一种趋势确定方法及装置与流程

本发明涉及计算机技术领域，具体涉及一种趋势确定方法及装置。

背景技术：

人脸的皮肤好坏直接影响一个人的美丑，因此，爱美人士，尤其是年轻女性特别注重脸部皮肤的情况，以便通过脸部皮肤的情况能够对脸部皮肤进行更好地护理。而人脸上时不时会长黑头、痘痘等瑕疵，用户可以通过镜子观察脸部皮肤上瑕疵的变化情况。然而，由于人脸视觉、记忆等的问题，用户很难通过镜子准确地确定脸部皮肤上瑕疵的变化情况。

技术实现要素：

本发明实施例提供一种趋势确定方法及装置，用于准确地确定脸部皮肤上瑕疵的变化情况。

第一方面提供一种趋势确定方法，包括：

通过摄像头采集第一人脸图像；

将所述第一人脸图像输入第一深度神经网络，获得所述第一人脸图像中人脸上瑕疵的第一瑕疵数量和第一严重分数；

获取所述第一人脸图像的标识；

获取第二人脸图像中人脸上瑕疵的第二瑕疵数量和第二严重分数，所述第二人脸图像是存储的与所述标识对应的人脸图像；

根据所述第一瑕疵数量和所述第二瑕疵数量确定瑕疵的变化趋势，或者根据所述第一严重分数和所述第二严重分数确定所述瑕疵的变化趋势，或者根据所述第一瑕疵数量、所述第二瑕疵数量、所述第一严重分数和所述第二严重分数确定所述瑕疵的变化趋势。

