工作模式调整方法及相关设备
1.技术领域
2.本技术涉及模式调整领域，尤其涉及工作模式调整方法及相关设备。
3.
背景技术：
4.美容护肤仪器是利用物理、电子技术、光学技术等方法来给用户进行美容，以达到塑性、美白、嫩肤脱毛、祛痘祛斑等效果的电学仪器。美容护肤仪器的工作方式有电流/电脉冲方式、微震动方式、光照方式、热辐射/热传导方式、激光方式等方式。其中，一些美容仪器集成了多种工作模式，可以应对用户的不同美容护理需求。
5.目前，用户只能根据自己的美容护理需求，手动调整美容仪器的工作模式，一方面，手动调整不够方便，另一方面，在用户对自己的肌肤和仪器的工作模式了解程度不够的情况下，错误选择一些工作模式，可能会对用户的肌肤造成损伤。
6.
技术实现要素：
7.本技术提供针对工作模式调整方法及相关设备，以解决目前美容仪器需要用户手动调整所带来的技术问题。
8.第一方面，提供一种工作模式调整方法，该方法包括如下步骤：在检测到与用户脸部的距离在预设距离范围内的情况下，获取用户的局域脸部图像；对用户的局域脸部图像进行识别检测，以确定上述局域脸部图像对应的脸部肌肤所属的目标肌肤类型；确定与肌肤类型相匹配的目标工作模式；以目标工作模式在上述局域脸部图像对应的脸部肌肤上工作。
9.在该技术方案中，在与用户脸部的距离在预设距离范围内的情况下，获取用户的局域脸部图像，并对局域脸部图像进行识别检测，确定局域脸部图像对应的脸部肌肤所属的目标肌肤类型，实现了对当前操作的脸部肌肤的肌肤类型检测；然后确定与目标肌肤类型相匹配的目标工作模式，以目标工作模式在局域脸部图像对应的脸部肌肤上工作，完成了肌肤类型与工作模式的自适应匹配与选择，无需用户手动选择工作模式，另外，由于是在确定了当前操作的脸部肌肤的肌肤类型后选择的与肌肤类型相匹配的工作模式工作，使得工作模式能够匹配于当前操作的脸部肌肤的肌肤类型，可以避免造成对用户肌肤造成损伤。
10.结合第一方面，在一种可能的实现方式中，上述对用户的局域脸部图像进行识别检测，以确定上述局域脸部图像对应的脸部肌肤所属的目标肌肤类型的步骤，具体包括：通过肌肤特征提取网络提取用户的局域脸部图像的肌肤特征，以得到用户的局域脸部图像对应的肌肤特征向量；通过预设的多棵肌肤类型分类树分别对肌肤特征向量进行肌肤类型识别，以确定多棵肌肤类型分类树中每棵肌肤类型分类树的肌肤类型投票结果，根据多棵肌
肤类型分类树中每棵肌肤类型分类树的肌肤类型投票结果将得票最高的肌肤类型确定为第一肌肤类型；将肌肤特征向量与预设的n种肌肤特征中心进行相似度计算，并在预设的n种肌肤特征中心中确定与肌肤特征向量的相似度最大的第一肌肤特征中心，将第一肌肤特征中心对应的肌肤类型确定为第二肌肤类型，n等于肌肤类型的总数量；如果第一肌肤类型与第二肌肤类型相同，则将第一肌肤类型或第二肌肤类型确定为目标肌肤类型。通过两种方式分别确定局域脸部图像对应的脸部肌肤所属的肌肤类型，在两种方式确定的肌肤类型一致的情况下才确定为目标肌肤类型，保证确定的肌肤类型更为准确有效；另外，由于两种确定肌肤类型的方式只需要进行线性计算或相似度计算即可确定肌肤类型，需要的计算量相对较小，因此可以起到兼顾计算速度和准确率的作用。
11.结合第一方面，在一种可能的实现方式中，上述方法还包括：如果第一肌肤类型与第二肌肤类型不同，则以默认工作模式在局域脸部图像对应的脸部肌肤工作。当通过两种方式确定的局域脸部图像对应的脸部肌肤所属的肌肤类型不同时，说明该脸部肌肤的情况较复杂，以默认工作模式在局域脸部图像对应的脸部肌肤上工作，可以避免造成对用户肌肤造成损伤。
12.结合第一方面，在一种可能的实现方式中，一棵肌肤类型分类树用于识别两种肌肤类型；上述通过预设的多棵肌肤类型分类树分别对肌肤特征向量进行肌肤类型识别，以确定多棵肌肤类型分类树中每棵肌肤类型分类树的肌肤类型投票结果之前，还包括：将n种肌肤类型两两进行组合，以得到多种肌肤类型组合；分别为多种肌肤类型组合中的各种肌肤类型组合构建目标二分类函数，目标二分类函数为关于肌肤特征向量的二分类函数；获取第一肌肤类型组合中的两种肌肤类型各自对应的多张局域脸部图像样本，以得到第一图像样本集，第一肌肤类型组合为多种肌肤类型组合中的任一肌肤类型组合；通过肌肤特征提取网络分别提取第一图像样本集中的各张局域脸部图像样本的肌肤特征，以得到由多个肌肤特征向量样本组成的第一特征样本集；分别对第一图像样本集中的各张局域脸部图像样本进行肌肤类型标识，得到各张局域脸部图像样本对应的肌肤类型标识；以第一特征样本集中的各个肌肤特征向量样本，和各个肌肤特征向量样本对应的肌肤类型标识为训练样本，确定使训练样本满足预设条件的目标参数值，目标参数值为：为第一肌肤类型组合构建的目标二分类函数中的参数值；将多种肌肤类型组合中的各种肌肤类型组合各自对应的参数值，分别代入各种肌肤类型组合对应的目标二分类函数中，以建立多棵肌肤类型分类树。通过预先将各种肌肤类型两两进行组合，得到多种肌肤类型组合，利用每种肌肤类型组合对应的局域图像样本来为每种肌肤类型组合构建分类树，从而得到用于对两种肌肤类型进行识别分类的分类树，大量的局域图像样本使得构建得到的分类树的准确度足够高，从而保证了肌肤类型识别的精确度。
13.结合第一方面，在一种可能的实现方式中，上述目标二分类函数为：f（x）=sign（wx b），其中，x=（x1，x2，
…
，x
q
）为肌肤特征向量，q等于肌肤特征向量的维度，w=（w1，w2，
…
，w
q
）为肌肤特征向量对应的权重参数，b为偏置参数；上述预设条件为：所有训练样本的几何间隔的最小值达到最大值。通过以符号函数为基础构建有关于肌肤特征向量的目标二分类函数，并设置训练达标的条件为所有训练样本的几何间隔的最小值达到最大值，使得求解得到的参数值能够对两种肌肤类型对应的局域脸部图像进行精准分类，有助于提高肌肤识别的精度。
