CN107992824A - 拍照处理方法、移动终端及计算机可读存储介质 - Google Patents
拍照处理方法、移动终端及计算机可读存储介质 Download PDFInfo
- Publication number
- CN107992824A CN107992824A CN201711246311.6A CN201711246311A CN107992824A CN 107992824 A CN107992824 A CN 107992824A CN 201711246311 A CN201711246311 A CN 201711246311A CN 107992824 A CN107992824 A CN 107992824A
- Authority
- CN
- China
- Prior art keywords
- image
- convolutional neural
- training
- neural networks
- pretreatment
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/161—Detection; Localisation; Normalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/174—Facial expression recognition
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种拍照处理方法，其包括：实时获取当前的拍摄图像，并对当前所述拍摄图像进行预处理，得到第一预处理图像；获取存储的固化训练模型，恢复所述固化训练模型得到恢复模型；根据所述恢复模型，识别所述第一预处理图像中的人像表情，在识别到所述人像表情时，对所述第一预处理图像进行特效处理。本发明还公开了移动终端及计算机可读存储介质。本发明实现了对获取到的拍摄图像中人像表情，进行识别及特效处理的过程，并通过对应的模型提高了对该人像表情识别的准确率及速率，使得在获取到包括人像表情的拍摄图像时，能够第一时间对该人像表情进行识别处理，并呈现在用户面前。
Description
技术领域
本发明涉及图像处理领域，尤其涉及一种拍照处理方法、移动终端及计算机可读存储介质。
背景技术
现利用终端设备随时随地拍摄各种照片已经成为终端设备的主要功能。在用户通过该终端设备拍摄照片的过程中，尤其针对于对人脸拍摄的过程中，拍摄软件由于不能快速高效地识别所拍摄的人脸，导致在拍摄到人脸表情发生变化时，不能第一时间识别到所拍摄的人脸表情并及时作出对应特效处理的问题。
上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种拍照处理方法，旨在解决对人脸拍摄过程中不能快速高效识别拍摄人脸的技术问题。
为实现上述目的，本发明提供一种拍照处理方法，所述拍照处理方法包括以下步骤：
实时获取当前的拍摄图像，并对当前所述拍摄图像进行预处理，得到第一预处理图像；
获取存储的固化训练模型，恢复所述固化训练模型得到恢复模型；
根据所述恢复模型，识别所述第一预处理图像中的人像表情，在识别到所述人像表情时，对所述第一预处理图像进行特效处理。
在一实施方式中，所述获取存储的固化训练模型的步骤包括：
获取预设人像图像，对所述预设人像图像进行预处理，得到第二预处理图像；
根据所述第二预处理图像，建立固化训练模型。
在一实施方式中，所述根据所述第二预处理图像，建立固化训练模型的步骤包括：
根据主成分分析算法，对所述第二预处理图像进行降维处理，得到降维图像；
根据所述降维图像建立固化训练模型。
在一实施方式中，所述根据主成分分析算法，对所述第二预处理图像进行降维处理的步骤包括：
获取所述第二预处理图像的第一像素点矩阵；
对所述第一像素点矩阵的各个维度进行零均值化处理，得到零均值矩阵；
计算所述零均值矩阵的特征协方差矩阵，根据所述特征协方差矩阵，对所述第二预处理图像进行降维处理。
在一实施方式中，所述根据所述降维图像建立固化训练模型的步骤包括：
获取所述降维图像的标签数据集，划分所述标签数据集为训练集及测试集，并建立所述降维图像对应的卷积神经网络模型；
基于所述训练集及所述测试集，对所述卷积神经网络模型进行训练；
在所述卷积神经网络模型训练完成时，确定训练完成的所述卷积神经网络模型为训练模型，对所述训练模型进行固化处理，得到固化训练模型。
在一实施方式中，所述建立所述降维图像对应的卷积神经网络模型的步骤包括：
获取所述降维图像对应的第二像素点矩阵；
基于所述第二像素点矩阵，建立卷积神经网络模型。
在一实施方式中，所述基于所述训练集及所述测试集，对所述卷积神经网络模型进行训练的步骤包括：
在每预设个数的训练集集合对所述卷积神经网络模型训练结束时，获取所述卷积神经网络模型对所述测试集中图像识别的准确度；
确定所述准确度是否达到预设阈值，其中，在所述准确度达到所述预设阈值时，确定所述卷积神经网络模型训练完成。
在一实施方式中，所述对当前所述拍摄图像进行预处理，得到第一预处理图像的步骤包括：
对所述拍摄图像进行裁剪，得到裁剪图像；
对所述裁剪图像进行归一化操作，得到第一预处理图像。
此外，为实现上述目的，本发明还提供一种移动终端，所述移动终端包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的拍照处理程序，所述拍照处理程序被所述处理器执行时实现上述任一项所述的拍照处理方法的步骤。
此外，为实现上述目的，本发明还提供一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有拍照处理程序，所述拍照处理程序被处理器执行时实现上述任一项所述的拍照处理方法的步骤。
本发明通过实时获取当前的拍摄图像，并对当前所述拍摄图像进行预处理，得到第一预处理图像，接着获取存储的固化训练模型，恢复所述固化训练模型得到恢复模型，而后根据所述恢复模型，识别所述第一预处理图像中的人像表情，在识别到所述人像表情时，对所述第一预处理图像进行特效处理，实现了对获取到的拍摄图像中人像表情，进行识别及特效处理的过程，并通过对应的模型提高了对该人像表情识别的准确率及速率，使得在获取到包括人像表情的拍摄图像时，能够第一时间对该人像表情进行识别处理，并呈现在用户面前。
附图说明
图1为实现本发明各个实施例的一种移动终端的硬件结构示意图；
图2为本发明实施例提供的一种通信网络系统架构图；
图3为本发明拍照处理方法第一实施例的流程示意图；
图4为本发明拍照处理方法第二实施例中获取存储的固化训练模型的步骤的细化流程示意图；
图5为本发明拍照处理方法第三实施例中根据所述第二预处理图像，建立固化训练模型的步骤的细化流程示意图；
图6为本发明拍照处理方法第四实施例中根据主成分分析算法，对所述第二预处理图像进行降维处理的步骤的细化流程示意图；
图7为本发明拍照处理方法第五实施例中根据所述降维图像建立固化训练模型的步骤的细化流程示意图；
图8为本发明拍照处理方法第六实施例中建立所述降维图像对应的卷积神经网络模型的步骤的细化流程示意图；
图9为本发明拍照处理方法第七实施例中基于所述训练集及所述测试集，对所述卷积神经网络模型进行训练的步骤的细化流程示意图；
图10为本发明拍照处理方法第八实施例中对当前所述拍摄图像进行预处理，得到第一预处理图像的步骤的细化流程示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
在后续的描述中，使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有利于本发明的说明，其本身没有特定的意义。因此，“模块”、“部件”或“单元”可以混合地使用。
终端可以以各种形式来实施。例如，本发明中描述的终端可以包括诸如手机、平板电脑、笔记本电脑、掌上电脑、个人数字助理(Personal Digital Assistant，PDA)、便捷式媒体播放器(Portable Media Player，PMP)、导航装置、可穿戴设备、智能手环、计步器等移动终端，以及诸如数字TV、台式计算机等固定终端。