在一个实施例中，所述将所述第一人脸图像输入第一深度神经网络，获得所述第一人脸图像中人脸上瑕疵的第一瑕疵数量和第一严重分数包括：

将所述第一人脸图像输入第一深度神经网络，获得所述第一人脸图像中人脸上所有待确定瑕疵的瑕疵概率和严重分数；

在待确定瑕疵的瑕疵概率大于阈值的情况下，确定所述待确定瑕疵为瑕疵，所述待确定瑕疵为所述所有待确定瑕疵中的任一待确定瑕疵；

统计确定的瑕疵的数量为所述第一人脸图像中人脸上瑕疵的第一瑕疵数量；

将所述确定的瑕疵的严重分数确定为所述第一人脸图像中人脸上瑕疵的第一严重分数。

在一个实施例中，所述根据所述第一瑕疵数量、所述第二瑕疵数量、所述第一严重分数和所述第二严重分数确定瑕疵的变化趋势包括：

在所述第一瑕疵数量与所述第二瑕疵数量不同的情况下，根据所述第一瑕疵数量和所述第二瑕疵数量确定瑕疵的变化趋势；

在所述第一瑕疵数量与所述第二瑕疵数量相同的情况下，根据所述第一严重分数和所述第二严重分数确定瑕疵的变化趋势。

在一个实施例中，所述根据所述第一严重分数和所述第二严重分数确定瑕疵的变化趋势包括：

计算所述第一严重分数的第一加权平均值；

计算所述第二严重分数的第二加权平均值；

根据所述第一加权平均值和所述第二加权平均值确定瑕疵的变化趋势。

在一个实施例中，所述获取第二人脸图像中人脸上瑕疵的第二瑕疵数量和第二严重分数包括：

获取第二人脸图像中人脸上瑕疵的第二瑕疵数量、第二严重分数和第一标识信息；

所述根据所述第一严重分数和所述第二严重分数确定瑕疵的变化趋势包括：

根据跟踪算法、所述第一标识信息和第二深度神经网络识别所述第一人脸图像与所述第二人脸图像中为同一瑕疵的瑕疵；

比较所述第一人脸图像和所述第二人脸图像中同一瑕疵的严重分数，以获得瑕疵的变化趋势。

在一个实施例中，所述方法还包括：

通过所述摄像头采集不同角度的多张人脸图像，所述多张人脸图像的标识与所述标识相同；

通过跟踪算法获取所述多张人脸图像中瑕疵的标识信息，获得第二标识信息；

所述根据跟踪算法、所述第一标识信息和第二深度神经网络识别所述第一人脸图像与所述第二人脸图像中为同一瑕疵的瑕疵之后，所述方法还包括：

根据所述多张人脸图像和所述第二标识信息重新训练所述第二深度神经网络，以更新所述第二深度神经网络。

在一个实施例中，所述通过摄像头采集不同角度的多张人脸图像包括：

通过摄像头采集人脸关键部位的相对位置不同的多张人脸图像。

第二方面提供一种趋势确定装置，包括：

采集单元，用于通过摄像头采集第一人脸图像；

输入单元，用于将所述采集单元采集的第一人脸图像输入第一深度神经网络，获得所述第一人脸图像中人脸上瑕疵的第一瑕疵数量和第一严重分数；

第一获取单元，用于获取所述采集单元采集的第一人脸图像的标识；

第二获取单元，用于获取第二人脸图像中人脸上瑕疵的第二瑕疵数量和第二严重分数，所述第二人脸图像是存储的与所述第一获取单元获取的标识对应的人脸图像；

确定单元，用于根据所述输入单元获得的第一瑕疵数量和所述第二获取单元获取的第二瑕疵数量确定瑕疵的变化趋势，或者根据所述第一严重分数和所述第二严重分数确定所述瑕疵的变化趋势，或者根据所述第一瑕疵数量、所述第二瑕疵数量、所述第一严重分数和所述第二严重分数确定所述瑕疵的变化趋势。

在一个实施例中，所述输入单元包括：

输入子单元，用于将所述采集单元采集的第一人脸图像输入第一深度神经网络，获得所述第一人脸图像中人脸上所有待确定瑕疵的瑕疵概率和严重分数；

第一确定子单元，用于在待确定瑕疵的瑕疵概率大于阈值的情况下，确定所述待确定瑕疵为瑕疵，所述待确定瑕疵为所述输入子单元获得的所有待确定瑕疵中的任一待确定瑕疵；

统计子单元，用于统计所述第一确定子单元确定的瑕疵的数量为所述第一人脸图像中人脸上瑕疵的第一瑕疵数量；

第二确定子单元，用于将所述第一确定子单元确定的瑕疵的严重分数确定为所述第一人脸图像中人脸上瑕疵的第一严重分数。

在一个实施例中，所述确定单元根据所述第一瑕疵数量、所述第二瑕疵数量、所述第一严重分数和所述第二严重分数确定瑕疵的变化趋势包括：

在所述第一瑕疵数量与所述第二瑕疵数量不同的情况下，根据所述第一瑕疵数量和所述第二瑕疵数量确定瑕疵的变化趋势；

在所述第一瑕疵数量与所述第二瑕疵数量相同的情况下，根据所述第一严重分数和所述第二严重分数确定瑕疵的变化趋势。

在一个实施例中，所述确定单元根据所述第一严重分数和所述第二严重分数确定瑕疵的变化趋势包括：

计算所述第一严重分数的第一加权平均值；

计算所述第二严重分数的第二加权平均值；

根据所述第一加权平均值和所述第二加权平均值确定瑕疵的变化趋势。

在一个实施例中，所述第二获取单元，具体用于获取第二人脸图像中人脸上瑕疵的第二瑕疵数量、第二严重分数和第一标识信息；

所述确定单元根据所述第一严重分数和所述第二严重分数确定瑕疵的变化趋势包括：

根据跟踪算法、所述第一标识信息和第二深度神经网络识别所述第一人脸图像与所述第二人脸图像中为同一瑕疵的瑕疵；

比较所述第一人脸图像和所述第二人脸图像中同一瑕疵的严重分数，以获得瑕疵的变化趋势。

在一个实施例中，所述采集单元，还用于通过所述摄像头采集不同角度的多张人脸图像，所述多张人脸图像的标识与所述标识相同；

第三获取单元，用于通过跟踪算法获取所述采集单元采集的多张人脸图像中瑕疵的标识信息，获得第二标识信息；

训练单元，用于根据跟踪算法、所述第一标识信息和第二深度神经网络识别所述第一人脸图像与所述第二人脸图像中为同一瑕疵的瑕疵之后，根据所述采集单元采集的多张人脸图像和所述第三获取单元获取的第二标识信息重新训练所述第二深度神经网络，以更新所述第二深度神经网络。

