，比如音乐提示可为用户设置的音乐。当终端确定第一表情特征为恐惧的表情特征时，则获取对应的语音提示；当终端确定第一表情特征为悲伤的表情特征时，则获取的对应的音乐提示为警报声提示；当终端确定第一表情特征为愤怒的表情特征时，则获取的对应的音乐提示为用户设置的音乐。
[0101]S307，发出与所述第一表情特征对应的报警提示。
[0102]具体实现中，若终端获取的是恐惧的表情特征对应的语音提示，则发出该语音提示，语音内容可为“您的孩子出现危险”等报警内容，同时发出警报声的音乐提示；若终端获取的悲伤的表情特征对应的音乐提示为警报声提示，则发出警报声提示；若终端获取的愤怒的表情特征对应的音乐提示为用户设置的音乐，则播放用户设置的音乐。
[0103]作为一种可实施的方式，当终端发出报警提示之后，可根据检测到的关闭指令关闭发出的报警提示。
[0104]采用本发明实施例，当检测到跟踪指令时，开启旋转摄像头，根据跟踪指令控制旋转摄像头跟踪第一人脸，通过旋转摄像头获取第一人脸的图像，根据第一人脸的图像得到第一表情特征，判断第一表情特征是否符合报警提示的条件，若判断为是，则发出与第一表情特征对应的报警提示，可通过旋转摄像头确定需要跟踪的人脸，当识别出人脸的表情为伤心、哭泣或痛苦等表情时及时发出相应的报警提示，能够及时提示监护人前往查看，能够实现监控功能，提升用户体验感。
[0105]请参阅图4，图4是本发明实施例的一种终端的结构示意图。如图4所示的终端包括开启模块400、第一获取模块401、得到模块402、第一判断模块403以及发出模块404。
[0106]开启模块400，用于当检测到跟踪指令时，开启旋转摄像头；
[0107]第一获取模块401，用于根据所述跟踪指令控制所述旋转摄像头跟踪第一人脸，通过所述旋转摄像头获取所述第一人脸的图像；
[0108]得到模块402，用于根据所述第一获取模块401获取的第一人脸的图像得到第一表情特征；
[0109]第一判断模块403，用于判断所述得到模块402得到的第一表情特征是否符合报警提示的条件；
[0110]发出模块404，用于当所述第一判断模块403的判断结果为是时，则发出报警提不O
[0111]具体实现中，用户可能与儿童处于不同的空间，例如，用户在厨房或者在离房屋不远处的户外活动，儿童在房间内活动，用户可将终端安置在儿童活动的房间内。当终端检测到用户输入的跟踪指令时，终端则开启旋转摄像头开始跟踪第一人脸，其中，第一人脸为儿童的人脸。
[0112]具体实现中，由于儿童会在房间内移动，因此终端可根据用户输入的跟踪指令控制摄像头旋转，从而跟踪第一人脸，并且在跟踪第一人脸时获取第一人脸的图像。具体的，在跟踪第一人脸之前需要对人脸进行识别，识别人脸包括四个组成部分，分别为:人脸图像采集及检测、人脸图像预处理、人脸图像特征提取以及匹配与识别。其中，人脸图像采集对于不同的人脸图像都能通过摄像镜头采集下来，比如静态图像、动态图像、不同的位置、不同表情等方面都可以得到很好的采集。当儿童在旋转摄像头的拍摄范围内时，旋转摄像头会自动搜索并拍摄儿童的第一人脸的图像。人脸检测在实际中主要用于人脸识别的预处理，即在图像中准确标定出人脸的位置和大小。人脸图像中包含的模式特征十分丰富，如直方图特征、颜色特征、模板特征以及结构特征等。人脸检测就是提取上述特征的信息，利用这些特征的信息实现人脸检测。人脸图像预处理是基于人脸检测结果，对图像进行处理并最终服务于特征提取的过程。系统获取的原始图像由于受到各种条件的限制和随机干扰，往往不能直接使用，必须在图像处理的早期阶段对它进行灰度校正、噪声过滤等图像预处理，其预处理过程主要包括人脸图像的补偿、灰度变换、直方图均衡化、归一化、几何校正、滤波以及锐化等。人脸图像特征提取是针对人脸的某些特征进行的。它是对人脸进行特征建模的过程。人脸特征提取的方法分为基于指示的表征方法和基于代数特征或统计学习的表征方法。人脸图像匹配用于将提取人脸图像的特征数据与数据库中存储的特征模板进行搜索匹配，将待识别的人脸图像与已得到的特征模板进行比较，根据相似程度对人脸的身份信息进行判断。这一过程分为两类，一类是确认，是一对一进行图像比较的过程，另一类是辨认，是一对多进行图像匹配对比的过程。对于识别人脸的过程为现有技术，本实施例则不再赘述。