14.结合第一方面，在一种可能的实现方式中，上述将肌肤特征向量与预设的n种肌肤特征中心进行相似度计算之前，还包括：分别获取n个肌肤类型各自对应的多张局域脸部图像样本，以得到第二图像样本集；通过肌肤特征提取网络分别提取第二图像样本集中的各张局域脸部图像样本的肌肤特征，以得到由多个肌肤特征向量样本组成的第二特征样本集；从第二特征样本集中选取n个肌肤特征向量样本作为n个聚类簇的聚类中心；分别计算第二特征样本集中的每个肌肤特征向量样本与每个聚类中心的相似度；将第一肌肤特征向量样本划分到第一聚类中心所在的聚类簇中，第一肌肤特征向量为第一特征样本集中的任一肌肤特征向量样本，第一聚类中心为与第一肌肤特征向量样本的相似度最高的聚类中心；在将第二特征样本集中的所有肌肤特征向量样本均划分至不同的聚类簇之后，更新每个聚类簇的聚类中心，并执行上述分别计算第二特征样本集中的每个肌肤特征向量样本与每个聚类簇的相似度的步骤，直至满足第一终止条件；将最后更新得到的n个聚类中心确定为预设的n种肌肤特征中心。通过预先获取各种肌肤类型对应的图像样本，并利用这些图像样本找到最能表征各个肌肤类型的聚类中心作为肌肤特征中心，有利于在识别局域脸部图像所属的肌肤类型时，提高识别的精度。
15.结合第一方面，在一种可能的实现方式中，上述更新每个聚类簇的聚类中心的步骤，具体包括：计算目标聚类簇中的肌肤特征向量样本在各个向量维度上的均值，以得到目标聚类簇对应的向量样本均值，目标聚类簇为n个聚类簇中的任一聚类簇；将各个聚类簇的聚类中心更新为各个聚类簇对应的向量样本均值。通过多次将各个聚类簇的聚类中心更新为各个聚类簇中的肌肤特征向量样本的向量样本均值，可以实现对各个图像样本的精准群组划分，从而可以找到最能表征各个肌肤类型的聚类中心。
16.第二方面，提供一种工作模式调整装置，包括：图像获取模块，用于在检测到与用户脸部的距离在预设距离范围内的情况下，获取用户的局域脸部图像；肌肤类型检测模块，用于对用户的局域脸部图像进行识别检测，以确定上述局域脸部图像对应的脸部肌肤所属的目标肌肤类型；模式确定模块，用于确定与肌肤类型相匹配的目标工作模式；工作模块，用于以目标工作模式在上述局域脸部图像对应的脸部肌肤上工作。
17.结合第二方面，在一种可能的设计中，上述肌肤类型检测模块，具体用于通过肌肤特征提取网络提取用户的局域脸部图像的肌肤特征，以得到用户的局域脸部图像对应的肌肤特征向量；通过预设的多棵肌肤类型分类树分别对肌肤特征向量进行肌肤类型识别，以确定多棵肌肤类型分类树中每棵肌肤类型分类树的肌肤类型投票结果；根据多棵肌肤类型分类树中每棵肌肤类型分类树的肌肤类型投票结果将得票最高的肌肤类型确定为第一肌肤类型；将肌肤特征向量与预设的n种肌肤特征中心进行相似度计算，并在预设的n种肌肤特征中心中确定与肌肤特征向量的相似度最大的第一肌肤特征中心，将第一肌肤特征中心对应的肌肤类型确定为第二肌肤类型，n等于肌肤类型的总数量；如果第一肌肤类型与第二肌肤类型相同，则将第一肌肤类型或第二肌肤类型确定为目标肌肤类型。
18.结合第二方面，在一种可能的设计中，上述工作模块还用于：如果第一肌肤类型与第二肌肤类型不同，则以默认工作模式在局域脸部图像对应的脸部肌肤工作。
19.结合第二方面，在一种可能的设计中，一棵肌肤类型分类树用于识别两种肌肤类
型；上述装置还包括：组合模块，用于将n种肌肤类型两两进行组合，以得到多种肌肤类型组合；函数构建模块，用于分别为多种肌肤类型组合中的各种肌肤类型组合构建目标二分类函数，目标二分类函数为关于肌肤特征向量的二分类函数；样本获取模块，用于获取第一肌肤类型组合中的两种肌肤类型各自对应的多张局域脸部图像样本，以得到第一图像样本集，第一肌肤类型组合为多种肌肤类型组合中的任一肌肤类型组合；特征提取模块，用于通过肌肤特征提取网络分别提取第一图像样本集中的各张局域脸部图像样本的肌肤特征，以得到由多个肌肤特征向量样本组成的第一特征样本集；标识模块，用于分别对第一图像样本集中的各张局域脸部图像样本进行肌肤类型标识，得到各张局域脸部图像样本对应的肌肤类型标识；参数确定模块，用于以第一特征样本集中的各个肌肤特征向量样本，和各个肌肤特征向量样本对应的肌肤类型标识为训练样本，确定使训练样本满足预设条件的目标参数值，目标参数值为：为第一肌肤类型组合构建的目标二分类函数中的参数值；分类树建立模块，用于将多种肌肤类型组合中的各种肌肤类型组合各自对应的参数值，分别代入各种肌肤类型组合对应的目标二分类函数中，以建立多棵肌肤类型分类树。
20.结合第二方面，在一种可能的设计中，上述目标二分类函数为：f（x）=sign（wx b），其中，x=（x1，x2，
…
，x
q
）为肌肤特征向量，q等于肌肤特征向量的维度，w=（w1，w2，
…
，w
q
）为肌肤特征向量对应的权重参数，b为偏置参数；上述预设条件为：所有训练样本的几何间隔的最小值达到最大值。
21.结合第二方面，在一种可能的设计中，上述装置还包括：样本获取模块，用于分别获取n个肌肤类型各自对应的多张局域脸部图像样本，以得到第二图像样本集；特征提取模块，用于通过肌肤特征提取网络分别提取第二图像样本集中的各张局域脸部图像样本的肌肤特征，以得到由多个肌肤特征向量样本组成的第二特征样本集；聚类中心选取模块，用于从第二特征样本集中选取n个肌肤特征向量样本作为n个聚类簇的聚类中心；相似度计算模块，用于分别计算第二特征样本集中的每个肌肤特征向量样本与每个聚类中心的相似度；样本划分模块，用于将第一肌肤特征向量样本划分到第一聚类中心所在的聚类簇中，第一肌肤特征向量为第一特征样本集中的任一肌肤特征向量样本，第一聚类中心为与第一肌肤特征向量样本的相似度最高的聚类中心；聚类中心更新模块，用于在将第二特征样本集中的所有肌肤特征向量样本均划分至不同的聚类簇之后，更新每个聚类簇的聚类中心，并指示相似度计算模块执行上述分别计算第二特征样本集中的每个肌肤特征向量样本与每个聚类簇的相似度的步骤，直至满足第一终止条件；特征中心确定模块，用于将最后更新得到的n个聚类中心确定为预设的n种肌肤特征中心。
22.结合第二方面，在一种可能的设计中，上述聚类中心更新模块具体用于：计算目标聚类簇中的肌肤特征向量样本在各个向量维度上的均值，以得到目标聚类簇对应的向量样本均值，目标聚类簇为n个聚类簇中的任一聚类簇；将各个聚类簇的聚类中心更新为各个聚类簇对应的向量样本均值。