在一个实施例中，所述采集单元通过摄像头采集不同角度的多张人脸图像包括：

通过摄像头采集人脸关键部位的相对位置不同的多张人脸图像。

第三方面提供一种趋势确定装置，包括处理器、存储器和摄像头，所述处理器、所述存储器和所述摄像头相互连接，所述摄像头用于采集图像，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器用于调用所述程序指令执行第一方面或第一方面的任一实施例提供的趋势确定方法。

第四方面提供了一种可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行第一方面或第一方面的任一实施例提供的趋势确定方法。

第五方面提供了一种应用程序，该应用程序用于在运行时执行第一方面或第一方面的任一实施例提供的趋势确定方法。

本发明实施例中，通过摄像头采集第一人脸图像，将第一人脸图像输入第一深度神经网络得到第一人脸图像中人脸上瑕疵的第一瑕疵数量和第一严重分数，获取第一人脸图像的标识，获取存储的与该标识对应的第二人脸图像中人脸上瑕疵的第二瑕疵数量和第二严重分数，根据第一瑕疵数量和第二瑕疵数量确定瑕疵的变化趋势，或者根据第一严重分数和第二严重分数确定瑕疵的变化趋势，或者根据第一瑕疵数量、第二瑕疵数量、第一严重分数和第二严重分数确定瑕疵的变化趋势，可见，可以通过采集的图像和存储的图像中人脸上瑕疵的数量和/或严重分数确定脸部皮肤上瑕疵的变化情况，因此，可以准确地确定脸部皮肤上瑕疵的变化情况。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的一种趋势确定方法的流程示意图；

图2是本发明实施例提供的一种趋势确定装置的结构示意图；

图3是本发明实施例提供的另一种趋势确定装置的结构示意图；

图4是本发明实施例提供的一种第一深度神经网络的结构示意图；

图5是本发明实施例提供的一种第二深度神经网络的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明实施例提供一种趋势确定方法及装置，用于准确地确定脸部皮肤上瑕疵的变化情况。以下分别进行详细说明。

请参阅图1，图1是本发明实施例提供的一种趋势确定方法的流程示意图。其中，该趋势确定方法适用于安装有摄像头的手机、平板电脑等电子设备。如图1所示，该趋势确定方法可以包括以下步骤。

101、通过摄像头采集第一人脸图像。

本实施例中，在用户需要通过电子设备或电子设备上的应用观察脸部皮肤的变化情况的情况下，用户可以通过操作电子设备向电子设备或电子设备中的应用输入用于分析的分析指令，电子设备检测到分析指令时，启动摄像头，并通过摄像头采集第一人脸图像。启动的摄像头可以是前置摄像头，也可以是后置摄像头。在启动的摄像头不是用户需要的摄像头的情况下，用户可以通过点击摄像头拍摄界面的预设图标、预设区域等输入用于切换摄像头的切换指令，电子设备检测到该切换指令之后，切换摄像头，在启动的摄像头为前置摄像头的情况下，可以切换为后置摄像头，在启动的摄像头为后置摄像头的情况下，可以切换为前置摄像头。

102、将第一人脸图像输入第一深度神经网络，获得第一人脸图像中人脸上瑕疵的第一瑕疵数量和第一严重分数。

本实施例中，通过摄像头采集到第一人脸图像之后，将第一人脸图像输入第一深度神经网络，得到第一人脸图像中人脸上瑕疵的第一瑕疵数量和第一严重分数。可以先将第一人脸图像输入第一深度神经网络，输出第一人脸图像中人脸上所有待确定瑕疵的瑕疵概率和严重分数，之后对输出的所有待确定瑕疵中每个待确定瑕疵，判断待确定瑕疵的瑕疵概率是否大于阈值，在判断出待确定瑕疵的瑕疵概率大于第一阈值的情况下，确定待确定瑕疵为瑕疵，在判断出待确定瑕疵的瑕疵概率小于或等于第一阈值的情况下，确定待确定瑕疵不是瑕疵。之后统计确定的瑕疵的数量为第一人脸图像中人脸上瑕疵的第一瑕疵数量，将确定的瑕疵的严重分数确定为第一人脸图像中人脸上瑕疵的第一严重分数。之后可以存储第一人脸图像以及第一人脸图像中人脸上瑕疵的第一瑕疵数量和第一严重分数，以便后续调用。瑕疵概率为待确定瑕疵属于瑕疵的概率，严重分数为待确定瑕疵严重程度的分数，严重分数越高，表明瑕疵越严重。

