本發明實施例涉及通信技術領域，尤其涉及一種圖像處理方法及移動終端。
背景技術：
現在的手機對自拍技術的要求越來越高，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的關鍵因數。然而，目前的手機需要用戶手動對圖像進行美顏處理，或者需要預先設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置的繁瑣操作。
技術實現要素：
本發明實施例提供一種基于深度神經網絡的美顏方法，以解決現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置的繁瑣操作的問題。
一方面，提供了一種圖像處理方法，應用于移動終端，所述方法包括：
獲取樣本圖像數據和所述樣本圖像數據對應的特征圖像數據；
根據所述樣本圖像數據和所述特征圖像數據，構建美顏預測模型；
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測模型，輸出經過圖像處理后的目標圖像；
其中，所述特征圖像數據為：根據預設人臉特征，對所述樣本圖像數據進行預設圖像處理后的圖像數據。
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據和所述樣本圖像數據對應的特征圖像數據；
建立模塊，用于根據所述樣本圖像數據和所述特征圖像數據，構建美顏預測模型；
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測模型，輸出經過圖像處理后的目標圖像；
其中，所述特征圖像數據為：根據預設人臉特征，對所述樣本圖像數據進行預設圖像處理后的圖像數據。
本發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據和所述樣本圖像數據對應的特征圖像數據來構建美顏預測模型，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，避免了用戶手動設置美顏的繁瑣操作。
附圖說明
為了更清楚地說明本發明實施例的技術方案，下面將對本發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明的一些實施例，對于本領域普通技術人員來講，在不付出創造性勞動性的前提下，還可以根據這些附圖獲得其他的附圖。
圖1是本發明的一種圖像處理方法實施例的流程圖；
圖2是本發明的一種圖像處理方法實施例另一的流程圖；
圖3是本發明的一種移動終端的結構圖；
圖3a是本發明的一種移動終端的另一結構圖；
圖4是本發明的一種移動終端的又一結構圖；
圖5是本發明的一種移動終端的又一結構圖。
具體實施方式
下面將結合本發明實施例中的附圖，對本發明實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例是本發明一部分實施例，而不是全部的實施例。基于本發明中的實施例，本領域普通技術人員在沒有作出創造性勞動前提下所獲得的所有其他實施例，都屬于本發明保護的范圍。
如圖1所示，為本發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，獲取樣本圖像數據和所述樣本圖像數據對應的特征圖像數據。
本步驟中，該樣本圖像數據為用戶的拍攝的人臉圖像。該特征圖像數據為：根據預設人臉特征，對所述樣本圖像數據進行預設圖像處理后的圖像數據。該預設人臉特征包括：性別、年齡、膚色、人臉朝向、人臉各器官的三維結構、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。該預設圖像處理為用戶根據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。本發明實施例通過獲取樣本圖像數據和所述樣本圖像數據對應的特征圖像數據，利用神經網絡來學習用戶對人臉的某項特征的美顏方法，從而實現自動美顏的功能，更個性化且避免用戶手動設置美顏的繁瑣。
步驟102，根據所述樣本圖像數據和所述特征圖像數據，構建美顏預測模型。
本步驟中，在獲取到樣本圖像數據和特征圖像數據后，根據兩者的特征差異，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整，避免用戶手動設置美顏的繁瑣。
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測模型，輸出經過圖像處理后的目標圖像。
本步驟中，該美顏預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行實時美顏處理，得到美顏圖像數據。
本發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據和所述樣本圖像數據對應的特征圖像數據來構建美顏預測模型，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，避免了用戶手動設置美顏的繁瑣操作。
如圖2所示，為本發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，獲取樣本圖像數據和所述樣本圖像數據對應的特征圖像數據。
本步驟中，該樣本圖像數據為用戶的拍攝的人臉圖像。該特征圖像數據為：根據預設人臉特征，對所述樣本圖像數據進行預設圖像處理后的圖像數據。該預設人臉特征包括：性別、年齡、膚色、人臉朝向、人臉各器官的三維結構、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。該預設圖像處理為用戶根據樣本圖像中的預設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構、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。本發明實施例通過獲取樣本圖像數據和所述樣本圖像數據對應的特征圖像數據，利用神經網絡來學習用戶對該預設人臉特征的美顏方法，從而實現自動美顏的功能，更個性化且避免用戶手動設置美顏的繁瑣。