23.第三方面，提供另一种工作模式调整装置，包括存储器以及一个或多个处理器，一个或多个处理器用于执行存储在存储器中的一个或多个计算机程序，一个或多个处理器在执行一个或多个计算机程序时，使得该装置实现上述第一方面的工作模式调整方法。
24.第四方面，提供一种计算机可读存储介质，计算机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，所述程序指令当被处理器执行时使所述处理器执行上述第
一方面的工作模式调整方法。
25.本技术可以实现如下有益效果：完成肌肤类型与工作模式的自适应匹配与选择，无需用户手动选择工作模式；工作模式能够匹配于当前操作的脸部肌肤的肌肤类型，避免造成对用户肌肤造成损伤。
26.附图说明
27.图1为本技术实施例提供的一种工作模式调整方法的流程示意图；图2是本技术实施例提供的一种确定局域脸部图像对应的脸部肌肤所属的目标肌肤类型的方法的流程示意图；图3是本技术实施例提供的另一种确定局域脸部图像对应的脸部肌肤所属的目标肌肤类型的方法的流程示意图；图4是本技术实施例提供的又一种确定局域脸部图像对应的脸部肌肤所属的目标肌肤类型的方法的流程示意图；图5是本技术实施例提供的一种确定n种肌肤特征中心的方法的流程示意图；图6是本技术实施例提供的一种建立肌肤类型分类树的方法的流程示意图；图7是本技术实施例提供的一种工作模式调整装置的结构示意图；图8是本技术实施例提供的另一种工作模式调整装置的结构示意图。
28.具体实施方式
29.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行描述。
30.本技术的技术方案适用于利用美容仪器进行美容护肤的场景。其中，美容仪器具体可以为用于洗脸护肤的洗脸仪、用于美白祛斑的激光仪或射频仪、用于提拉紧致的嫩肤仪，等等，不限于这里的举例。
31.参见图1，图1为本技术实施例提供的一种工作模式调整方法的流程示意图，该方法可以应用在美容仪器上，该方法包括如下步骤：s101，在检测到与用户脸部的距离在预设距离范围内的情况下，获取用户的局域脸部图像。
32.本技术实施例中，用户具体是指操作美容仪器的用户；用户脸部为美容仪器实施或作用的对象。预设距离范围是指预设的能够清楚拍摄到用户的局部脸部区域的距离范围；即在预设距离范围内，用户的局部脸部区域可以在美容仪器的摄像头内清楚成像。预设距离范围可以被预先存储在美容仪器中，当检测到与用户脸部的距离在预设距离范围内，则可以开启摄像头，拍摄处于摄像头的拍摄视角范围内的用户脸部，从而得到用户的局域脸部图像。
33.本技术实施例中，用户的局部脸部区域是指用户的部分脸部所属的区域。
34.s102，对用户的局域脸部图像进行识别检测，以确定局域脸部图像对应的脸部肌肤所属的目标肌肤类型。
35.这里，目标肌肤类型指的是局域脸部图像对应的脸部肌肤所属的肌肤类型，用于
指示该局域脸部图像对应的脸部肌肤的肌肤状态，如痘痘型肌肤、黑头型肌肤、毛孔粗大型肌肤、水肿型肌肤，等等。
36.其中，肌肤类型的种类与美容仪器的工作模式相关联；在一些可能的实施方式中，肌肤类型可以与美容仪器的工作模式一一对应，即一种工作模式适用于一种肌肤类型的肌肤；在另一些可能的实施方式中，多种肌肤类型对应一种工作模式，即一种工作模式适用于多种肌肤类型的肌肤；在又一些可能的实施方式中，一种肌肤类型对应多种工作模式，即多种工作模式均适用于一种肌肤类型的肌肤。应理解的是，某种工作模式适用于某种肌肤类型的肌肤指是美容仪器以该工作模式工作于该肌肤类型的脸部肌肤上时，能够对该肌肤类型的脸部肌肤起到某种有益的作用，如美白、去红肿、消水肿等。工作模式与肌肤类型之间的关联关系可取决于美容仪器的具体设计，本技术不做限制。
37.本技术实施例中，可以通过图像识别的方式对用户的局域脸部图像进行识别检测，以确定目标肌肤类型。有关于对用户的局域脸部图像进行识别检测的具体实现方式，可参考后续描述。
38.s103，确定与目标肌肤类型相匹配的目标工作模式。
39.如前所述，工作模式与肌肤类型的关联关系取决于美容仪器的具体设计，具体实现中，可根据美容仪器的具体设计预先建立工作模式与肌肤类型之间的匹配关系，则可以根据工作模式与肌肤类型之间的匹配关系确定与目标肌肤类型相匹配的目标工作模式。
40.s104，以目标工作模式在局域脸部图像对应的脸部肌肤上工作。
41.在上述方案中，在与用户脸部的距离在预设距离范围内的情况下，获取用户的局域脸部图像，并对局域脸部图像进行识别检测，确定局域脸部图像对应的脸部肌肤所属的目标肌肤类型，实现了对当前操作的脸部肌肤的肌肤类型检测；然后确定与目标肌肤类型相匹配的目标工作模式，以目标工作模式在局域脸部图像对应的脸部肌肤上工作，完成了肌肤类型与工作模式的自适应匹配与选择，无需用户手动选择工作模式，另外，由于是在确定了当前操作的脸部肌肤的肌肤类型后选择的与肌肤类型相匹配的工作模式工作，使得工作模式能够匹配于当前操作的脸部肌肤的肌肤类型，可以避免造成对用户肌肤造成损伤。
42.在一些可能的实施方式中，可以基于结合了机器学习的图像识别的方式对局域脸部图像进行识别检测，以确定局域脸部图像对应的脸部肌肤所属的目标肌肤类型，参见以下图2-图4的实施例。
43.图2是本技术实施例提供的一种确定局域脸部图像对应的脸部肌肤所属的目标肌肤类型的方法的流程示意图，该方法可以应用在美容仪器上，如图2所示，该方法包括如下步骤：s201，通过肌肤特征提取网络提取局域脸部图像的肌肤特征，以得到局域脸部图像对应的肌肤特征向量。
44.这里，肌肤特征提取网络为用于提取肌肤特征的特征提取网络。具体地，肌肤特征提取网络可以为基于vgg、inception、resnet等网络架构的肌肤特征提取网络。其中，通过肌肤特征提取网络提取到的肌肤特征可以以特征矩阵的形式存在，肌肤特征对应的特征矩阵由局域脸部图像中的各个像素值组成的像素值矩阵（指矩阵中的一个数值代表一个局域脸部图像中的像素值）经过一系列矩阵转化处理逻辑得到，如经过多次卷积、池化得到。在经过一系列矩阵转化处理逻辑后，局域脸部图像的各种肌肤特征（如颜色特征、纹理特征
等）能够得以凸显，从而能够有助于确定局域脸部图像对应的脸部肌肤所属的肌肤类型。