本实施例中，将第一人脸图像输入第一深度神经网络，也可以输出第一人脸图像中人脸上所有待确定瑕疵的部位概率、类别概率和/或坐标，在确定待确定瑕疵为瑕疵之后，可以将瑕疵归类至部位概率最大的瑕疵部位和类别概率最大的瑕疵类别。因此，可以统计出第一人脸图像中人脸上每个瑕疵部位的瑕疵数量，也可以统计出第一人脸图像中人脸上不同瑕疵类别的瑕疵数量，也可以统计出第一人脸图像中人脸上每个瑕疵部位上不同瑕疵类别的瑕疵数量。也可以存储统计的上述信息，以便后续进行调用。瑕疵部位为存在瑕疵的部位，可以包括鼻子、额头等，瑕疵类别可以包括黑头、痘痘、斑点等。部位概率为待确定瑕疵属于人脸上那个部位的概率，类别概率为待确定瑕疵属于那种瑕疵的概率。人脸上有多少个部位每个待确定瑕疵将输出多少个部位概率，在确定待确定瑕疵为瑕疵之后，这些部位概率中那个部位概率最大，这个瑕疵将属于这个部位概率最大的部位。同理，有多少种瑕疵类别每个待确定瑕疵将输出多少个类别概率，在确定待确定瑕疵为瑕疵之后，这些类别概率中那个类别概率最大，这个瑕疵将属于这个类别概率最大的瑕疵类别。

请参阅图4，图4是本发明实施例提供的一种第一深度神经网络的结构示意图。如图4所示，第一深度神经网络包括9层结构，第1-4层均包括卷积层和最大池化层(maxpoollayer)，但每层中卷积层的层数和/或卷积核的大小不同；第5-8层均为卷积层，但每层的层数和/或卷积核的大小不同；第9层为矩阵输出，可以为7×7×6的矩阵。

103、获取第一人脸图像的标识。

本实施例中，通过摄像头采集到第一人脸图像之后，获取第一人脸图像的标识，可以通过人脸识别技术识别出第一人脸图像的标识，该标识可以唯一标识一个人的人脸图像。人脸识别技术可以为facenet等。其中，步骤102和步骤103可以并行执行，也可以串行执行。

104、获取第二人脸图像中人脸上瑕疵的第二瑕疵数量和第二严重分数。

本实施例中，获取到第一人脸图像的标识之后，从存储的人脸图像中获取该标识对应的人脸图像且拍摄时间与当前时间间隔最短的第二人脸图像中人脸上瑕疵的第二瑕疵数量和第二严重分数。此外，也可以获取第二人脸图像中人脸上瑕疵的标签、每个瑕疵部位的瑕疵数量、不同瑕疵类别的瑕疵数量和/或每个瑕疵部位上不同瑕疵类别的瑕疵数量。其中，第二人脸图像是上一次趋势确定的时候采集的人脸图像，采集时间比第一人脸图像早。

105、确定瑕疵的变化趋势。

本实施例中，得到第一人脸图像中人脸上瑕疵的第一瑕疵数量和第一严重分数，以及第二人脸图像中人脸上瑕疵的第二瑕疵数量和第二严重分数之后，根据第一瑕疵数量和第二瑕疵数量，和/或第一严重分数和第二严重分数确定瑕疵的变化趋势。在根据第一瑕疵数量、第二瑕疵数量、第一严重分数和第二严重分数确定瑕疵的变化趋势的情况下，可以比较第一瑕疵数量与第二瑕疵数量，在第一瑕疵数量大于第二瑕疵数量的情况下，确定瑕疵变严重了；在第一瑕疵数量小于第二瑕疵数量的情况下，确定瑕疵变好了；在第一瑕疵数量与第二瑕疵数量相同的情况下，根据第一严重分数和第二严重分数确定瑕疵的变化趋势。也可以通过第一瑕疵数量与第二瑕疵数量确定瑕疵变少、变多或没变，同时通过第一严重分数和第二严重分数确定同一个瑕疵变好、变严重或未变。

本实施例中，可以计算第一严重分数的第一加权平均值，计算第二严重分数的第二加权平均值，在比较出第一加权平均值大于第二加权平均值的情况下，确定瑕疵变严重了，在比较出第一加权平均值等于第二加权平均值的情况下，可以确定瑕疵无变化，在比较出第一加权平均值小于第二加权平均值的情况下，可以确定瑕疵变好了。

