圖片中的標準圖片。本實施例中的各待學習圖片可以是用戶拍攝的多張圖片或其他來源的圖片，且這些圖片可以是同一類事物的圖片，例如人、植物、山水等；當然理論上也可以是不同類事物的圖片，此時則可以學習不同類事物圖片的共有圖像特征。本實施例中的標準圖片可以是用戶手動從各待學習圖片中選擇出的一張或至少兩張圖片；也可以是通過其他方式從各待學習圖片中選擇出的圖片。將各待學習圖片作為預設學習法的輸入，并將各待學習圖片中的標準圖片作為預設學習法的輸出，通過預設學習法學習將標準圖片從各待學習圖片中劃分出來的分類特征值之集合作為標準分類特征值集合。本實施例中，標準分類特征值集合中包含的分類特征值的個數(shù)可以根據(jù)所選用的具體學習算法、分類標準等情況靈活設置。只要能將標準圖片準確的從各待學習圖片總區(qū)分選擇出來即可。這樣在后面利用該標準分類特征值集合中的各標準分類特征值就可以從待分類圖片中準確可靠的選擇出滿足要求的目的圖片。本實施例中，在預選學習過程中，可以通過多個圖片訓練集進行學習，從而對學習到的標準分類特征集合中的標準分類特征值進行多次驗證和修正，從而盡可能提升篩選結果的可靠性和準確性。為了便于理解，下面以各待學習圖片為同一類對象的圖片；在進行圖片篩選時，待篩選的圖片也為同一類對象的圖片作為示例進行說明。此時所選用的標準分類特征值集合在預先學習過程中對應的待學習圖片所對應的對象與待篩選圖片相同。例如假設當前待篩選的圖片為對同一花朵拍攝的多張圖片，則選擇的標準分類特征值集合是在預先學習過程中針對同一樹木(該樹木可以與待分類圖片中的樹木為相同樹木，也可以為不同樹木)的多張待學習圖片進行學習得到的。此時，圖片篩選過程中，第一處理器71用于執(zhí)行第一存儲器72中存儲的圖片篩選程序，執(zhí)行從包含各待篩選圖片的圖片集合中按預設學習法學習各待篩選圖片的分類特征值之集合包括：將各待篩選圖片作為預設學習法的輸入，通過預設學習法學習(提取)到各待篩選圖片的分類特征值之集合。該分類特征值集合是通過與得到標準分類特征值集合時所采用的預設學習法得到的，因此該集合中包含的特征值的個數(shù)以及類型與標準分類特征值中的個數(shù)和類型是一一對應的。在本實施例中，當采用上述方法從各待篩選圖片中選出分類特征值集合與所述標準分類特征值集合匹配的目標圖片存入目標圖片集合中后，如果監(jiān)測到目標圖片集合中的目標圖片被更新時，例如選擇出的目標圖片被刪掉一張或幾張，和/或目標圖片集合中從待分類圖片中添加到至少一張目標圖片之外的其他圖片，此時表明之前學習的標準分類特征值集合可能存在分類不準或分類補全的問題，因此可以對之前學習的標準分類特征值進行再次校正。因此，在本實施例中，第一處理器71還用于執(zhí)行第一存儲器72中存儲的圖片篩選程序，在從各待篩選圖片中選出分類特征值集合與所述標準分類特征值集合匹配的目標圖片存入目標圖片集合中后，執(zhí)行對標準分類特征值進行以下校正過程：判斷目標圖片集合中的目標圖片是否被更新，如是，將更新后的目標集合中當前的圖片作為預設學習法的輸出，并將圖片集合中的各待篩選圖片作為所述預設學習法的輸入，通過預設學習法學習將更新后的目標集合中當前的圖片從各篩選習圖片中劃分出來的分類特征值之集合作為新標準分類特征值集合；并通過新標準分類特征集合對標準分類特征值集合進行更新。第一處理器71執(zhí)行第一存儲器72中存儲的圖片篩選程序，實現(xiàn)通過新標準分類特征集合對標準分類特征值集合進行更新時，包括：直接將標準分類特征值集合中的各標準分類特征值替換為所述新標準分類特征集合中對應的新標準分類特征值。或，將標準分類特征值集合中的各標準分類特征值與新標準分類特征集合中對應的新標準分類特征值進行加權求和取加權求和得到的分類特征值，所述標準分類特征值的權值與新標準分類特征值的權重之和等于1。例如，一種示例中，可以設置標準分類特征值的權值為0.2，新標準分類特征值的權重為0.8；在另外一種示例中，可以設置標準分類特征值的權值為0.45，新標準分類特征值的權重也為0.55，具體權重值的設置可以根據(jù)具體應用場景靈活設定。在本實施例中，第一處理器71還用于執(zhí)行第一存儲器72中存儲的圖片篩選程序選出目標圖片后，執(zhí)行將圖片集合中的各待篩選圖片刪除的步驟，這樣終端就僅保留目標圖片，在滿足用戶需求的同時，可以提升資源利用率。當然，通過上述圖片篩選篩選出目標圖片后，可與在得到用戶的確認后再自動將圖片集合中的各待篩選圖片刪除，可進一步提升用戶體驗的滿意度。第四實施例本實施例提供了計算機可讀存儲介質(zhì)，計算機可讀存儲介質(zhì)上存儲有圖片篩選程序，存儲有圖片篩選程序被處理器執(zhí)行時實現(xiàn)如上所述的存儲有圖片篩選方法中的步驟。