45.在通过肌肤特征提取网络提取到局域脸部图像的肌肤特征后，对肌肤特征对应的特征矩阵按行进行拼接，即可得到局域脸部图像对应的肌肤特征向量。
46.s202，将肌肤特征向量与预设的n种肌肤特征中心进行相似度计算。
47.这里，肌肤特征中心为维度与局域脸部图像对应的肌肤特征向量的维度相等的，分别用于表征各种肌肤类型的脸部肌肤的肌肤特征的向量。一种肌肤特征中心用于表征一种肌肤类型的脸部肌肤的肌肤特征。n等于预先设置的肌肤类型的总数量，n的具体取值与美容仪器所包含的工作模式有关。其中，肌肤特征向量的向量维度是指一个肌肤特征向量中的数值的个数。
48.在一种可行的实施方式中，可以计算肌肤特征向量与各个肌肤特征中心的欧式距离，以确定肌肤特征向量与各个肌肤特征中心的相似度。其中，欧式距离与相似度负相关，即欧式距离越大，相似度越小。
49.在另一种可能的实施方式中，也可以计算肌肤特征向量与各个肌肤特征中心的余弦相似系数，以确定肌肤特征向量与各个肌肤特征中心的相似度。其中，余弦相似系数与相似度正相关，即余弦相似度越大，相似度越大。
50.不限于上述两种实施方式，在可选实施方式中，还可以通过计算肌肤特征向量与各个肌肤特征中心的明式距离、曼哈顿距离、海明距离、皮尔森相关系数、jaccard相似系数，以确定肌肤特征向量与各个肌肤特征中心的相似度。
51.进一步地，还可以通过计算多种距离和/或多种相似系数的方式联合确定肌肤特征向量与各个肌肤特征中心的相似度。例如，可以计算肌肤特征向量与各个肌肤特征中心的欧式距离和明式距离，以确定肌肤特征向量与各个肌肤特征中心的相似度；或者，可以计算肌肤特征向量与各个肌肤特征中心的欧式距离和余弦相似系数，以确定肌肤特征向量与各个肌肤特征中心的相似度；又或者，可以计算肌肤特征向量与各个肌肤特征中心的欧式距离、海明距离和皮尔森相关系数，以确定肌肤特征向量与各个肌肤特征中心的相似度。不限于这里的描述。通过计算多种距离和/或多种相似系数的方式联合确定肌肤特征向量与各个肌肤特征中心的相似度，可以从不同衡量角度对肌肤特征向量与预设的n种肌肤特征中心之间的相似度进行衡量，从而有利于更精准地计算和确定肌肤特征向量与预设的n种肌肤特征中心之间的相似度，提高整体的精确度。
52.s203，在预设的n种肌肤特征中心中确定与肌肤特征向量的相似度最大的第一肌肤特征中心。
53.在通过单一距离（指前述提到的欧式距离、明式距离等）计算肌肤特征向量与n种肌肤特征中心的相似度的情况下，可以将距离最小的肌肤特征中心确定为第一肌肤特征中心。
54.在通过单一相似系数（指前述提到的余弦相似系数、jaccard相似系数等）计算肌肤特征向量与n种肌肤特征中心的情况下，可以将相似系数最大的肌肤特征中心确定为第一肌肤特征中心。
55.在通过多种距离和/或多种相似系数的方式联合计算肌肤特征向量与各个肌肤特征中心的相似度，可以分别确定通过各种方式确定的相似度最大的肌肤特征中心，将最大频次的相似度最大的肌肤特征中心确定为第一肌肤特征中心，频次是指被确定为相似度最
大的肌肤特征中心的次数。
56.例如，分别计算肌肤特征向量与各个肌肤特征中心的欧式距离、海明距离和皮尔森相关系数，以确定肌肤特征向量与各个肌肤特征中心的相似度，其中，通过计算欧式距离所确定的相似度最大的肌肤特征中心，以及，与通过计算海明距离所确定的相似度最大的肌肤特征中心均为肌肤特征中心a，通过皮尔森相关系数所确定的相似度最大的肌肤特征中心为肌肤特征中心b，则肌肤特征中心a的频次为2，肌肤特征中心b的频次为1，最终将肌肤特征中心a的频次确定为第一肌肤特征中心。
57.s204，将第一肌肤特征中心对应的肌肤类型确定为目标肌肤类型。
58.在上述方案中，在通过肌肤特征提取网络提取局域脸部图像的肌肤特征，得到局域脸部图像对应的肌肤特征向量后，再通过将肌肤特征向量与用于表征各种肌肤类型的肌肤特征的肌肤特征中心进行相似度计算，并将最大相似度对应的肌肤特征中心所对应的肌肤类型确定为局域脸部图像对应的脸部肌肤所属的目标肌肤类型，实现了对局域脸部图像所属肌肤类型的识别，方式简单，运算量较小，可以适用于各种计算能力的设备。
59.图3是本技术实施例提供的另一种确定局域脸部图像对应的脸部肌肤所属的目标肌肤类型的方法的流程示意图，该方法可以应用在美容仪器上，如图3所示，该方法包括如下步骤：s301，通过肌肤特征提取网络提取用户的局域脸部图像的肌肤特征，以得到用户的局域脸部图像对应的肌肤特征向量。
60.关于步骤s301的有关介绍，可参考前述步骤s201的描述，此处不再赘述。
61.s302，通过预设的多棵肌肤类型分类树分别对肌肤特征向量进行肌肤类型识别，以确定多棵肌肤类型分类树中每棵肌肤类型分类树的肌肤类型投票结果。
62.本技术实施例中，肌肤类型分类树为预先设置的用于识别肌肤特征向量具体属于哪种肌肤类型的脸部肌肤的特征向量的分类树，肌肤类型分类树的肌肤类型投票结果是指该肌肤类型分类树对肌肤特征向量进行肌肤类型识别得到的结果，该结果可以用于表征肌肤特征向量对应的脸部肌肤所属的肌肤类型。其中，一棵肌肤类型分类树所包含的投票数量为1。在得到一棵肌肤类型分类树的肌肤类型分类结果后，则将该肌肤类型分类结果指示的肌肤类型的得票数加1，从而可以得到各种肌肤类型的得票数。例如，肌肤类型分类树用于识别肌肤类型a和肌肤类型b，肌肤类型分类树的肌肤类型识别结果指示的肌肤类型为肌肤类型a，则将肌肤类型a的得票数加1。按照相同的方式对每棵肌肤类型分类树的肌肤类型分类结果所指示的肌肤类型进行得票数累加，则可以得到各种肌肤类型的得票数。
63.在一些可能的实施方式中，一棵肌肤类型分类树可以用于识别两种肌肤类型。具体地，该肌肤类型分类树可以为基于符号函数构造的分类树，则可以根据如下公式确定肌肤类型识别结果：f（x）=sign（wx b），其中， x=（x1，x2，
…
，x
q
）为肌肤特征向量，q等于肌肤特征向量的维度，w=（w1，w2，
…
，w
q
）为肌肤特征向量对应的权重参数，b为偏置参数。将上述公式展开得到的公式为f（x）=sign（w1x1 w2x2
…
w
q
x
q
b）。