后续描述中将以移动终端为例进行说明，本领域技术人员将理解的是，除了特别用于移动目的的元件之外，根据本发明的实施方式的构造也能够应用于固定类型的终端。
请参阅图1，其为实现本发明各个实施例的一种移动终端的硬件结构示意图，该移动终端100可以包括：RF(Radio Frequency，射频)单元101、WiFi模块102、音频输出单元103、A/V(音频/视频)输入单元104、传感器105、显示单元106、用户输入单元107、接口单元108、存储器109、处理器110、以及电源111等部件。本领域技术人员可以理解，图1中示出的移动终端结构并不构成对移动终端的限定，移动终端可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
下面结合图1对移动终端的各个部件进行具体的介绍：
射频单元101可用于收发信息或通话过程中，信号的接收和发送，具体的，将基站的下行信息接收后，给处理器110处理；另外，将上行的数据发送给基站。通常，射频单元101包括但不限于天线、至少一个放大器、收发信机、耦合器、低噪声放大器、双工器等。此外，射频单元101还可以通过无线通信与网络和其他设备通信。上述无线通信可以使用任一通信标准或协议，包括但不限于GSM(Global System of Mobile communication，全球移动通讯系统)、GPRS(General Packet Radio Service，通用分组无线服务)、CDMA2000(CodeDivision Multiple Access2000，码分多址2000)、WCDMA(Wideband Code DivisionMultiple Access,宽带码分多址)、TD-SCDMA(Time Division-Synchronous CodeDivision Multiple Access，时分同步码分多址)、FDD-LTE(Frequency DivisionDuplexing-Long Term Evolution，频分双工长期演进)和TDD-LTE(Time DivisionDuplexing-Long Term Evolution，分时双工长期演进)等。
WiFi属于短距离无线传输技术，移动终端通过WiFi模块102可以帮助用户收发电子邮件、浏览网页和访问流式媒体等，它为用户提供了无线的宽带互联网访问。虽然图1示出了WiFi模块102，但是可以理解的是，其并不属于移动终端的必须构成，完全可以根据需要在不改变发明的本质的范围内而省略。
音频输出单元103可以在移动终端100处于呼叫信号接收模式、通话模式、记录模式、语音识别模式、广播接收模式等等模式下时，将射频单元101或WiFi模块102接收的或者在存储器109中存储的音频数据转换成音频信号并且输出为声音。而且，音频输出单元103还可以提供与移动终端100执行的特定功能相关的音频输出(例如，呼叫信号接收声音、消息接收声音等等)。音频输出单元103可以包括扬声器、蜂鸣器等等。
A/V输入单元104用于接收音频或视频信号。A/V输入单元104可以包括图形处理器(Graphics Processing Unit，GPU)1041和麦克风1042，图形处理器1041对在视频捕获模式或图像捕获模式中由图像捕获装置(如摄像头)获得的静态图像或视频的图像数据进行处理。处理后的图像帧可以显示在显示单元106上。经图形处理器1041处理后的图像帧可以存储在存储器109(或其它存储介质)中或者经由射频单元101或WiFi模块102进行发送。麦克风1042可以在电话通话模式、记录模式、语音识别模式等等运行模式中经由麦克风1042接收声音(音频数据)，并且能够将这样的声音处理为音频数据。处理后的音频(语音)数据可以在电话通话模式的情况下转换为可经由射频单元101发送到移动通信基站的格式输出。麦克风1042可以实施各种类型的噪声消除(或抑制)算法以消除(或抑制)在接收和发送音频信号的过程中产生的噪声或者干扰。
移动终端100还包括至少一种传感器105，比如光传感器、运动传感器以及其他传感器。具体地，光传感器包括环境光传感器及接近传感器，其中，环境光传感器可根据环境光线的明暗来调节显示面板1061的亮度，接近传感器可在移动终端100移动到耳边时，关闭显示面板1061和/或背光。作为运动传感器的一种，加速计传感器可检测各个方向上(一般为三轴)加速度的大小，静止时可检测出重力的大小及方向，可用于识别手机姿态的应用(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等；至于手机还可配置的指纹传感器、压力传感器、虹膜传感器、分子传感器、陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器，在此不再赘述。
显示单元106用于显示由用户输入的信息或提供给用户的信息。显示单元106可包括显示面板1061，可以采用液晶显示器(Liquid Crystal Display，LCD)、有机发光二极管(Organic Light-Emitting Diode，OLED)等形式来配置显示面板1061。
用户输入单元107可用于接收输入的数字或字符信息，以及产生与移动终端的用户设置以及功能控制有关的键信号输入。具体地，用户输入单元107可包括触控面板1071以及其他输入设备1072。触控面板1071，也称为触摸屏，可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触控面板1071上或在触控面板1071附近的操作)，并根据预先设定的程式驱动相应的连接装置。触控面板1071可包括触摸检测装置和触摸控制器两个部分。其中，触摸检测装置检测用户的触摸方位，并检测触摸操作带来的信号，将信号传送给触摸控制器；触摸控制器从触摸检测装置上接收触摸信息，并将它转换成触点坐标，再送给处理器110，并能接收处理器110发来的命令并加以执行。此外，可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触控面板1071。除了触控面板1071，用户输入单元107还可以包括其他输入设备1072。具体地，其他输入设备1072可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆等中的一种或多种，具体此处不做限定。
进一步的，触控面板1071可覆盖显示面板1061，当触控面板1071检测到在其上或附近的触摸操作后，传送给处理器110以确定触摸事件的类型，随后处理器110根据触摸事件的类型在显示面板1061上提供相应的视觉输出。虽然在图1中，触控面板1071与显示面板1061是作为两个独立的部件来实现移动终端的输入和输出功能，但是在某些实施例中，可以将触控面板1071与显示面板1061集成而实现移动终端的输入和输出功能，具体此处不做限定。
接口单元108用作至少一个外部装置与移动终端100连接可以通过的接口。例如，外部装置可以包括有线或无线头戴式耳机端口、外部电源(或电池充电器)端口、有线或无线数据端口、存储卡端口、用于连接具有识别模块的装置的端口、音频输入/输出(I/O)端口、视频I/O端口、耳机端口等等。接口单元108可以用于接收来自外部装置的输入(例如，数据信息、电力等等)并且将接收到的输入传输到移动终端100内的一个或多个元件或者可以用于在移动终端100和外部装置之间传输数据。
存储器109可用于存储软件程序以及各种数据。存储器109可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器109可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
处理器110是移动终端的控制中心，利用各种接口和线路连接整个移动终端的各个部分，通过运行或执行存储在存储器109内的软件程序和/或模块，以及调用存储在存储器109内的数据，执行移动终端的各种功能和处理数据，从而对移动终端进行整体监控。处理器110可包括一个或多个处理单元；优选的，处理器110可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器110中。