本实施例中，获取第二人脸图像中人脸上瑕疵的第二瑕疵数量和第二严重分数的同时，可以获取第二人脸图像中人脸上瑕疵的第一标识信息。也可以根据跟踪算法、第一标识信息和第二深度神经网络识别第一人脸图像与第二人脸图像中为同一瑕疵的瑕疵，比较第一人脸图像和第二人脸图像中同一瑕疵的严重分数得到瑕疵的变化趋势，即确定同一个瑕疵的变化情况。

作为一种可能的实施方式，可以通过摄像头采集不同角度的多张人脸图像，通过跟踪算法获取这多张人脸图像中瑕疵的标识信息得到第二标识信息，同一个瑕疵的标识信息必须相同，不同瑕疵的标识信息必须不同。根据跟踪算法、第一标识信息和第二深度神经网络识别第一人脸图像与第二人脸图像中为同一瑕疵的瑕疵之后，根据这多张人脸图像和第二标识信息重新训练第二深度神经网络，以更新第二深度神经网络。即在每次使用完第二深度神经网络之后，采集人脸图像进行重新训练，以便每次使用的第二深度神经网络是最新训练好的深度神经网络，从而可以提高识别瑕疵的准确性，以便对下一次采集的人脸图像能够准确地进行识别。例如：前一天识别到脸上有三个瑕疵a、b和c，根据跟踪算法、瑕疵a、b和c的标识信息和第二深度神经网络识别后一天采集的人脸图像中这三个瑕疵还存不存在，如果存在，瑕疵a、b和c位置在哪儿。这多张人脸图像的标识与第一人脸图像的标识相同，以保证是同一个人的人脸图像。可以通过摄像头采集人脸关键部位的相对位置不同的多张人脸图像，可以是用户主动调整位置，也可以是电子设备提示用户调整位置。跟踪算法用于跟踪瑕疵，可以确定这多张人脸图像中那些瑕疵是同一个瑕疵，跟踪算法可以为核相关滤波(kernelcorrelationfilter，kcf)算法，也可以为判别尺度空间跟踪(discriminatiivescalespacetracker，dsst)算法，还可以为其它跟踪算法。例如：跟踪算法用于对瑕疵a、b和c进行跟踪，得到不同角度瑕疵样本，以便优化第二深度神经网络的参数，使它能够更准确地识别瑕疵a、b和c。

请参阅图5，图5是本发明实施例提供的一种第二深度神经网络的结构示意图。如图5所示，第二神经网络包括9层结构，第1-4层均包括卷积层和最大池化层(maxpoollayer)，但每层中卷积层的层数和/或卷积核的大小不同；第5-8层均为卷积层，但每层的层数和/卷积核的大小不同；第9层为矩阵输出，可以为7×7×504的矩阵。

在图1所描述的趋势确定方法中，可以通过采集的图像和存储的图像中人脸上瑕疵的数量和/或严重分数确定脸部皮肤上瑕疵的变化情况，因此，可以准确地确定脸部皮肤上瑕疵的变化情况。

请参阅图2，图2是本发明实施例提供的一种趋势确定装置的结构示意图。该趋势确定装置可以为安装有摄像头的手机、平板电脑等电子设备。如图2所示，该趋势确定装置可以包括：

采集单元201，用于通过摄像头采集第一人脸图像；

输入单元202，用于将采集单元201采集的第一人脸图像输入第一深度神经网络，获得第一人脸图像中人脸上瑕疵的第一瑕疵数量和第一严重分数；

第一获取单元203，用于获取采集单元201采集的第一人脸图像的标识；

第二获取单元204，用于获取第二人脸图像中人脸上瑕疵的第二瑕疵数量和第二严重分数，第二人脸图像是存储的与第一获取单元203获取的标识对应的人脸图像；

确定单元205，用于根据输入单元202获得的第一瑕疵数量和第二获取单元204获取的第二瑕疵数量确定瑕疵的变化趋势，根据第一严重分数和第二严重分数确定瑕疵的变化趋势，或者根据第一瑕疵数量、第二瑕疵数量、第一严重分数和第二严重分数确定瑕疵的变化趋势。