64.f（x）计算的结果包括1和-1两种情况，1和-1分别代表两种肌肤类型，若计算得到的结果为1，则确定为肌肤类型分类树可识别的两种肌肤类型中的其中一种肌肤类型，若计算得到的结果为-1，则确定为肌肤类型分类树可识别的两种肌肤类型中的另一种肌肤类
型；至于1和-1分别代表哪种肌肤类型，取决于w、b以及q的取值。w、b以及q的取值与技术方案的具体设计有关，本技术不做限制。
65.在对每棵肌肤类型分类树均按照上述方式确定肌肤类型分类结果的情况下，可得到该多棵肌肤类型分类树中每棵肌肤类型分类树的肌肤类型投票结果。
66.需要说明的是，上述q、w以及b的取值与各肌肤类型分类树要识别的两种肌肤类型有关，不同的肌肤类型分类树所对应的q、w以及b的取值可以不同。可根据实际需求（指精度要求、数据处理要求、要识别的肌肤类型等）进行设置，本技术不做限制。
67.s303，根据多棵肌肤类型分类树中每棵肌肤类型分类树的肌肤类型投票结果将得票最高的肌肤类型确定为目标肌肤类型。
68.如前所述，按照相同的方式对每棵肌肤类型分类树的肌肤类型分类结果所指示的肌肤类型进行得票数累加，则可以得到各种肌肤类型的得票数；相应地，根据得票数可确定得票最高的肌肤类型，得票数最高即意味着得票最高。
69.在上述方案中，在通过肌肤特征提取网络提取局域脸部图像的肌肤特征，得到局域脸部图像对应的肌肤特征向量后，通过多棵肌肤类型分类树的投票结果确定肌肤类型，树形结构的运算逻辑简单，通过一种简单的方式即实现了对肌肤类型的判断，可以适用于各种计算能力的设备。
70.图4是本技术实施例提供的又一种确定局域脸部图像对应的脸部肌肤所属的目标肌肤类型的方法的流程示意图，该方法可以应用在美容仪器上，该方法包括如下步骤：s401，通过肌肤特征提取网络提取用户的局域脸部图像的肌肤特征，以得到用户的局域脸部图像对应的肌肤特征向量。
71.s402，通过预设的多棵肌肤类型分类树分别对肌肤特征向量进行肌肤类型识别，以确定多棵肌肤类型分类树中每棵肌肤类型分类树的肌肤类型投票结果，根据多棵肌肤类型分类树中每棵肌肤类型分类树的肌肤类型投票结果将得票最高的肌肤类型确定为第一肌肤类型。
72.这里，步骤s401~s402的具体实现方式可参考前述步骤s301~s303的描述，此处不再赘述。
73.s403，将肌肤特征向量与预设的n种肌肤特征中心进行相似度计算，并在预设的n种肌肤特征中心中确定与肌肤特征向量的相似度最大的第一肌肤特征中心，将第一肌肤特征中心对应的肌肤类型确定为第二肌肤类型，n等于肌肤类型的总数量。
74.这里，步骤s403的具体实现方式可参考前述步骤s202~s203的描述，此处不再赘述。
75.s404，如果第二肌肤类型与第一肌肤类型相同，则将第二肌肤类型或第一肌肤类型确定为目标肌肤类型。
76.在上述方案中，在通过肌肤特征提取网络提取局域脸部图像的肌肤特征，得到局域脸部图像对应的肌肤特征向量后，通过两种方式分别确定局域脸部图像对应的脸部肌肤所属的肌肤类型，在两种方式确定的肌肤类型一致的情况下才确定为目标肌肤类型，保证确定的肌肤类型更为准确有效；另外，由于两种确定肌肤类型的方式只需要进行线性计算或相似度计算即可确定肌肤类型，需要的计算量相对较小，因此可以起到兼顾计算速度和准确率的作用。
77.可选地，如果第一肌肤类型与第二肌肤类型不同，则以默认工作模式在局域脸部图像对应的脸部肌肤工作。其中，默当工作模式是指预先设置的对皮肤的作用较为温和的工作模式，可以理解为是适用于肌肤状态很差（如肌肤红肿破损等情况）的脸部肌肤的工作模式。通过两种方式确定的局域脸部图像对应的脸部肌肤所属的肌肤类型不同时，说明该脸部肌肤的情况较复杂，以默认工作模式在局域脸部图像对应的脸部肌肤上工作，可以避免造成对用户肌肤造成损伤在一些可能的场景中，上述图2和图4对应的实施例中的n种肌肤特征中心可以为预先通过大量局域脸部图像样本训练得到的。上述方法还可以包括对大量局域脸部图像样本进行训练，得到n种肌肤特征中心的步骤。参见图5，图5是本技术实施例提供的一种确定n种肌肤特征中心的方法的流程示意图，如图5所示，该方法包括如下步骤：s501，分别获取n个肌肤类型各自对应的多张局域脸部图像样本，以得到第二图像样本集。
78.这里，局域脸部图像样本是指被用作训练样本的局域脸部图像，局域脸部图像样本与前述步骤s101中的局域脸部图像的规格和采集方式相同。第二图像样本集是指由属于不同肌肤类型的脸部肌肤对应的多张局域脸部图像样本组成的训练样本集合，其中，每个肌肤类型对应的局域脸部图像样本有多张。
79.举例来进行说明，例如，n等于3，3种肌肤类型分别为痘痘型，黑头型、水肿型；则可以分别获取属于痘痘型肌肤的局域脸部图像多张、属于黑头型肌肤的局域脸部图像多张、属于水肿型肌肤的局域脸部图像多张，获取到的所有局域脸部图像组成第二图像样本集。
80.s502，通过肌肤特征提取网络分别提取第二图像样本集中的各张局域脸部图像样本的肌肤特征，以得到由多个肌肤特征向量样本组成的第二特征样本集。
81.这里，肌肤特征向量样本是指作为训练样本的肌肤特征向量。通过肌肤特征提取网络提取第二图像样本集中的每张局域脸部图像样本的肌肤特征的方式可参考步骤s201的描述，此处不再赘述。将各个肌肤特征向量样本组成集合，则得到第二特征样本集。
82.s503，从第二特征样本集中选取n个肌肤特征向量样本作为n个聚类簇的聚类中心。
83.这里，可以从第二特征样本集中随机选取n个肌肤特征向量样本作为n个聚类簇的聚类中心。
84.s504，分别计算第二特征样本集中的每个肌肤特征向量样本与每个聚类中心的相似度。
85.具体地，计算第二特征样本集中的一个肌肤特征向量样本与一个聚类中心的相似度的方式可以与前述步骤s202中计算肌肤特征向量与一个肌肤特征中心的相似度的方式相同，可参考前述描述，此处不再赘述。在按照与步骤s202相同的方式计算完各个肌肤特征向量样本与各个聚类中心的相似度后，每个肌肤特征向量样本均对应n个相似度。
86.s505，将第一肌肤特征向量样本划分到第一聚类中心所在的聚类簇中，以将第二特征样本集中的所有肌肤特征向量样本均划分至不同的聚类簇。