移动终端100还可以包括给各个部件供电的电源111(比如电池)，优选的，电源111可以通过电源管理系统与处理器110逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。
尽管图1未示出，移动终端100还可以包括蓝牙模块等，在此不再赘述。
为了便于理解本发明实施例，下面对本发明的移动终端所基于的通信网络系统进行描述。
请参阅图2，图2为本发明实施例提供的一种通信网络系统架构图，该通信网络系统为通用移动通信技术的LTE系统，该LTE系统包括依次通讯连接的UE(User Equipment，用户设备)201，E-UTRAN(Evolved UMTS Terrestrial RadioAccess Network，演进式UMTS陆地无线接入网)202，EPC(EvolvedPacket Core，演进式分组核心网)203和运营商的IP业务204。
具体地，UE201可以是上述终端100，此处不再赘述。
E-UTRAN202包括eNodeB2021和其它eNodeB2022等。其中，eNodeB2021可以通过回程(backhaul)(例如X2接口)与其它eNodeB2022连接，eNodeB2021连接到EPC203，eNodeB2021可以提供UE201到EPC203的接入。
EPC203可以包括MME(Mobility Management Entity，移动性管理实体)2031，HSS(Home Subscriber Server，归属用户服务器)2032，其它MME2033，SGW(Serving GateWay，服务网关)2034，PGW(PDN GateWay，分组数据网络网关)2035和PCRF(Policy and ChargingRules Function，政策和资费功能实体)2036等。其中，MME2031是处理UE201和EPC203之间信令的控制节点，提供承载和连接管理。HSS2032用于提供一些寄存器来管理诸如归属位置寄存器(图中未示)之类的功能，并且保存有一些有关服务特征、数据速率等用户专用的信息。所有用户数据都可以通过SGW2034进行发送，PGW2035可以提供UE 201的IP地址分配以及其它功能，PCRF2036是业务数据流和IP承载资源的策略与计费控制策略决策点，它为策略与计费执行功能单元(图中未示)选择及提供可用的策略和计费控制决策。
IP业务204可以包括因特网、内联网、IMS(IP Multimedia Subsystem，IP多媒体子系统)或其它IP业务等。
虽然上述以LTE系统为例进行了介绍，但本领域技术人员应当知晓，本发明不仅仅适用于LTE系统，也可以适用于其他无线通信系统，例如GSM、CDMA2000、WCDMA、TD-SCDMA以及未来新的网络系统等，此处不做限定。
基于上述移动终端硬件结构以及通信网络系统，提出本发明的各个实施例。
本发明提供一种拍照处理方法，参照图3，图3为本发明拍照处理方法第一实施例的流程示意图。
在本实施例中，该拍照处理方法包括：
步骤S10，实时获取当前的拍摄图像，并对当前所述拍摄图像进行预处理，得到第一预处理图像；
用户在通过具有摄像装置的终端进行人像拍摄时，通过该拍摄装置可获取到对应的拍摄图像，该拍摄图像为用户当前通过具有拍摄装置的终端拍摄得到的图像；为了更好地对该拍摄图像进行处理，提高参数处理效率，在获取到该拍摄图像时，需要对该拍摄图像进行预处理；该预处理的操作则包括，在获取到该拍摄图像时，对该拍摄图像进行裁剪，得到裁剪后的图像，该拍摄图像裁剪后的图像即为裁剪图像；具体地，在获取到该拍摄图像时，获取预设裁剪规则，结合人脸识别算法通过对应的脚本程序，基于该预设裁剪规则对该拍摄图像进行裁剪；其中，该预设裁剪规则为预先设定的裁剪规则，该预设裁剪规则包括但不限于以下操作：获取预设裁剪尺寸，将该拍摄图像裁剪为预设裁剪尺寸大小的图像，该预设裁剪尺寸为预设存储的裁剪尺寸；尽量多地裁剪掉如头发和背景等干扰信息；在裁剪后的拍摄图像(即裁剪图像)中，尽量多地保留拍摄图像中的人脸信息；在裁剪得到裁剪图像时，则对该裁剪图像进行归一化操作，其中，该归一化操作是指在获取到多个裁剪图像时，将该裁剪图像进行统一地标准化处理；具体地，该归一化操作包括但不限于统一地图像大小处理、统一地图像格式处理及统一地灰度处理等统一标准处理的操作；通过对获取到的裁剪图像进行归一化操作，所得到的统一标准的图像即为该拍摄图像对应的第一预处理图像。
步骤S20，获取存储的固化训练模型，恢复所述固化训练模型得到恢复模型；
该固化训练模型为内部存储的固化了的训练模型，该固化训练模型可通过预设人像图像建立；其中，该预设人像图像为该具有拍摄装置所属终端的收集存储的人像图像，在该预设人像图像中包括了各类的人脸表情；在获取到该预设人像图像时，亦对该预设人像图像进行预处理的操作，其中，该预处理的操作则包括但不限于对该预设人像图像进行裁剪及归一化的操作；具体地，在获取到该预设人像图像时，通过人脸识别算法，根据预设裁剪标准对该预设人像图像进行裁剪的操作，从而获取到对应的预设裁剪图像；对该预设裁剪图像进行归一化的操作，该归一化的操作包括但不限于统一地图像大小处理、统一地图像格式处理及统一地灰度处理等统一标准处理的操作，归一化操作后所得到的统一标准的图像即为该预设人像图像对应的第二预处理图像。
对获取到的该第二预处理图像进行按照预设分类标准进行类别的分类，该预设分类标准包括但不限于，性别特征、年龄大小、拍摄图像应用环境及综合特征等预设分类标准，其中，按照拍摄图像应用环境进行分类则具体可分为证件照类及普通类，按照综合特征进行分类则表示按照综合了性别特征、年龄大小及拍摄图像应用环境等预设分类标准的特征进行分类的方式。在对该第二预处理图像分类完成时，对每种不同类别的第二预处理图像进行标签标注，从而获取到该第二预处理图像对应的标签数据集；该标签即表示为该第二预处理图像的类别，不同类别的第二预处理图像则对应不同标签的第二预处理图像。
在获取到该第二预处理图像对应的标签数据集时，对该第二预处理图像通过主成分分析算法对该第二预处理图像进行降维处理，得到降维图像；具体地，获取该第二预处理图像的第一像素点矩阵，该第一像素点矩阵为该第二预处理图像的像素点的值组成的矩阵；在获取到该第一像素点矩阵时，分别计算该第一像素点矩阵中各个维度的平均值，根据各个维度的该平均值，并将各个维度进行零均值化处理，由此得到该第一像素点矩阵对应的零均值矩阵；接着计算该零均值矩阵的特征协方差矩阵，并求解该特征协方差矩阵的特征值及特征向量；根据该特征值及特征向量获取对应的降维矩阵，从而使得该第一像素点矩阵降维成了对应维度的降维矩阵。在获取到该将维图像时，获取该降维图像对应的标签数据集，将该标签数据集按照预设划分比例进行划分，即将该标签数据集划分为训练集和测试集，该训练集为对卷积神经网络模型进行训练的数据集合，该测试集则为对该卷积神经网络模型是否训练完成的测试的数据集合，预设划分比例则为预先设定的对标签数据集中训练集与测试集的划分比例。在获取到该训练集时，则建立该降维图像对应的卷积神经网络模型，根据该训练集对该卷积神经网络模型进行训练；在每投入预设个数的训练集集合时，则将该测试集中的数据投入当前该卷积神经网络模型中，由此获取到当前该卷积神经网络模型对该测试集中测试图像的标签识别的准确度；在确定当前该卷积神经网络模型收敛后的准确度达到该预设阈值时，则停止对该卷积神经网络模型训练，并确定该卷积神经网络模型训练完成；在该卷积神经网络模型训练完成时，确定训练完成的该卷积神经网络模型为训练模型，对该训练模型进行固化处理，得到固化训练模型。
在获取到该固化训练模型时，通过调用相关的恢复API(ApplicationProgramming Interface,应用程序编程接口)，将该固化模型进行恢复，恢复得到的模型则为恢复模型，其中，该恢复API为预先定义的恢复函数，通过该恢复API则可对该固化模型进行恢复。
步骤S30，根据所述恢复模型，识别所述第一预处理图像中的人像表情，在识别到所述人像表情时，对所述第一预处理图像进行特效处理。