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。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構、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據。
本步驟中，將該包含不同人臉特征的圖像確定為樣本圖像，提供給神經網絡學習不同人臉特征的美顏方法。
步驟2013，通過卷積神經網絡模型，按照預設人臉特征，對所述樣本圖像數據進行分類訓練，得到人臉特征訓練模型。
本步驟中，該卷積神經網絡用于按照預設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，根據所述人臉特征訓練模型和所述預設人臉特征，對所述樣本圖像數據分別進行預設圖像處理，得到所述特征圖像數據。
本步驟中，根據人臉特征訓練模型和預設人臉特征，對所述樣本圖像數據分別進行預設圖像處理，得到特征圖像數據。如該預設人臉特征為膚色時，根據人臉特征訓練模型識別人臉的膚色，從而對該膚色根據美顏算法進行美白的美顏處理，如該預設人臉特征為眉毛時，根據人臉特征訓練模型識別到眉毛，從而對該眉毛根據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據對應的特征圖像數據。該特征圖像數據用于與樣本圖像數據對比，進行人臉特征差異化分析。
步驟202，根據所述樣本圖像數據和所述特征圖像數據，構建美顏預測模型。
本步驟中，在獲取到樣本圖像數據和特征圖像數據后，根據兩者的特征差異，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，避免用戶手動設置美顏的繁瑣。
具體的，步驟202，包括：
步驟2021，根據所述樣本圖像數據和所述特征圖像數據，計算人臉差異特征數據。
本步驟中，該樣本圖像數據為用戶的拍攝的原始人臉圖像。該特征圖像數據為：根據預設人臉特征，對所述樣本圖像數據進行預設圖像處理后的圖像數據。該人臉差異特征數據滿足一定的量化關系。具體的，如人臉的膚色特征，該人臉差異特征數據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據。通過計算該人臉差異特征數據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據，構建反饋網絡數據。
本步驟中，該反饋網絡用于對計算出的人臉差異特征數據進行優化調整，獲得最終的差異特征數據。
步驟2023，將所述反饋網絡數據輸入至預設的fasterrcnn網絡中進行分類訓練，得到所述美顏預測模型。
本步驟中，該fasterrcnn網絡是一種模仿動物神經網絡行為特征，進行分布式并行信息處理的算法數學網絡模型，具有自學習和自適應的能力。它本質上是一種輸入到輸出的映射，它能夠學習大量的輸入與輸出的映射關系，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絡加以訓練，網絡就具有輸入輸出之間的映射能力。
將調整好的人臉差異特征數據構成的反饋網絡輸入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，根據該學習到美顏處理方法，得到美顏預測模型。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測模型，輸出經過圖像處理后的目標圖像。
本步驟中，該美顏預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設人臉特征的美顏方法對該待處理圖像執行實時美顏處理，得到美顏圖像數據。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，基于美顏預測模型，實時調整所述初始圖像的預設美顏圖像參數，輸出經過圖像處理后的目標圖像。
本步驟中，該美顏預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。
本發明實施例提供的一種圖像處理方法，通過卷積神經網絡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據，再計算該特征圖像數據與樣本圖像數據的人臉差異特征數據，從而將該得到的人臉差異特征數據輸入到fasterrcnn網絡進行學習訓練，得到包含美顏方法的美顏預測模型，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，避免了用戶手動設置美顏的繁瑣操作。
如圖3所示，為本發明實施例的一種移動終端的結構圖。該移動終端300，包括：
第一獲取模塊301，用于獲取樣本圖像數據和所述樣本圖像數據對應的特征圖像數據；
建立模塊302，用于根據所述樣本圖像數據和所述特征圖像數據，構建美顏預測模型；
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測模型，輸出經過圖像處理后的目標圖像；
其中，所述特征圖像數據為：根據預設人臉特征，對所述樣本圖像數據進行預設圖像處理后的圖像數據。
進一步的，在圖3的基礎上，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據；