87.这里，第一肌肤特征向量为第二特征样本集中的任一肌肤特征向量样本，第一聚类中心为与第一肌肤特征向量样本的相似度最高的聚类中心。确定与第一肌肤特征向量样本的相似度最高的聚类中心的方式可以与前述步骤s203中确定与肌肤特征向量样本的相
似度最大的第一肌肤特征中心的方式相同，可参考前述描述，此处不再赘述。
88.在将第二特征样本集中的所有肌肤特征向量样本均按照第一肌肤特征向量的划分方式，划分到聚类簇中后，可以将第二特征样本集中的所有肌肤特征向量样本均划分至不同的聚类簇。
89.s506，更新每个聚类簇的聚类中心。
90.具体地，可以通过以下方式更新每个聚类簇的聚类中心：一、计算目标聚类簇中的肌肤特征向量样本在各个向量维度上的均值，以得到目标聚类簇对应的向量样本均值，目标聚类簇为n个聚类簇中的任一聚类簇。
91.这里，目标聚类簇中的肌肤特征向量样本在各个向量维度上的均值，是指，按维度将属于一个维度的各个肌肤特征向量样本的值进行相加求均值，从而得到该维度上的均值。举例来进行说明，例如，肌肤特征向量样本的维度为5（即一个脸部特征特征向量样本包括5个值），目标聚类簇中的肌肤特征向量样本有4个，分别为肌肤特征向量样本1（a1，b1，c1，d1，e1），肌肤特征向量样本2（a2，b2，c2，d2，e2），肌肤特征向量样本3（a3，b3，c3，d3，e3），肌肤特征向量样本4（a4，b4，c4，d4，e4），则目标聚类簇中的肌肤特征向量样本在各个向量维度上的均值分别为（a1 a2 a3 a4）/4，（b1 b2 b3 b4）/4，（c1 c2 c3 c4）/4，（d1 d2 d3 d4）/4，（e1 e2 e3 e4）/4，目标聚类簇对应的向量样本均值为（（a1 a2 a3 a4）/4，（b1 b2 b3 b4）/4，（c1 c2 c3 c4）/4，（d1 d2 d3 d4）/4，（e1 e2 e3 e4）/4）。
92.二、将各个聚类簇的簇中心更新为各个聚类簇对应的向量样本均值。
93.分别按照计算目标聚类簇中的肌肤特征向量样本在各个向量维度上的均值的方式计算各个目标聚类簇中的肌肤特征向量样本在各个向量维度上的均值，可得到各个聚类簇对应的向量样本均值。
94.s507，判断是否满足第一终止条件。
95.这里，第一终止条件可以为：每个聚类簇的聚类中心保持不变，或者，聚类簇的聚类中心的更新次数达到预设更新次数。其中，每个聚类的聚类中心保持不变是指当前更新得到的簇中心与上一次更新得到的簇中心保持一致。聚类簇的聚类中心的更新次数可以理解为步骤s506的执行次数。
96.其中，若满足第一终止条件，则执行步骤s508，若不满足第一终止条件，则执行步骤s504。
97.s508，将更新得到的n个聚类中心确定为预设的n种肌肤特征中心。
98.在上述方案中，基于获取到的各个肌肤类型各自对应的脸部图像样本，通过肌肤特征提取网络提取各脸部图像样本的肌肤特征，得到由多个肌肤特征向量样本组成的特征样本集，通过对特征样本集进行聚类得到聚类簇，并多次将各个聚类簇的聚类中心更新为各个聚类簇中的肌肤特征向量样本的向量样本均值，实现了对各个图像样本的精准群组划分，从而可以找到最能表征各个肌肤类型的聚类中心，有助于提高确定局域脸部图像所属肌肤类型的精度。
99.在一些可能的场景中，上述图3和图4对应的实施例中的多棵肌肤类型分类树可以为预先通过大量局域脸部图像样本训练得到的，上述方法还可以上述方法还可以包括对大量局域脸部图像样本进行训练，得到肌肤类型分类树的步骤。参见图6，图6是本技术实施例提供的一种建立肌肤类型分类树的方法的流程示意图，其中，本技术实施例中涉及的肌肤
类型分类树为二分类树，即一棵肌肤类型分类树用于识别两种肌肤类型；如图6所示，该方法包括如下步骤：s601，将n种肌肤类型两两进行组合，以得到多种肌肤类型组合。
100.这里，n种肌肤类型是指根据美容仪器的工作模式预先设置的肌肤类型，n的具体取值与美容仪器所包含的工作模式有关。将n种肌肤类型两两进行组合，得到的肌肤类型组合的数量为。
101.例如，n=3，3种肌肤类型分别为痘痘型，黑头型、水肿型，则将痘痘型与黑头型组合得到肌肤类型组合1，将痘痘型与水肿型组合得到肌肤类型组合2，将黑头型与水肿型组合得到肌肤类型组合3，也即组合得到3种肌肤类型组合。
102.s602，分别为多种肌肤类型组合中的各种肌肤类型组合构建目标二分类函数。
103.这里，目标二分类函数为关于肌肤特征向量的二分类函数。有关于肌肤特征向量的二分类函数是指以肌肤特征向量作为自变量的函数、以肌肤类型作为因变量的函数。
104.在一种可行的实施方式中，目标二分类函数可以为f（x）=sign（wx b），其中，其中， x=（x1，x2，
…
，x
q
）为肌肤特征向量，q等于肌肤特征向量的维度，w=（w1，w2，
…
，w
q
）为肌肤特征向量对应的权重参数，b为偏置参数。本技术实施例中，w和b均为待求解的未知数。
105.s603，获取第一肌肤类型组合中的两种肌肤类型各自对应的多张局域脸部图像样本，以得到第一图像样本集。
106.这里，第一肌肤类型组合为多种肌肤类型组合中的任一肌肤类型组合。例如，第一肌肤类型组合为前述步骤s601中的肌肤类型组合1，则分别获取痘痘型肌肤对应的多张局域脸部图像样本和黑头型肌肤对应的多张局域脸部图像样本，组成肌肤类型组合1对应的第一图像样本集。
107.s604，通过肌肤特征提取网络分别提取第一图像样本集中的各张局域脸部图像样本的肌肤特征，以得到由多个肌肤特征向量样本组成的第一特征样本集。
108.这里，肌肤特征向量样本的定义可参考前述步骤s502，通过肌肤特征提取网络分别提取第一图像样本集中的各张局域脸部图像样本的肌肤特征，以得到由多个肌肤特征向量样本组成的第一特征样本集的方式可以参考步骤s201的描述，此处不再赘述。将提取得到的各个肌肤特征向量样本组成集合，则可得到第一特征样本集。
109.s605，分别对第一图像样本集中的各张局域脸部图像样本进行肌肤类型标识，得到各张局域脸部图像样本对应的肌肤类型标识。