在获取到该恢复模型时，则根据该恢复模型对该第一预处理图像中的人像表情进行识别，在识别到该人像表情时，则对该第一预处理图像进行相关的特效处理；其中，在内部预设存储了多种特效处理方式，该特效处理方式包括美妆特效、滤镜特效、贴纸特效、文字特效、背景特效及动漫特效等特效处理方式；并且对于每种类别的特效处理方式下预设有多种子类别的特效处理方式，如在美妆类别的特效处理方式中，可包括微醺美妆特效、甜蜜美妆特效、浓戴美妆特效等子类别的特效处理方式。
除此之外，在内部存储有各种类型表情对应的预设特效，在识别到该第一预处理图像中的人像表情时，则对该人像表情的类型进行判断；若该人像表情的类别为内部存储的预设表情类别之一，则确定该人像表情的类别与该预设表情类别匹配成功，获取该人像表情的类别对应的预设特效；在获取到该人像表情对应的预设特效时，则将该第一预处理图像进行该预设特效处理后呈现给用户；若该人像表情的类别非内部存储的预设表情类别，则确定该人像表情的类别与该预设表情类别匹配失败，随机获取内部存储的特效处理方式；在随机获取到该人像表情对应的特效处理方式时，则对该第一预处理图像进行该特效处理方式处理后呈现给用户；用户亦可在终端识别到该人像表情时，通过自定义选取该第一预处理图像对应的特效处理方式。
本实施例提出的拍照处理方法，通过实时获取当前的拍摄图像，并对当前所述拍摄图像进行预处理，得到第一预处理图像，接着获取存储的固化训练模型，恢复所述固化训练模型得到恢复模型，而后根据所述恢复模型，识别所述第一预处理图像中的人像表情，在识别到所述人像表情时，对所述第一预处理图像进行特效处理，实现了对获取到的拍摄图像中人像表情，进行识别及特效处理的过程，并通过对应的模型提高了对该人像表情识别的准确率及速率，使得在获取到包括人像表情的拍摄图像时，能够第一时间对该人像表情进行识别处理，并呈现在用户面前。
基于第一实施例，提出本发明拍照处理方法的第二实施例，参照图4，在本实施例中，步骤S20包括：
步骤S40，获取预设人像图像，对所述预设人像图像进行预处理，得到第二预处理图像；
预设人像图像为该具有拍摄装置所属终端的收集存储的人像图像，该预设人像图像中包括了各种类别的人脸表情；在获取到该预设人像图像时，对该预设人像图像进行预处理，其中，该预处理的操作则包括但不限于对该预设人像图像进行裁剪及归一化的操作。具体地，在获取到该预设人像图像时，通过人脸识别算法，根据预设裁剪标准对该预设人像图像进行裁剪的操作，从而获取到对应的预设裁剪图像；对该预设裁剪图像进行归一化的操作，该归一化的操作包括但不限于统一地图像大小处理、统一地图像格式处理及统一地灰度处理等统一标准处理的操作，归一化操作后所得到的统一标准的图像即为该预设人像图像对应的第二预处理图像。
步骤S50，根据所述第二预处理图像，建立固化训练模型。
对获取到的该第二预处理图像进行按照预设分类标准进行分类，该预设分类标准包括但不限于，性别特征、年龄大小、拍摄图像应用环境及综合特征等预设分类标准，其中，按照拍摄图像应用环境进行分类则具体可分为证件照类及普通类，按照综合特征进行分类则表示按照综合了性别特征、年龄大小及拍摄图像应用环境等预设分类标准的特征进行分类的方式。在对该第二预处理图像分类完成时，对每种不同类别的第二预处理图像进行不同的标签标注，从而获取到该第二预处理图像对应的标签数据集。
在获取到该第二预处理图像对应的标签数据集时，对该第二预处理图像通过主成分分析算法对该第二预处理图像进行降维处理，得到降维图像；具体地，获取该第二预处理图像的第一像素点矩阵，该第一像素点矩阵为该第二预处理图像的像素点的值组成的矩阵；在获取到该第一像素点矩阵时，分别计算该第一像素点矩阵中各个维度的平均值，根据各个维度的该平均值，并将各个维度进行零均值化处理，由此得到该第一像素点矩阵对应的零均值矩阵；计算该零均值矩阵的特征协方差矩阵，并求解该特征协方差矩阵的特征值及特征向量；根据该特征值及特征向量获取对应的降维矩阵，从而使得该第一像素点矩阵降维成了对应维度的降维矩阵。在获取到该将维图像时，获取该降维图像对应的标签数据集，将该标签数据集按照预设划分比例进行划分，即将该标签数据集划分为训练集和测试集。在获取到该训练集时，则建立该训练集对应的基础的卷积神经网络模型，根据该训练集对该基础的卷积神经网络模型进行训练；具体地，通过该卷积神经网络模型对该测试集中的训练图像(降维图像)进行训练，在该训练结束时，获取该卷积神经网络模型输出的最大概率的预测标签；根据确定该预测标签是否符合该测试集中该训练图像对应的真实标签，由此对该卷积神经模型进行训练调整；其中，该预测标签为该训练图像通过该卷积神经网络模型训练判断得到的标签，该真实标签则为该训练图像原始存储时的标签。
在每投入预设个数的训练集集合时，则将该测试集中的数据投入当前该卷积神经网络模型中，确定通过该卷积神经网络模型对该测试图像输出的测试标签，与该测试图像对应的真实标签是否相符；在该测试标签与该测试图像对应的真实标签相符时，则确定该卷积神经网络模型对该测试图像测试成功；依次对该测试集中的测试图像通过该卷积神经网络模型进行测试判断，由此获取到当前该卷积神经网络模型对该测试集中测试图像的标签识别的准确度；该准确度即为该卷积神经网络模型对该测试集中测试图像测试成功的占比。在确定当前该卷积神经网络模型收敛后的准确度达到该预设阈值时，则停止对该卷积神经网络模型训练，并确定该卷积神经网络模型训练完成；在该卷积神经网络模型训练完成时，确定训练完成的该卷积神经网络模型为训练模型，对该训练模型进行固化处理，得到固化训练模型。
本实施例提出的拍照处理方法，通过获取预设人像图像，对所述预设人像图像进行预处理，得到第二预处理图像，接着据所述第二预处理图像，建立固化训练模型，实现了通过第二预处理图像对固化训练模型的建立，进一步地实现了在获取到拍摄图像时，对拍摄图像中人像表情的快速而高效的处理。
基于第二实施例，提出本发明拍照处理方法的第三实施例，参照图5，在本实施例中，步骤S50包括：
步骤S60，根据主成分分析算法，对所述第二预处理图像进行降维处理，得到降维图像；
在本实施例中，该主成分分析算法具体则为通过获取该第二预处理图像的第一像素点矩阵，该第一像素点矩阵为该第二预处理图像的像素点的值组成的矩阵；在获取到该第一像素点矩阵时，分别计算该第一像素点矩阵中各个维度的平均值，根据各个维度的该平均值，并将各个维度进行零均值化处理，由此得到该第一像素点矩阵对应的零均值矩阵；计算该零均值矩阵的特征协方差矩阵，并求解该特征协方差矩阵的特征值及特征向量；根据该特征值及特征向量获取对应的降维矩阵，具体地，按照预设排列顺序对该特征值进行排序，其中，该预设排列顺序可以为从大到小亦可为从小到大的排列顺序；从获取到的特征值中，从大到小获取预设特征值个数的特征值，获取该预设特征值个数的特征值分别对应的特征向量，建立由该特征向量组成列向量的特征向量矩阵；其中，该预设特征值个数为预先设定获取的特征值的个数，在得到该特征向量矩阵时，将各个第一像素点作为样本点投影到选取的特征向量上，该预设特征值个数即为降维后得到的降维矩阵的维数；通过该主成分分析算法，对该第一像素点矩阵进行降维，使得原始维数的该第一像素点矩阵，降维成了该预设特征值个数的维数的降维矩阵。
步骤S70，根据所述降维图像建立固化训练模型。
由于在获取到第二预处理图像时，对该第二预处理图像进行了标签标注，该标签数据集为该第二预处理图像降维后，得到的降维图像对应的有标签的数据集合，该降维图像的标签与该降维图像对应的第二预处理图像的标签相同；在获取到该降维图像时，则获取该降维图像的标签数据集，该降维图像的标签数据集则包括了有标签的降维图像；将该标签数据集按照预设划分比例进行划分，即将该标签数据集划分为训练集和测试集，该训练集为对卷积神经网络模型进行训练的数据集合，该测试集则为对该卷积神经网络模型是否训练完成的测试的数据集合。在获取到该训练集时，则建立该训练集对应的基础的卷积神经网络模型，根据该训练集对该基础的卷积神经网络模型进行训练；在每投入预设个数的训练集集合时，则将该测试集中的数据投入当前该卷积神经网络模型中，由此获取到当前该卷积神经网络模型对该测试集中图像识别的准确度；在确定当前该卷积神经网络模型收敛后的准确度达到该预设阈值时，则停止对该卷积神经网络模型训练，并确定该卷积神经网络模型训练完成；在该卷积神经网络模型训练完成时，确定训练完成的该卷积神经网络模型为训练模型，对该训练模型进行固化处理，得到固化训练模型。