卷積單元3013，用于通過卷積神經網絡模型，按照預設人臉特征，對所述樣本圖像數據進行分類訓練，得到人臉特征訓練模型；
圖像處理單元3014，根據所述人臉特征訓練模型和所述預設人臉特征，對所述樣本圖像數據分別進行預設圖像處理，得到所述特征圖像數據；
其中，n為大于1的整數。
所述預設人臉特征包括：性別、年齡、膚色、人臉朝向、人臉各器官的三維結構、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，用于根據所述樣本圖像數據和所述特征圖像數據，計算人臉差異特征數據；
建立單元3024，用于基于所述人臉差異特征數據，構建反饋網絡數據；
訓練單元3025，用于將所述反饋網絡數據輸入至預設的fasterrcnn網絡中進行分類訓練，得到所述美顏預測模型。
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測模型；
輸出單元3042，用于基于美顏預測模型，實時調整所述初始圖像的預設美顏圖像參數，輸出經過圖像處理后的目標圖像。
本發明實施例提供的一種移動終端，通過上述模塊，通過卷積神經網絡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據，再計算該特征圖像數據與樣本圖像數據的人臉差異特征數據，從而將該得到的人臉差異特征數據輸入到fasterrcnn網絡進行學習訓練，得到包含美顏方法的美顏預測模型，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，避免了用戶手動設置美顏的繁瑣操作。
參照圖4，為本發明的一種移動終端的裝置結構圖，該移動終端400包括：
至少一個處理器401、存儲器402、至少一個網絡接口404和用戶接口403。移動終端400中的各個組件通過總線系統405耦合在一起。可理解，總線系統405用于實現這些組件之間的連接通信。總線系統405除包括數據總線之外，還包括電源總線、控制總線和狀態信號總線。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405。
其中，用戶接口403可以包括顯示器、鍵盤或者點擊設備(例如，鼠標，軌跡球(trackball)、觸感板或者觸摸屏等。
可以理解，本發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，例如靜態隨機存取存儲器(staticram，sram)、動態隨機存取存儲器(dynamicram，dram)、同步動態隨機存取存儲器(synchronousdram，sdram)、雙倍數據速率同步動態隨機存取存儲器(doubledataratesdram，ddrsdram)、增強型同步動態隨機存取存儲器(enhancedsdram，esdram)、同步連接動態隨機存取存儲器(synchlinkdram，sldram)和直接內存總線隨機存取存儲器(directrambusram，drram)。本發明實施例描述的系統和方法的存儲器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，可執行模塊或者數據結構，或者他們的子集，或者他們的擴展集：操作系統4021和應用程序4022。
其中，操作系統4021，包含各種系統程序，例如框架層、核心庫層、驅動層等，用于實現各種基礎業務以及處理基于硬件的任務。應用程序4022，包含各種應用程序，例如媒體播放器(mediaplayer)、瀏覽器(browser)等，用于實現各種應用業務。實現本發明實施例方法的程序可以包含在應用程序4022中。
在本發明實施例中，通過調用存儲器402存儲的程序或指令，具體的，可以是應用程序4022中存儲的程序或指令，處理器401用于：獲取樣本圖像數據和所述樣本圖像數據對應的特征圖像數據；根據所述樣本圖像數據和所述特征圖像數據，構建美顏預測模型；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測模型，輸出經過圖像處理后的目標圖像；
其中，所述特征圖像數據為：根據預設人臉特征，對所述樣本圖像數據進行預設圖像處理后的圖像數據。
上述本發明實施例揭示的方法可以應用于處理器401中，或者由處理器401實現。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、數字信號處理器(digitalsignalprocessor，dsp)、專用集成電路(applicationspecificintegratedcircuit，asic)、現成可編程門陣列(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。可以實現或者執行本發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的處理器等。結合本發明實施例所公開的方法的步驟可以直接體現為硬件譯碼處理器執行完成，或者用譯碼處理器中的硬件及軟件模塊組合執行完成。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、寄存器等本領域成熟的存儲介質中。該存儲介質位于存儲器402，處理器401讀取存儲器402中的信息，結合其硬件完成上述方法的步驟。
可以理解的是，本發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。對于硬件實現，處理單元可以實現在一個或多個專用集成電路(applicationspecificintegratedcircuits，asic)、數字信號處理器(digitalsignalprocessing，dsp)、數字信號處理設備(dspdevice，dspd)、可編程邏輯設備(programmablelogicdevice，pld)、現場可編程門陣列(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，可通過執行本發明實施例所述功能的模塊(例如過程、函數等)來實現本發明實施例所述的技術。軟件代碼可存儲在存儲器中并通過處理器執行。存儲器可以在處理器中或在處理器外部實現。