110.本技术实施例中，第一图像样本集对应两种肌肤类型标识，同一种肌肤类型对应的局域脸部图像样本的肌肤类型标识相同，不同种肌肤类型对应的局域脸部图像样本的肌肤类型标识不同。例如，第一图像样本集由前述步骤s603提到的痘痘型肌肤对应的多张局域脸部图像样本和黑头型肌肤对应的多张局域脸部图像样本组成，则痘痘型肌肤对应的多张局域脸部图像样本的肌肤类型标识相同，黑头型肌肤对应的多张局域脸部图像样本的肌肤类型标识相同，痘痘型肌肤对应的局域脸部图像样本与黑头型肌肤对应的局域脸部图像样本不同。
111.具体地，在目标二分类函数为前述提到的f（x）=sign（wx b）的情况下，第一图像样本集对应两种肌肤类型标识可以分别为1和-1。例如，可以将痘痘型肌肤对应的所有局域脸部图像样本均标识为1，将黑头型肌肤对应的所有局域脸部图像样本均标识为-1；或者，可
以将痘痘型肌肤对应的所有局域脸部图像样本均标识为-1，将黑头型肌肤对应的所有局域脸部图像样本均标识为1。
112.s606，以第一特征样本集中的各个肌肤特征向量样本，和各个肌肤特征向量样本对应的肌肤类型标识为训练样本，确定使训练样本满足预设条件的目标参数值。
113.本技术实施例中，以第一特征样本集中的各个肌肤特征向量样本，和各个特征向量对应的肌肤类型标识作为训练样本实质是指将第一特征样本集中的各个肌肤特征向量样本与各个肌肤特征向量样本对应的肌肤类型标识作为多维空间的坐标值，将各个肌肤特征向量样本，和肌肤类型标识集中的各个肌肤类型标识映射到多维空间中。多维空间中的元素可以表示为（x，y），x即为肌肤特征向量，y为肌肤类型标识；各个肌肤特征向量样本，和各个特征向量对应的肌肤类型标识映射到多维空间后可以表示为（x1，y1），（x2，y2），
…
，（xm，ym），m等于第一图像样本集中的局域脸部图像样本的总数量，也即训练样本的总数量。
114.在将各个肌肤特征向量样本，和肌肤类型标识集中的各个肌肤类型标识映射到多维空间中之后，再在多维空间中找到可以将两种类型的元素（指y不同的两种元素）完全区分开的超平面，将超平面对应的参数值确定为使训练样本满足预设条件的目标参数值，目标参数值指目标二分类函数中的参数值。
115.在一种可行的实施方式中，在目标二分类函数为前述提到的f（x）=sign（wx b）的情况下，预设条件可以为：所有训练样本的几何间隔的最小值达到最大值。例如，一个训练样本的几何间隔为r，则所有训练样本的几何间隔的最小值为min（r1，r2，
…
，rm），即为r1~rm中的最小值；所有几何间隔的最小值达到最大值，是指使min（r1，r2，
…
，rm）最大化。
116.具体地，确定训练样本满足预设条件的目标参数值的过程如下：首先可以将预设条件转化为对（）求解最小值，w
t
是指w=（w1，w2，
…
，w
q
）的转置矩阵，其中，约束条件为yi（w
·
xi b）≥1，1≤i≤m，其中，yi为第i个训练样本对应的肌肤类型标识，xi为第i个训练样本对应的肌肤特征向量样本。
117.然后使用拉格朗日乘子法将有约束的原始目标函数转换为以下凸优化问题：再将凸优化问题转化为以下对偶问题：，其中，约束条件为。
118.接着通过序列最小化优化算法（sequential minimal optimization，smo）求解拉格朗日向量a=（a1，a2，...，am），最后根据拉格朗日向量求解w和b。
119.s607，将多种肌肤类型组合中的各种肌肤类型组合各自对应的参数值，分别代入各种肌肤类型组合对应的目标二分类函数中，以建立多棵肌肤类型分类树。
120.具体地，将步骤s601得到的多种肌肤类型组合中的每种肌肤类型组合均按照步骤s603~s606的步骤进行参数确定，将求解得到每种肌肤类型组合对应的参数值，再代入步骤s602构建的目标二分类函数中，则可以得到各种肌肤类型组合对应的肌肤类型分类树，得
到的任一棵肌肤类型分类树用于该任一棵肌肤类型分类树对应的肌肤类型组合中包含的两种肌肤类型。
121.在上述方案中，通过预先将各种肌肤类型两两进行组合，得到多种肌肤类型组合，并以符号函数为基础构建有关于肌肤特征向量的目标函数，利用每种肌肤类型组合对应的局域图像样本寻找在多维空间中划分两种训练样本的超平面，使得求解得到的数值能够对两种肌肤类型对应的局域脸部图像进行精准分类，有助于提高肌肤识别的精度。
122.在一些可能的场景中，上述肌肤特征提取网络可以为采用局域脸部图像样本对一个初始的特征提取网络训练调整得到的，上述方法还可以包括如下步骤：获取初始特征提取网络以及多张局域脸部图像样本；根据多张局域脸部图像样本对初始特征提取网络进行训练，得到肌肤特征提取网络。
123.其中，有关于获取多张局域脸部图像样本的方法以及局域脸部图像样本的相关内容，可参考步骤s501的描述。初始特征提取网络可以为任一预先定义好结构的随机网络。根据多张局域脸部图像样本对初始特征提取网络进行训练得到肌肤特征提取网络的具体过程总体描述如下：可以通过初始肌肤特征提取网络对各个局域脸部图像样本进行肌肤特征提取，并通过全连接层预测各个局域脸部图像样本对应的脸部肌肤的肌肤类型，再将预测得到的各个局域脸部图像样本对应的肌肤类型与各个局域脸部图像样本对应的真实肌肤类型进行比较，确定初始特征提取网络的损失，基于初始特征提取网络的损失对初始特征提取网络中的参数进行调整，直至通过初始特征提取网络和全连接层预测确定的各个局域脸部图像样本对应的肌肤类型接近于各个局域脸部图像样本对应的真实肌肤类型，将最后训练得到的初始特征提取网络确定为肌肤特征提取网络。以此确定的肌肤特征提取网络能够适应于局域脸部图像的肌肤特征，提取得到的肌肤特征能够符合局域脸部图像的各种肌肤特征。
124.上述介绍了本技术的方法，为了更好地实施本技术的方法，接下来介绍本技术的装置。
125.参见图7，图7是本技术实施例提供的一种工作模式调整装置的结构示意图，如图所示，该装置70包括：图像获取模块701，用于在检测到与用户脸部的距离在预设距离范围内的情况下，获取用户的局域脸部图像；肌肤类型检测模块702，用于对用户的局域脸部图像进行识别检测，以确定上述局域脸部图像对应的脸部肌肤所属的目标肌肤类型；模式确定模块703，用于确定与肌肤类型相匹配的目标工作模式；工作模块704，用于以目标工作模式在上述局域脸部图像对应的脸部肌肤上工作。