本实施例提出的拍照处理方法，通过根据主成分分析算法，对所述第二预处理图像进行降维处理，得到降维图像，接着根据所述降维图像建立固化训练模型，实现了根据降维图像对固化训练模型的建立，通过降维图像使得后续卷积神经网络模型的参数大大简化，并且通过对该降维图像对应的卷积神经网络模型进行固化处理，由此得到固化模型，进一步地实现了在获取到拍摄图像时，对拍摄图像中人像表情的快速而高效的处理。
基于第三实施例，提出本发明拍照处理方法的第四实施例，参照图6，在本实施例中，步骤S60包括：
步骤S80，获取所述第二预处理图像的第一像素点矩阵；
该第二预处理图像由多个第一像素点组成，该第一像素点矩阵则为该第二预处理图像的各个第一像素点分别对应的值(即第一像素值)组成的矩阵。具体地，获取该第二预处理图像对应的第一像素点，获取各个第一像素点分别对应的第一像素值；根据各个该第一像素点对应的第一像素值，组成该第二预处理图像对应的第一像素点矩阵。
步骤S90，对所述第一像素点矩阵的各个维度进行零均值化处理，得到零均值矩阵；
在获取到该第二预处理图像对应的第一像素点矩阵时，分别计算该第一像素点矩阵中各个维度的平均值，根据各个维度的该平均值，并将各个维度进行零均值化处理，由此得到该第一像素点矩阵对应的零均值矩阵。
步骤S100，计算所述零均值矩阵的特征协方差矩阵，根据所述特征协方差矩阵，对所述第二预处理图像进行降维处理。
在计算得到该第一像素点矩阵对应的零均值矩阵时，计算该零均值矩阵的特征协方差矩阵，求解该特征协方差矩阵的特征值及特征向量；在计算得到该特征值时，将该特征值按照从大到小或从小到大的顺序排序，从大到小获取预设特征值个数的特征值，获取该预设特征值个数的特征值分别对应的特征向量，建立由该特征向量组成列向量的特征向量矩阵；在得到该特征向量矩阵时，将各个第一像素点作为样本点投影到选取的特征向量上；由此，则将原始的第一像素点矩阵的原始维数变为了该预设特征值个数的维数，该预设特征值个数的维数即为该第一像素点矩阵在该预设特征值个数的维数上的投影。例如，第一像素点矩阵为一个m*n的矩阵，该第一像素点矩阵进行零均值化处理后，得到对应的零均值矩阵为DataAdjust(m*n)，计算得到的该零均值矩阵对应的特征协方差矩阵则为一个n*n的方阵；获取该特征协方差矩阵的特征值，从大到小获取k个该特征值，该k即表示为该预设特征值个数，获取该k个特征值分别对应的特征向量，建立由该特征向量组成列向量的特征向量矩阵EigenVectors(n*k)，投影后的数据FinalData则为一个m*k的矩阵，该FinalData(m*k)＝DataAdjust(m*n)*DataAdjust(m*n)。
本实施例提出的拍照处理方法，通过获取所述第二预处理图像的第一像素点矩阵，接着对所述第一像素点矩阵的各个维度进行零均值化处理，得到零均值矩阵，而后计算所述零均值矩阵的特征协方差矩阵，根据所述特征协方差矩阵，对所述第二预处理图像进行降维处理，实现了根据获取的该第二预处理图像的第一像素点矩阵，对该第二预处理图像线性降维，进一步地实现了对人像表情的主要成分的有效提取，使得后续卷积神经网络模型的参数大大降低，由此提高了对图像中人像识别的速率。
基于第三实施例，提出本发明拍照处理方法的第五实施例，参照图7，在本实施例中，步骤S70包括：
步骤S110，获取所述降维图像的标签数据集，划分所述标签数据集为训练集及测试集，并建立所述降维图像对应的卷积神经网络模型；
在本实施例中，该标签数据集为通过标签建立的该降维图像对应的数据集合，该标签与第二预处理图像对应的标签相同；具体地，将该标签数据集按照预设划分比例进行划分，即将该标签数据集划分为训练集和测试集；其中，该预设划分比例为预先设定的对标签数据集中训练集与测试集的划分比例，如在预设划分比例为9:1时，则将该标签数据集中的数据按照9:1的比例划分为训练集与测试集；
同时，在获取到该降维图像时，获取该降维图像对应的第二像素点矩阵，其中，该第二像素点矩阵为该降维图像的各个第二像素点分别对应的值(即第二像素值)组成的矩阵；根据该第二像素点矩阵建立对应的卷积神经网络模型，其中，该卷积神经网络模型主要由卷积层，池化层和全连接层组成，分别建立该卷积神经网络模型的卷积层、池化层和全连接层；具体地，在获取到该降维图像对应的第二像素点矩阵时，确定该卷积神经网络模型的卷积层的卷积核大小及卷积方式；根据确定的卷积核及卷积方式，对该第二像素点矩阵根据卷积计算公式进行卷积处理，由此，建立该卷积神经网络模型的卷积层；在获取到该卷积后的数据(即输出数据)时，确定该卷积神经网络模型的激活函数，根据该激活函数对该卷积后的数据进行激活处理；在获取到激活后的数据时，根据池化方程对该激活后的数据进行池化处理，由此，建立该卷积神经网络模型的池化层；全连接层则为连接所有特征，并将输出值送给分类器，基于建立的该卷积层、池化层及全连接层可基本建立该卷积神经网络模型；
步骤S120，基于所述训练集及所述测试集，对所述卷积神经网络模型进行训练；
在建立该卷积神经网络模型时，根据划分的训练集对该卷积神经网络模型进行训练，在训练过程中，可将该训练集进行细粒度划分为多个训练集集合，并以该训练集集合为单位投入到该卷积神经网络模型中进行训练；其中，在通过该训练集对该卷积神经网络模型进行训练的过程中，随着投入的该训练集集合的增加，该卷积神经网络模型在针对测试集中图像识别的准确度也会对应的越来越高；该准确度即为该卷积神经网络模型在训练过程中，对测试集中测试图像的标签识别的准确程度；在每投入预设个数的训练集集合结束时，则将该测试集中的数据投入当前该卷积神经网络模型中，由此获取到当前该卷积神经网络模型对该测试集中测试图像的标签识别的准确度；根据该准确度确定对当前该卷积神经网络模型的训练是否完成。具体地，在获取到该卷积神经网络模型的准确度时，获取预设阈值，该预设阈值为预设的该卷积神经网络模型的准确度阈值，在确定当前该卷积神经网络模型收敛后的准确度达到该预设阈值时，则停止对该卷积神经网络模型训练，并确定该卷积神经网络模型训练完成。
步骤S130，在所述卷积神经网络模型训练完成时，确定训练完成的所述卷积神经网络模型为训练模型，对所述训练模型进行固化处理，得到固化训练模型。
对于训练完成的模型，在进行固化处理后便于存储到该具有拍摄装置的终端上；因此，在确定对该卷积神经网络模型训练完成时，确定该卷积神经网络模型为训练模型，对该训练模型进行固化处理，固化后的该训练模型即为该固化训练模型。
本实施例提出的拍照处理方法，通过获取所述降维图像的标签数据集，划分所述标签数据集为训练集及测试集，并建立所述降维图像对应的卷积神经网络模型，接着基于所述训练集及所述测试集，对所述卷积神经网络模型进行训练，而后在所述卷积神经网络模型训练完成时，确定训练完成的所述卷积神经网络模型为训练模型，对所述训练模型进行固化处理，得到固化训练模型，实现了对降维图像的固化训练模型的建立，从而通过该固化训练模型使得在用户拍照时，能够快速并准确地识别到该用户的表情。
基于第五实施例，提出本发明拍照处理方法的第六实施例，参照图8，在本实施例中，步骤S110包括：
步骤S140，获取所述降维图像对应的第二像素点矩阵；
在对该第二预处理图像降维完成时，该第二预处理图像即为该降维图像；获取该降维图像对应的第二像素点矩阵，其中，该第二像素点矩阵为该降维图像的各个第二像素点分别对应的值(即第二像素值)组成的矩阵；具体地，获取该降维图像对应的第二像素点，获取各个第二像素点分别对应的第二像素值；根据各个该第二像素点对应的第二像素值，组成该降维图像对应的第二像素点矩阵。
步骤S150，基于所述第二像素点矩阵，建立卷积神经网络模型。