也即本實施例中的計算機可讀存儲介質(zhì)可適用于上述終端。為了便于理解，本實施例以終端為手機，且用戶通過手機自拍為示例進行說明。請參見圖8-圖9所示，用戶用手機8的前置攝像頭81進行自拍，得到圖9中所示的照片91。假設用戶自拍了20張照片放到文件夾1中，并從中選了自己滿意的兩張放入文件夾2中。此時通過棧式自編碼學習法的過程參見圖10所示，將用戶拍攝的20張照片x1、x2、x3，……，x20作為輸入，將文件夾2中的圖片x1、x2以及文件夾1中的圖片x3，……，x20這18張圖片分別作為分類器的兩類y1和y2輸出。圖10中以及省略部分則為隱藏層，其中隱藏層采用多層以進行深度學習，而其具體層數(shù)的設置可以根據(jù)手機性能、篩選速率要求、篩選精度要求等因素靈活設置。基于圖10所示的模型即可訓練出基于深度學習的自動篩選網(wǎng)絡，此時分類器中保存了可將x1、x2從x1、x2、x3，……，x20中區(qū)分出來的標準分類特征值集合。假設用戶后面用手機拍了10張同一人物(可以不是用戶自身，而是其他單個或多個人員(多個時可以包含自身)，且可以是采用前置攝像頭拍攝，也可以采用后置攝像頭拍攝)的照片后，在文件夾1中選中這10張照片，此時點預先設置好的篩選按鈕下發(fā)篩選指令，參見圖11所示，自動通過上述學習到的篩選網(wǎng)絡將文件夾1中的10張照片x1、x2、x3，……，x10作為輸入，自動篩選出兩張該網(wǎng)絡認為是用戶喜歡的照片，保存到文件夾2，留在文件夾1中待刪除的則為待刪除的照片。當然，自動篩選出的這兩張照片可能并不完全是用戶喜歡的，這種情況，用戶對文件夾1中照片進行手動再篩選，最終手動篩選出用戶喜歡的照片為x2和x4，留在文件夾1中待刪除的為x1、x3，……，x10。此時，參見圖12所示，可以將x1、x2、x3，……，x10作為輸入，將x2和x4作為y1的輸出，將x1、x2、x3，……，x10作為y2的輸出重新學習，根據(jù)學習結果對圖10中學習進行優(yōu)化，優(yōu)化方式包括但不限于上面介紹的兩種方式，優(yōu)化之后的學習網(wǎng)絡在下一次的從同一人物的大量照片中篩選出用戶喜歡的少量照片的篩選結果上，會更加接近用戶的喜好。隨著數(shù)據(jù)量的增大，隨著篩選次數(shù)的增多，便會對最初建立的篩選網(wǎng)絡不斷優(yōu)化，本發(fā)明中的基于深度學習的棧式自編碼的網(wǎng)絡便會更加優(yōu)化，最終能夠?qū)崿F(xiàn)從同一人物的大量照片中篩選出用戶喜歡的少量照片。以上僅是舉例，手機還可以建立其他物體的學習網(wǎng)絡，比如景色、寵物、花朵…的機器學習網(wǎng)絡，通過機器學習來實現(xiàn)按照用戶喜好對多張重復照片的篩選。本實施例中的移動終端自身能夠按照用戶的喜好，從相冊中篩選出符合用戶喜好的照片，而不用用戶自己手動選取，減少用戶的操作，從而減少了用戶和移動設備之間的交互，節(jié)約了選取時間，避免了用戶篩選照片過程中的糾結，且所選取的照片符合用戶的喜好，能夠提高用戶的體驗度。需要說明的是，在本文中，術語“包括”、“包含”或者其任何其他變體意在涵蓋非排他性的包含，從而使得包括一系列要素的過程、方法、物品或者裝置不僅包括那些要素，而且還包括沒有明確列出的其他要素，或者是還包括為這種過程、方法、物品或者裝置所固有的要素。在沒有更多限制的情況下，由語句“包括一個……”限定的要素，并不排除在包括該要素的過程、方法、物品或者裝置中還存在另外的相同要素。上述本發(fā)明實施例序號僅僅為了描述，不代表實施例的優(yōu)劣。通過以上的實施方式的描述，本領域的技術人員可以清楚地了解到上述實施例方法可借助軟件加必需的通用硬件平臺的方式來實現(xiàn)，當然也可以通過硬件，但很多情況下前者是更佳的實施方式?；谶@樣的理解，本發(fā)明的技術方案本質(zhì)上或者說對現(xiàn)有技術做出貢獻的部分可以以軟件產(chǎn)品的形式體現(xiàn)出來，該計算機軟件產(chǎn)品存儲在一個存儲介質(zhì)(如rom/ram、磁碟、光盤)中，包括若干指令用以使得一臺應用設備(可以是手機，計算機，服務器，空調(diào)器，或者網(wǎng)絡應用設備等)執(zhí)行本發(fā)明各個實施例的方法。上面結合附圖對本發(fā)明的實施例進行了描述，但是本發(fā)明并不局限于上述的具體實施方式，上述的具體實施方式僅僅是示意性的，而不是限制性的，本領域的普通技術人員在本發(fā)明的啟示下，在不脫離本發(fā)明宗旨和權利要求所保護的范圍情況下，還可做出很多形式，這些均屬于本發(fā)明的保護之內(nèi)。當前第1頁12當前第1頁12