作为一种可能的实施方式，输入单元202可以包括：

输入子单元2021，用于将采集单元201采集的第一人脸图像输入第一深度神经网络，获得第一人脸图像中人脸上所有待确定瑕疵的瑕疵概率和严重分数；

第一确定子单元2022，用于在待确定瑕疵的瑕疵概率大于阈值的情况下，确定该待确定瑕疵为瑕疵，该待确定瑕疵为输入子单元2021获得的所有待确定瑕疵中的任一待确定瑕疵；

统计子单元2023，用于统计第一确定子单元2022确定的瑕疵的数量为第一人脸图像中人脸上瑕疵的第一瑕疵数量；

第二确定子单元2024，用于将第一确定子单元2022确定的瑕疵的严重分数确定为第一人脸图像中人脸上瑕疵的第一严重分数。

作为一种可能的实施方式，确定单元205根据第一瑕疵数量、第二瑕疵数量、第一严重分数和第二严重分数确定瑕疵的变化趋势包括：

在第一瑕疵数量与第二瑕疵数量不同的情况下，根据第一瑕疵数量和第二瑕疵数量确定瑕疵的变化趋势；

在第一瑕疵数量与第二瑕疵数量相同的情况下，根据第一严重分数和第二严重分数确定瑕疵的变化趋势。

作为一种可能的实施方式，确定单元205根据第一严重分数和第二严重分数确定瑕疵的变化趋势包括：

计算第一严重分数的第一加权平均值；

计算第二严重分数的第二加权平均值；

根据第一加权平均值和第二加权平均值确定瑕疵的变化趋势。

在一个实施例中，第二获取单元204，具体用于获取第二人脸图像中人脸上瑕疵的第二瑕疵数量、第二严重分数和第一标识信息；

确定单元205根据第一严重分数和第二严重分数确定瑕疵的变化趋势包括：

根据跟踪算法、第二获取单元204获取的第一标识信息和第二深度神经网络识别第一人脸图像与第二人脸图像中为同一瑕疵的瑕疵；

比较第一人脸图像和第二人脸图像中同一瑕疵的严重分数，以获得瑕疵的变化趋势。

作为一种可能的实施方式，采集单元201，还用于通过摄像头采集不同角度的多张人脸图像，该多张人脸图像的标识与第一人脸图像的标识相同；

第三获取单元206，用于通过跟踪算法获取采集单元201采集的多张人脸图像中瑕疵的标识信息，获得第二标识信息；

训练单元207，用于根据跟踪算法、第一标识信息和第二深度神经网络识别第一人脸图像与第二人脸图像中为同一瑕疵的瑕疵之后，根据采集单元201采集的多张人脸图像和第三获取单元206获取的第二标识信息重新训练第二深度神经网络，以更新第二深度神经网络。

在一个实施例中，采集单元201通过摄像头采集不同角度的多张人脸图像包括：

通过摄像头采集人脸关键部位的相对位置不同的多张人脸图像。

在图2所描述的趋势确定装置中，可以通过采集的图像和存储的图像中人脸上瑕疵的数量和/或严重分数确定脸部皮肤上瑕疵的变化情况，因此，可以准确地确定脸部皮肤上瑕疵的变化情况。

可以理解的是，本实施例的趋势确实装置的单元的功能可根据上述趋势确定方法实施例中的方法具体实现，其具体实现过程可以参照上述趋势确定方法实施例的相关描述，此处不再赘述。

请参阅图3，图3是本发明实施例提供的另一种趋势确实装置的结构示意图。该趋势确定装置可以为安装有摄像头的手机、平板电脑等电子设备。如图3所示，该趋势确实装置可以包括至少一个处理器301、存储器302、摄像头303和总线304，处理器301、存储器302和摄像头303之间通过总线304连接，其中：

摄像头303，用于采集第一人脸图像；

存储器302用于存储计算机程序，计算机程序包括程序指令，处理器301用于调用存储器302存储的程序指令执行以下步骤：

将第一人脸图像输入第一深度神经网络，获得第一人脸图像中人脸上瑕疵的第一瑕疵数量和第一严重分数；

获取第一人脸图像的标识；

获取第二人脸图像中人脸上瑕疵的第二瑕疵数量和第二严重分数，第二人脸图像是存储的与该标识对应的人脸图像；

根据第一瑕疵数量和第二瑕疵数量确定瑕疵的变化趋势，根据第一严重分数和第二严重分数确定瑕疵的变化趋势，或者根据第一瑕疵数量、第二瑕疵数量、第一严重分数和第二严重分数确定瑕疵的变化趋势。