一个卷积神经网络模型是由各种层按照顺序排列组成，网络中的每个层使用一个可以微分的函数将激活数据从一个层传递到另一个层。卷积神经网络模型主要由三种类型的层构成：卷积层，池化层和全连接层；通过将这些层叠加起来，就可以构建一个完整的卷积神经网络模型。具体地，在获取到该降维图像对应的第二像素点矩阵时，确定该卷积神经网络模型的卷积层的卷积核大小及卷积方式；根据确定的卷积核及卷积方式，对该第二像素点矩阵根据卷积计算公式进行卷积处理，由此，建立该卷积神经网络模型的卷积层，根据该卷积层可对输入的图像进行特征提取，其中，该卷积计算公式如下所示：
其中，x(n)为输入数据，h(n)为响应函数，y(n)为输出数据。
池化层可以对输入的图像进行压缩，一方面可以使该输入的图像变小，简化网络计算的复杂度，另一方面进行特征压缩，从而便于提取到该输入的图像的主要特征；建立该卷积神经网络模型的池化层，具体地，在获取到该卷积后的数据(即输出数据)时，确定该卷积神经网络模型的激活函数，根据该激活函数对该卷积后的数据进行激活处理；在获取到激活后的数据时，根据池化方程对该激活后的数据进行池化处理，由此，建立该卷积神经网络模型的池化层；其中，该池化处理操作一般包括两种，最大池化及平均池化，对应的该池化方程可以为最大池化方程，y(n)＝max(n)，亦可以为平均池化方程，y(n)＝avr(n)。全连接层则为连接所有特征，并将输出值送给分类器，基于建立的该卷积层、池化层及全连接层可基本建立该卷积神经网络模型。
本实施例提出的拍照处理方法，通过获取所述降维图像对应的第二像素点矩阵，接着基于所述第二像素点矩阵，建立卷积神经网络模型，实现了对该降维图像的卷积神经网络模型的建立，进一步地通过该卷积神经网络模型对人像图像中的人物表情进行准确识别。
基于第五实施例，提出本发明拍照处理方法的第七实施例，参照图9，在本实施例中，步骤S120包括：
步骤S160，在每预设个数的训练集集合对所述卷积神经网络模型训练结束时，获取所述卷积神经网络模型对所述测试集中图像识别的准确度；
在通过训练集对该卷积神经网络模型进行训练的过程中，随着投入的训练集集合的增加，该卷积神经网络模型在针对测试集中图像识别的准确度也会对应的越来越高；该准确度即为该卷积神经网络模型在训练过程中，对测试集中的测试图像的标签识别的准确程度，如当前该卷积神经网络模型能够对测试集中的所有测试图像的标签均识别正确，则当前该卷积神经网络模型的准确度为100％，如当前该卷积神经网络模型能对测试集中80％的测试图像的标签识别正确，则当前该卷积神经网络模型的准确度为80％；具体地，在每投入预设个数的训练集集合结束时，则将该测试集中的数据投入当前该卷积神经网络模型中，由此获取到当前该卷积神经网络模型对该测试集中测试图像的标签识别的准确度；其中，该预设个数为预设的每隔多少个训练集集合则测试一次当前卷积神经网络模型准确度的个数。
步骤S170，确定所述准确度是否达到预设阈值，其中，在所述准确度达到所述预设阈值时，确定所述卷积神经网络模型训练完成。
随着投入的训练集集合的增加，该卷积神经网络模型在针对测试集中图像识别的准确度也会对应的越来越高，直至收敛；确定当前该卷积神经网络模型收敛后的准确度是否达到预设阈值，从而确定该卷积神经网络模型是否训练完成。该预设阈值为预设的该卷积神经网络模型的准确度阈值，在确定当前该卷积神经网络模型收敛后的准确度达到该预设阈值时，则停止对该卷积神经网络模型训练，并确定该卷积神经网络模型训练完成；在确定当前该卷积神经网络模型收敛后的准确度未达到该预设阈值时，则确定该卷积神经网络模型训练未完成，调整该卷积神经网络模型的各个参数，如增加卷几层、调整激活函数等各项参数；在调整完成时，则同样按照之前对该卷积神经网络模型训练的步骤，对该卷积神经网络模型进行训练，直至当前该卷积神经网络模型的准确度达到预设阈值，即停止训练。
本实施例提出的拍照处理方法，通过在每预设个数的训练集集合对所述卷积神经网络模型训练结束时，获取所述卷积神经网络模型对所述测试集中图像识别的准确度，接着确定所述准确度是否达到预设阈值，其中，在所述准确度达到所述预设阈值时，确定所述卷积神经网络模型训练完成，实现了对该卷积神经网络模型是否完成训练的判断过程，并通过调整该卷积神经网络模型的模型，实现了对该卷积神经网络模型的优化，进一步地使得后续通过该卷积神经网络模型识别图像中的人脸时，能够准确地识别。
基于第一实施例，提出本发明拍照处理方法的第八实施例，参照图10，在本实施例中，步骤S10包括：
步骤S180，对所述拍摄图像进行裁剪，得到裁剪图像；
在本实施例中，拍摄图像为用户当前通过具有拍摄装置的终端拍摄得到的图像，为了更好地对该拍摄图像进行处理，在获取到该拍摄图像时，需要对该拍摄图像进行预处理；该预处理的操作则包括，在获取到该拍摄图像时，对该拍摄图像进行裁剪，得到裁剪后的图像，该拍摄图像裁剪后的图像即为裁剪图像。具体地，在获取到该拍摄图像时，获取预设裁剪规则，结合人脸识别算法通过对应的脚本程序，基于该预设裁剪规则对该拍摄图像进行裁剪；其中，该预设裁剪规则为预先设定的裁剪规则，该预设裁剪规则包括但不限于以下操作：获取预设裁剪尺寸，将该拍摄图像裁剪为预设裁剪尺寸大小的图像，该预设裁剪尺寸为预设存储的裁剪尺寸；尽量多地裁剪掉如头发和背景等干扰信息；在裁剪后的拍摄图像(即裁剪图像)中，尽量多地保留拍摄图像中的人脸信息。
步骤S190，对所述裁剪图像进行归一化操作，得到第一预处理图像。
归一化操作是指在获取到多个裁剪图像时，将该裁剪图像进行统一地标准化处理；具体地，该归一化操作包括但不限于统一地图像大小处理、统一地图像格式处理及统一地灰度处理等统一标准处理的操作；通过对获取到的裁剪图像进行归一化操作，所得到的统一标准的图像即为该拍摄图像对应的第一预处理图像。
本实施例提出的拍照处理方法，通过对所述拍摄图像进行裁剪，得到裁剪图像，接着对所述裁剪图像进行归一化操作，得到第一预处理图像，实现了对实时获取到的图像进行预处理的操作，并通过该预处理的操作进一步地实现了后续对训练样本获取地准确性及高效性。
此外，本发明实施例还提供一种移动终端，所述移动终端包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的拍照处理程序，所述拍照处理程序被所述处理器执行时实现如下操作：
实时获取当前的拍摄图像，并对当前所述拍摄图像进行预处理，得到第一预处理图像；
获取存储的固化训练模型，恢复所述固化训练模型得到恢复模型；
根据所述恢复模型，识别所述第一预处理图像中的人像表情，在识别到所述人像表情时，对所述第一预处理图像进行特效处理。
进一步地，所述拍照处理程序被处理器执行时还实现如下操作：
获取预设人像图像，对所述预设人像图像进行预处理，得到第二预处理图像；
根据所述第二预处理图像，建立固化训练模型。
进一步地，所述拍照处理程序被处理器执行时还实现如下操作：
根据主成分分析算法，对所述第二预处理图像进行降维处理，得到降维图像；
根据所述降维图像建立固化训练模型。
进一步地，所述拍照处理程序被处理器执行时还实现如下操作：
获取所述第二预处理图像的第一像素点矩阵；
对所述第一像素点矩阵的各个维度进行零均值化处理，得到零均值矩阵；
计算所述零均值矩阵的特征协方差矩阵，根据所述特征协方差矩阵，对所述第二预处理图像进行降维处理。
进一步地，所述拍照处理程序被处理器执行时还实现如下操作：
获取所述降维图像的标签数据集，划分所述标签数据集为训练集及测试集，并建立所述降维图像对应的卷积神经网络模型；
基于所述训练集及所述测试集，对所述卷积神经网络模型进行训练；
在所述卷积神经网络模型训练完成时，确定训练完成的所述卷积神经网络模型为训练模型，对所述训练模型进行固化处理，得到固化训练模型。
进一步地，所述拍照处理程序被处理器执行时还实现如下操作：
获取所述降维图像对应的第二像素点矩阵；
基于所述第二像素点矩阵，建立卷积神经网络模型。
进一步地，所述拍照处理程序被处理器执行时还实现如下操作：
在每预设个数的训练集集合对所述卷积神经网络模型训练结束时，获取所述卷积神经网络模型对所述测试集中图像识别的准确度；
确定所述准确度是否达到预设阈值，其中，在所述准确度达到所述预设阈值时，确定所述卷积神经网络模型训练完成。
进一步地，所述拍照处理程序被处理器执行时还实现如下操作：
对所述拍摄图像进行裁剪，得到裁剪图像；
对所述裁剪图像进行归一化操作，得到第一预处理图像。