本發明實施例的所述預設人臉特征包括：性別、年齡、膚色、人臉朝向、人臉各器官的三維結構、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據；通過卷積神經網絡模型，按照預設人臉特征，對所述樣本圖像數據進行分類訓練，得到人臉特征訓練模型；根據所述人臉特征訓練模型和所述預設人臉特征，對所述樣本圖像數據分別進行預設圖像處理，得到所述特征圖像數據；其中，n為大于1的整數。
可選地，處理器401用于：根據所述樣本圖像數據和所述特征圖像數據，計算人臉差異特征數據；基于所述人臉差異特征數據，構建反饋網絡數據；將所述反饋網絡數據輸入至預設的fasterrcnn網絡中進行分類訓練，得到所述美顏預測模型。
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測模型；基于美顏預測模型，實時調整所述初始圖像的預設美顏圖像參數，輸出經過圖像處理后的目標圖像。
移動終端400能夠實現前述實施例中移動終端實現的各個過程，為避免重復，這里不再贅述。
本發明實施例提供的一種移動終端，通過上述模塊，通過卷積神經網絡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據，再計算該特征圖像數據與樣本圖像數據的人臉差異特征數據，從而將該得到的人臉差異特征數據輸入到fasterrcnn網絡進行學習訓練，得到包含美顏方法的美顏預測模型，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，避免了用戶手動設置美顏的繁瑣操作。
參照圖5，為本發明實施例的一種移動終端又一結構圖。
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字或字符信息，以及產生與移動終端500的用戶設置以及功能控制有關的信號輸入。具體地，本發明實施例中，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)，并根據預先設定的程式驅動相應的連接裝置。可選的，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，并將它轉換成觸點坐標，再送給該處理器560，并能接收處理器560發來的命令并加以執行。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備532，其他輸入設備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據。
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，通過運行或執行存儲在第一存儲器521內的軟件程序和/或模塊，以及調用存儲在第二存儲器522內的數據，執行移動終端500的各種功能和處理數據，從而對移動終端500進行整體監控。可選的，處理器560可包括一個或多個處理單元。
在本發明實施例中，通過調用存儲該第一存儲器521內的軟件程序和/或模塊和/或該第二存儲器522內的數據，處理器560用于：獲取樣本圖像數據和所述樣本圖像數據對應的特征圖像數據；根據所述樣本圖像數據和所述特征圖像數據，構建美顏預測模型；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測模型，輸出經過圖像處理后的目標圖像；
其中，所述特征圖像數據為：根據預設人臉特征，對所述樣本圖像數據進行預設圖像處理后的圖像數據。
本發明實施例的所述預設人臉特征包括：性別、年齡、膚色、人臉朝向、人臉各器官的三維結構、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據；通過卷積神經網絡模型，按照預設人臉特征，對所述樣本圖像數據進行分類訓練，得到人臉特征訓練模型；根據所述人臉特征訓練模型和所述預設人臉特征，對所述樣本圖像數據分別進行預設圖像處理，得到所述特征圖像數據；其中，n為大于1的整數。
可選地，處理器560用于：根據所述樣本圖像數據和所述特征圖像數據，計算人臉差異特征數據；基于所述人臉差異特征數據，構建反饋網絡數據；將所述反饋網絡數據輸入至預設的fasterrcnn網絡中進行分類訓練，得到所述美顏預測模型。
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測模型；基于美顏預測模型，實時調整所述初始圖像的預設美顏圖像參數，輸出經過圖像處理后的目標圖像。
移動終端500能夠實現前述實施例中移動終端實現的各個過程，為避免重復，這里不再贅述。
本發明實施例提供的一種移動終端，通過上述模塊，通過卷積神經網絡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據，再計算該特征圖像數據與樣本圖像數據的人臉差異特征數據，從而將該得到的人臉差異特征數據輸入到fasterrcnn網絡進行學習訓練，得到包含美顏方法的美顏預測模型，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，避免了用戶手動設置美顏的繁瑣操作。
以上所述，僅為本發明的具體實施方式，但本發明的保護范圍并不局限于此，任何熟悉本技術領域的技術人員在本發明揭露的技術范圍內，可輕易想到變化或替換，都應涵蓋在本發明的保護范圍之內。因此，本發明的保護范圍應以權利要求的保護范圍為準。