作为一种可能的实施方式，处理器301将第一人脸图像输入第一深度神经网络，获得第一人脸图像中人脸上瑕疵的第一瑕疵数量和第一严重分数包括：

将第一人脸图像输入第一深度神经网络，获得第一人脸图像中人脸上所有待确定瑕疵的瑕疵概率和严重分数；

在待确定瑕疵的瑕疵概率大于阈值的情况下，确定该待确定瑕疵为瑕疵，该待确定瑕疵为所有待确定瑕疵中的任一待确定瑕疵；

统计确定的瑕疵的数量为第一人脸图像中人脸上瑕疵的第一瑕疵数量；

将确定的瑕疵的严重分数确定为第一人脸图像中人脸上瑕疵的第一严重分数。

作为一种可能的实施方式，处理器301根据第一瑕疵数量、第二瑕疵数量、第一严重分数和第二严重分数确定瑕疵的变化趋势包括：

在第一瑕疵数量与第二瑕疵数量不同的情况下，根据第一瑕疵数量和第二瑕疵数量确定瑕疵的变化趋势；

在第一瑕疵数量与第二瑕疵数量相同的情况下，根据第一严重分数和第二严重分数确定瑕疵的变化趋势。

作为一种可能的实施方式，处理器301根据第一严重分数和第二严重分数确定瑕疵的变化趋势包括：

计算第一严重分数的第一加权平均值；

计算第二严重分数的第二加权平均值；

根据第一加权平均值和第二加权平均值确定瑕疵的变化趋势。

作为一种可能的实施方式，处理器301获取第二人脸图像中人脸上瑕疵的第二瑕疵数量和第二严重分数包括：

获取第二人脸图像中人脸上瑕疵的第二瑕疵数量、第二严重分数和第一标识信息；

处理器301根据所述第一严重分数和所述第二严重分数确定瑕疵的变化趋势包括：

根据跟踪算法、第一标识信息和第二深度神经网络识别第一人脸图像与第二人脸图像中为同一瑕疵的瑕疵；

比较第一人脸图像和第二人脸图像中同一瑕疵的严重分数，以获得瑕疵的变化趋势。

作为一种可能的实施方式，摄像头303，还用于采集不同角度的多张人脸图像，该多张人脸图像的标识与第一人脸图像的标识相同；

处理器301还用于调用存储器302存储的程序指令执行以下步骤：

通过跟踪算法获取该多张人脸图像中瑕疵的标识信息，获得第二标识信息；

处理器301根据跟踪算法、第一标识信息和第二深度神经网络识别第一人脸图像与第二人脸图像中为同一瑕疵的瑕疵之后，处理器301还用于调用存储器302存储的程序指令执行以下步骤：

根据该多张人脸图像和第二标识信息重新训练第二深度神经网络，以更新第二深度神经网络。

作为一种可能的实施方式，摄像头303采集不同角度的多张人脸图像包括：

采集人脸关键部位的相对位置不同的多张人脸图像。

在图3所描述的趋势确定装置中，可以通过采集的图像和存储的图像中人脸上瑕疵的数量和/或严重分数确定脸部皮肤上瑕疵的变化情况，因此，可以准确地确定脸部皮肤上瑕疵的变化情况。

其中，步骤101可以由趋势确实装置中的摄像头303来执行，步骤102-步骤105可以由趋势确实装置中的处理器301和存储器302来执行。

其中，采集单元201可以由趋势确实装置中的摄像头303来实现，输入单元202、第一获取单元203、第二获取单元204、确定单元205、标签单元206和训练单元207可以由趋势确实装置中的处理器301和存储器302来实现。

在一个实施例中提供了一种可读存储介质，该可读存储介质存储有计算机程序，计算机程序包括程序指令，程序指令当被处理器执行时使处理器执行图1的趋势确定方法。

在一个实施例中提供了一种应用程序，该应用程序用于在运行时执行图1的趋势确定方法。

本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：闪存盘、只读存储器(read-onlymemory，rom)、随机存取器(randomaccessmemory，ram)、磁盘或光盘等。

以上对本发明实施例进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。