此外，本发明实施例还提供一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有拍照处理程序，所述拍照处理程序被处理器执行时实现如下操作：
实时获取当前的拍摄图像，并对当前所述拍摄图像进行预处理，得到第一预处理图像；
获取存储的固化训练模型，恢复所述固化训练模型得到恢复模型；
根据所述恢复模型，识别所述第一预处理图像中的人像表情，在识别到所述人像表情时，对所述第一预处理图像进行特效处理。
进一步地，所述拍照处理程序被处理器执行时还实现如下操作：
获取预设人像图像，对所述预设人像图像进行预处理，得到第二预处理图像；
根据所述第二预处理图像，建立固化训练模型。
进一步地，所述拍照处理程序被处理器执行时还实现如下操作：
根据主成分分析算法，对所述第二预处理图像进行降维处理，得到降维图像；
根据所述降维图像建立固化训练模型。
进一步地，所述拍照处理程序被处理器执行时还实现如下操作：
获取所述第二预处理图像的第一像素点矩阵；
对所述第一像素点矩阵的各个维度进行零均值化处理，得到零均值矩阵；
计算所述零均值矩阵的特征协方差矩阵，根据所述特征协方差矩阵，对所述第二预处理图像进行降维处理。
进一步地，所述拍照处理程序被处理器执行时还实现如下操作：
获取所述降维图像的标签数据集，划分所述标签数据集为训练集及测试集，并建立所述降维图像对应的卷积神经网络模型；
基于所述训练集及所述测试集，对所述卷积神经网络模型进行训练；
在所述卷积神经网络模型训练完成时，确定训练完成的所述卷积神经网络模型为训练模型，对所述训练模型进行固化处理，得到固化训练模型。
进一步地，所述拍照处理程序被处理器执行时还实现如下操作：
获取所述降维图像对应的第二像素点矩阵；
基于所述第二像素点矩阵，建立卷积神经网络模型。
进一步地，所述拍照处理程序被处理器执行时还实现如下操作：
在每预设个数的训练集集合对所述卷积神经网络模型训练结束时，获取所述卷积神经网络模型对所述测试集中图像识别的准确度；
确定所述准确度是否达到预设阈值，其中，在所述准确度达到所述预设阈值时，确定所述卷积神经网络模型训练完成。
进一步地，所述拍照处理程序被处理器执行时还实现如下操作：
对所述拍摄图像进行裁剪，得到裁剪图像；
对所述裁剪图像进行归一化操作，得到第一预处理图像。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种拍照处理方法，其特征在于，所述拍照处理方法包括：
实时获取当前的拍摄图像，并对当前所述拍摄图像进行预处理，得到第一预处理图像；
获取存储的固化训练模型，恢复所述固化训练模型得到恢复模型；
根据所述恢复模型，识别所述第一预处理图像中的人像表情，在识别到所述人像表情时，对所述第一预处理图像进行特效处理。
2.如权利要求1所述的拍照处理方法，其特征在于，所述获取存储的固化训练模型的步骤包括：
获取预设人像图像，对所述预设人像图像进行预处理，得到第二预处理图像；
根据所述第二预处理图像，建立固化训练模型。
3.如权利要求2所述的拍照处理方法，其特征在于，所述根据所述第二预处理图像，建立固化训练模型的步骤包括：
根据主成分分析算法，对所述第二预处理图像进行降维处理，得到降维图像；
根据所述降维图像建立固化训练模型。
4.如权利要求3所述的拍照处理方法，其特征在于，所述根据主成分分析算法，对所述第二预处理图像进行降维处理的步骤包括：
获取所述第二预处理图像的第一像素点矩阵；
对所述第一像素点矩阵的各个维度进行零均值化处理，得到零均值矩阵；
计算所述零均值矩阵的特征协方差矩阵，根据所述特征协方差矩阵，对所述第二预处理图像进行降维处理。
5.如权利要求3所述的拍照处理方法，其特征在于，所述根据所述降维图像建立固化训练模型的步骤包括：
获取所述降维图像的标签数据集，划分所述标签数据集为训练集及测试集，并建立所述降维图像对应的卷积神经网络模型；
基于所述训练集及所述测试集，对所述卷积神经网络模型进行训练；
在所述卷积神经网络模型训练完成时，确定训练完成的所述卷积神经网络模型为训练模型，对所述训练模型进行固化处理，得到固化训练模型。
6.如权利要求5所述的拍照处理方法，其特征在于，所述建立所述降维图像对应的卷积神经网络模型的步骤包括：
获取所述降维图像对应的第二像素点矩阵；
基于所述第二像素点矩阵，建立卷积神经网络模型。
7.如权利要求5所述的拍照处理方法，其特征在于，所述基于所述训练集及所述测试集，对所述卷积神经网络模型进行训练的步骤包括：
在每预设个数的训练集集合对所述卷积神经网络模型训练结束时，获取所述卷积神经网络模型对所述测试集中图像识别的准确度；
确定所述准确度是否达到预设阈值，其中，在所述准确度达到所述预设阈值时，确定所述卷积神经网络模型训练完成。
8.如权利要求1所述的拍照处理方法，其特征在于，所述对当前所述拍摄图像进行预处理，得到第一预处理图像的步骤包括：
对所述拍摄图像进行裁剪，得到裁剪图像；
对所述裁剪图像进行归一化操作，得到第一预处理图像。
9.一种移动终端，其特征在于，所述移动终端包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的拍照处理程序，所述拍照处理程序被所述处理器执行时实现如权利要求1至8中任一项所述的拍照处理方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有拍照处理程序，所述拍照处理程序被处理器执行时实现如权利要求1至8中任一项所述的拍照处理方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711246311.6A CN107992824A (zh) | 2017-11-30 | 2017-11-30 | 拍照处理方法、移动终端及计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711246311.6A CN107992824A (zh) | 2017-11-30 | 2017-11-30 | 拍照处理方法、移动终端及计算机可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107992824A true CN107992824A (zh) | 2018-05-04 |
Family
ID=62034936
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711246311.6A Pending CN107992824A (zh) | 2017-11-30 | 2017-11-30 | 拍照处理方法、移动终端及计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107992824A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110442867A (zh) * | 2019-07-30 | 2019-11-12 | 腾讯科技（深圳）有限公司 | 图像处理方法、装置、终端及计算机存储介质 |
| CN111584044A (zh) * | 2020-05-14 | 2020-08-25 | 上海深至信息科技有限公司 | 一种标准超声图像训练集的生成方法及系统 |
| CN116109606A (zh) * | 2023-02-13 | 2023-05-12 | 交通运输部水运科学研究所 | 基于图像分析的集装箱锁销拆装安全管理方法及系统 |
| CN117079324A (zh) * | 2023-08-17 | 2023-11-17 | 厚德明心(北京)科技有限公司 | 一种人脸情绪识别方法、装置、电子设备及存储介质 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101587493A (zh) * | 2009-06-29 | 2009-11-25 | 中国科学技术大学 | 文本分类方法 |