[0113]作为一种可实施的方式，终端检测到的跟踪指令可为跟踪任意用户的人脸。
[0114]作为一种可实施的方式，终端检测到的跟踪指令可为跟踪预先设定的用户的人脸。例如，终端可预先存储儿童的人脸，当接收到的跟踪指令为跟踪儿童的人脸时，终端可将识别到的第一人脸与终端预先存储的儿童的人脸进行比较，判断跟踪的第一人脸是否为儿童的人脸。若识别到的第一人脸与预先存储的儿童的人脸相同，则确定继续跟踪第一人脸。
[0115]具体实现中，当终端获取到第一人脸的图像之后，通过第一人脸的图像识别第一表情特征，其中需要先从第一人脸的图像中提取第一表情特征，最后对第一表情特征进行分类。具体的，表情特征提取可分为两大类，基于静态图像的表情特征提取和基于动态图像序列的表情特征提取。其中表情特征提取方法有:主成分分析法、活动外观模型法以及光流法等等。其中，主成分分析法可根据像素件的二阶相关性，将包含表情人脸的图像区域看作一个随机向量，采用主成分分析法得到正交变换基，其中较大的特征值对应的基底(特征脸)就组成了表情特征空间的一组基，然后利用这组基底的线性组合就可以描述、表达人脸表情。活动外观模型法是目前广泛应用的基于混合特征的特征提取方法。它结合形状和纹理信息建立对人脸的参数化描述。光流法是运动特征提取法中的一种，所谓光流法是指亮度模式引起的表观运动，理想的情况是这种表观运动反映了实际的运动。光流法利用光流进行运动估计，并使用面部肌肉运动模型描述了面部的运动，对眉毛、眼睛、嘴唇的等区域的运动单元进行分辨，提出了面部的局部参数运动模型，同时构建了面部运动的中级描述，并使用启发式规则对各种表情进行分类。
[0116]表情特征的分类是指定义一组类别，并涉及相应的分类机制对表情进行识别，归入相应类别。用于表情分类的方法主要有人工神经网络、支持向量机以及AdaBoost (Adaptive Boosting，自适应增强)算法等表情分类方法。其中人工神经网络是一种模拟人脑神经元细胞的网络结构，它是由大量简单的基本原件(神经元)相互连接成的自适应非线性动态系统。支持向量机是在统计学习理论的基础上发展起来的一种分类方法，在解决小样板、非线性和高维问题上有很多优势。AdaBoost算法将多个弱分类器结合起来训练形成强分类器，不同分类器针对不同的特征，通过训练可以达到特征选择的目的，在模式识别领域如图像检索和人脸检测中都有成功的应用。对于第一表情特征的提取和分类是现有技术，本实施例则不再赘述。
[0117]作为一种可实施的方式，终端可每隔预设时间段获取第一人脸的图像，再根据当前获取的第一人脸的图像得到第一表情特征。
[0118]具体实现中，由于表情产生的原因、表情表现的程度、用户对表情的控制能力和表情的倾向等诸多方面的原因，使表情的变化细微而复杂，对表情特点的概括也显得复杂，依据最基本的分类方法，本发明实施例列举了以下6中基本表情特征，分别是惊奇、恐惧、悲伤、愤怒、高兴以及厌恶。在本发明实施例中，终端可设定恐惧的表情特征、悲伤的表情特征以及愤怒的表情特征为发出报警提示的条件。当终端根据第一人脸的图像得到第一表情特征之后，通过确定第一表情特征是否为恐惧的表情特征、悲伤的表情特征以及愤怒的表情特征中的任一种来判断第一表情特征是否符合报警提示的条件。
[0119]具体实现中，若第一表情特征为恐惧的表情特征、悲伤的表情特征以及愤怒的表情特征中的任一种，则终端发出报警提示，表明儿童当前的安全状况出现异常，以及时提示用户前往儿童所处的空间查看。
[0120]作为一种可实施的方式，报警提示可为语音提示或者音乐提示。终端可以通过预设的音量播放出语音提示，语音内容可为“您的孩子出现危险”等报警内容，语音内容还可为用户录制的语音内容。终端可以通过预设的音量播放出音乐提示，音乐可为鸣笛声、警报声或者为用户设置的音乐中的任一种。
[0121]作为一种可实施的方式，当终端发出报警提示之后，可根据检测到的关闭指令关闭发出的报警提示。
[0122]作为一种可实施的方式，如图5所示，所述终端还包括第二判断模块405以及确定模块406。
[0123]第二判断模块405，用于通过所述旋转摄像头识别所述第一人脸，判断所述第一人脸是否为预先存储的需要跟踪的人脸；
[0124]确定模块406，用于当所述第二判断模块405的判断结果为是时