| CN103544721A (zh) * | 2013-10-30 | 2014-01-29 | 宇龙计算机通信科技(深圳)有限公司 | 一种添加图片备注的方法、系统及移动终端 |
| CN104318221A (zh) * | 2014-11-05 | 2015-01-28 | 中南大学 | 一种基于elm的人脸表情识别方法 |
| CN104780339A (zh) * | 2015-04-16 | 2015-07-15 | 美国掌赢信息科技有限公司 | 一种即时视频中的表情特效动画加载方法和电子设备 |
| CN105357466A (zh) * | 2015-11-20 | 2016-02-24 | 小米科技有限责任公司 | 视频通信方法及装置 |
| CN106096557A (zh) * | 2016-06-15 | 2016-11-09 | 浙江大学 | 一种基于模糊训练样本的半监督学习人脸表情识别方法 |
| CN106341608A (zh) * | 2016-10-28 | 2017-01-18 | 维沃移动通信有限公司 | 一种基于情绪的拍摄方法及移动终端 |
| CN107395960A (zh) * | 2017-07-07 | 2017-11-24 | 珠海市魅族科技有限公司 | 拍照方法及装置、计算机装置和计算机可读存储介质 |
-
2017
- 2017-11-30 CN CN201711246311.6A patent/CN107992824A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101587493A (zh) * | 2009-06-29 | 2009-11-25 | 中国科学技术大学 | 文本分类方法 |
| CN103544721A (zh) * | 2013-10-30 | 2014-01-29 | 宇龙计算机通信科技(深圳)有限公司 | 一种添加图片备注的方法、系统及移动终端 |
| CN104318221A (zh) * | 2014-11-05 | 2015-01-28 | 中南大学 | 一种基于elm的人脸表情识别方法 |
| CN104780339A (zh) * | 2015-04-16 | 2015-07-15 | 美国掌赢信息科技有限公司 | 一种即时视频中的表情特效动画加载方法和电子设备 |
| CN105357466A (zh) * | 2015-11-20 | 2016-02-24 | 小米科技有限责任公司 | 视频通信方法及装置 |
| CN106096557A (zh) * | 2016-06-15 | 2016-11-09 | 浙江大学 | 一种基于模糊训练样本的半监督学习人脸表情识别方法 |
| CN106341608A (zh) * | 2016-10-28 | 2017-01-18 | 维沃移动通信有限公司 | 一种基于情绪的拍摄方法及移动终端 |
| CN107395960A (zh) * | 2017-07-07 | 2017-11-24 | 珠海市魅族科技有限公司 | 拍照方法及装置、计算机装置和计算机可读存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 雪柳花明: ""TensorFlow学习笔记（8）—网络模型的保存和读取"", 《个人图书馆HTTP://WWW.360DOC.COM/CONTENT/17/0330/15/10408243_641424360.SHTML》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110442867A (zh) * | 2019-07-30 | 2019-11-12 | 腾讯科技（深圳）有限公司 | 图像处理方法、装置、终端及计算机存储介质 |
| CN111584044A (zh) * | 2020-05-14 | 2020-08-25 | 上海深至信息科技有限公司 | 一种标准超声图像训练集的生成方法及系统 |
| CN111584044B (zh) * | 2020-05-14 | 2023-07-14 | 上海深至信息科技有限公司 | 一种标准超声图像训练集的生成方法及系统 |
| CN116109606A (zh) * | 2023-02-13 | 2023-05-12 | 交通运输部水运科学研究所 | 基于图像分析的集装箱锁销拆装安全管理方法及系统 |
| CN116109606B (zh) * | 2023-02-13 | 2023-12-08 | 交通运输部水运科学研究所 | 基于图像分析的集装箱锁销拆装安全管理方法及系统 |
| CN117079324A (zh) * | 2023-08-17 | 2023-11-17 | 厚德明心(北京)科技有限公司 | 一种人脸情绪识别方法、装置、电子设备及存储介质 |
| CN117079324B (zh) * | 2023-08-17 | 2024-03-12 | 厚德明心(北京)科技有限公司 | 一种人脸情绪识别方法、装置、电子设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106961706A (zh) | 通信模式切换的方法、移动终端及计算机可读存储介质 | |
| CN109167910A (zh) | 对焦方法、移动终端及计算机可读存储介质 | |
| CN107767333A (zh) | 美颜拍照的方法、设备及计算机可存储介质 | |
| CN108024065A (zh) | 一种终端拍摄的方法、终端及计算机可读存储介质 | |
| CN108269230A (zh) | 证件照生成方法、移动终端及计算机可读存储介质 | |
| CN108289174A (zh) | 一种拍摄方法、移动终端及计算机可读存储介质 | |
| CN107493426A (zh) | 一种信息采集方法、设备和计算机可读存储介质 | |
| CN108037845A (zh) | 显示控制方法、移动终端及计算机可读存储介质 | |
| CN107992824A (zh) | 拍照处理方法、移动终端及计算机可读存储介质 | |
| CN108108649A (zh) | 身份验证方法及装置 | |
| CN108319338A (zh) | 显示屏幕确定方法、移动终端及计算机可读存储介质 | |
| CN107231470A (zh) | 图像处理方法、移动终端及计算机可读存储介质 | |
| CN109711226A (zh) | 二维码识别方法、装置、移动终端及可读存储介质 | |
| CN109032466A (zh) | 基于双屏幕的长截图方法、移动终端及存储介质 | |
| CN107333056A (zh) | 运动物体的图像处理方法、装置及计算机可读存储介质 | |
| CN107959795A (zh) | 一种信息采集方法、设备和计算机可读存储介质 | |
| CN107944022A (zh) | 图片分类方法、移动终端及计算机可读存储介质 | |
| CN109672822A (zh) | 一种移动终端的视频处理方法、移动终端及存储介质 | |
| CN108172161A (zh) | 基于柔性屏的显示方法、移动终端及计算机可读存储介质 | |
| CN108965710A (zh) | 照片拍摄方法、装置及计算机可读存储介质 | |
| CN107749947A (zh) | 拍照方法、移动终端及计算机可读存储介质 | |
| CN107241504A (zh) | 一种图像处理方法、移动终端和计算机可读存储介质 | |
| CN109005354A (zh) | 拍摄方法、移动终端及计算机可读存储介质 | |
| CN108229389A (zh) | 人像处理方法、装置及计算机可读存储介质 | |
| CN108921084A (zh) | 一种图像分类处理方法、移动终端及计算机可读存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180504 |