126.在一种可能的设计中，上述肌肤类型检测模块702，具体用于通过肌肤特征提取网络提取用户的局域脸部图像的肌肤特征，以得到用户的局域脸部图像对应的肌肤特征向量；通过预设的多棵肌肤类型分类树分别对肌肤特征向量进行肌肤类型识别，以确定多棵肌肤类型分类树中每棵肌肤类型分类树的肌肤类型投票结果；根据多棵肌肤类型分类树中每棵肌肤类型分类树的肌肤类型投票结果将得票最高的肌肤类型确定为第一肌肤类型；将肌肤特征向量与预设的n种肌肤特征中心进行相似度计算，并在预设的n种肌肤特征中心中确定与肌肤特征向量的相似度最大的第一肌肤特征中心，将第一肌肤特征中心对应的肌肤
类型确定为第二肌肤类型，n等于肌肤类型的总数量；如果第一肌肤类型与第二肌肤类型相同，则将第一肌肤类型或第二肌肤类型确定为目标肌肤类型。
127.在一种可能的设计中，上述工作模块704还用于：如果第一肌肤类型与第二肌肤类型不同，则以默认工作模式在局域脸部图像对应的脸部肌肤工作。
128.在一种可能的设计中，一棵肌肤类型分类树用于识别两种肌肤类型；上述装置70还包括：705组合模块，用于将n种肌肤类型两两进行组合，以得到多种肌肤类型组合；函数构建模块706，用于分别为多种肌肤类型组合中的各种肌肤类型组合构建目标二分类函数，目标二分类函数为关于肌肤特征向量的二分类函数；样本获取模块707，用于获取第一肌肤类型组合中的两种肌肤类型各自对应的多张局域脸部图像样本，以得到第一图像样本集，第一肌肤类型组合为多种肌肤类型组合中的任一肌肤类型组合；特征提取模块708，用于通过肌肤特征提取网络分别提取第一图像样本集中的各张局域脸部图像样本的肌肤特征，以得到由多个肌肤特征向量样本组成的第一特征样本集；标识模块709，用于分别对第一图像样本集中的各张局域脸部图像样本进行肌肤类型标识，得到各张局域脸部图像样本对应的肌肤类型标识；参数确定模块710，用于以第一特征样本集中的各个肌肤特征向量样本，和各个肌肤特征向量样本对应的肌肤类型标识为训练样本，确定使训练样本满足预设条件的目标参数值，目标参数值为：为第一肌肤类型组合构建的目标二分类函数中的参数值；分类树建立模块711，用于将多种肌肤类型组合中的各种肌肤类型组合各自对应的参数值，分别代入各种肌肤类型组合对应的目标二分类函数中，以建立多棵肌肤类型分类树。
129.在一种可能的设计中，上述目标二分类函数为：f（x）=sign（wx b），其中，x=（x1，x2，
…
，x
q
）为肌肤特征向量，q等于肌肤特征向量的维度，w=（w1，w2，
…
，w
q
）为肌肤特征向量对应的权重参数，b为偏置参数；上述预设条件为：所有训练样本的几何间隔的最小值达到最大值。
130.在一种可能的设计中，上述装置70还包括：样本获取模块707，用于分别获取n个肌肤类型各自对应的多张局域脸部图像样本，以得到第二图像样本集；特征提取模块708，用于通过肌肤特征提取网络分别提取第二图像样本集中的各张局域脸部图像样本的肌肤特征，以得到由多个肌肤特征向量样本组成的第二特征样本集；聚类中心选取模块713，用于从第二特征样本集中选取n个肌肤特征向量样本作为n个聚类簇的聚类中心；相似度计算模块714，用于分别计算第二特征样本集中的每个肌肤特征向量样本与每个聚类中心的相似度；样本划分模块715，用于将第一肌肤特征向量样本划分到第一聚类中心所在的聚类簇中，第一肌肤特征向量为第一特征样本集中的任一肌肤特征向量样本，第一聚类中心为与第一肌肤特征向量样本的相似度最高的聚类中心；聚类中心更新模块716，用于在将第二特征样本集中的所有肌肤特征向量样本均划分至不同的聚类簇之后，更新每个聚类簇的聚类中心，并指示相似度计算模块714执行上述分别计算第二特征样本集中的每个肌肤特征向量样本与每个聚类簇的相似度的步骤，直至满足第一终止条件；特征中心确定模块717，用于将最后更新得到的n个聚类中心确定为预设的n种肌肤特征中心。
131.在一种可能的设计中，上述聚类中心更新模块716具体用于：计算目标聚类簇中的肌肤特征向量样本在各个向量维度上的均值，以得到目标聚类簇对应的向量样本均值，目标聚类簇为n个聚类簇中的任一聚类簇；将各个聚类簇的聚类中心更新为各个聚类簇对应的向量样本均值。
132.需要说明的是，图7对应的实施例中未提及的内容可参见方法实施例的描述，这里不再赘述。
133.上述装置，在与用户脸部的距离在预设距离范围内的情况下，获取用户的局域脸部图像，并对局域脸部图像进行识别检测，确定局域脸部图像对应的脸部肌肤所属的目标肌肤类型，实现了对当前操作的脸部肌肤的肌肤类型检测；然后确定与目标肌肤类型相匹配的目标工作模式，以目标工作模式在局域脸部图像对应的脸部肌肤上工作，完成了肌肤类型与工作模式的自适应匹配与选择，无需用户手动选择工作模式，另外，由于是在确定了当前操作的脸部肌肤的肌肤类型后选择的与肌肤类型相匹配的工作模式工作，使得工作模式能够匹配于当前操作的脸部肌肤的肌肤类型，可以避免造成对用户肌肤造成损伤。
134.参见图8，图8是本技术实施例提供的另一种工作模式调整装置的结构示意图，该装置80包括处理器801、存储器802。处理器801连接到存储器802，例如处理器801可以通过总线连接到存储器802。
135.处理器801被配置为支持该装置80执行图1-图6的方法中相应的功能。该处理器801可以是中央处理器（central processing unit， cpu），网络处理器（network processor，np），硬件芯片或者其任意组合。上述硬件芯片可以是专用集成电路（application specific integrated circuit，asic），可编程逻辑器件（programmable logic device，pld）或其组合。上述pld可以是复杂可编程逻辑器件（complex programmable logic device，cpld），现场可编程逻辑门阵列（field-programmable gate array，fpga），通用阵列逻辑（generic array logic，gal）或其任意组合。
136.存储器802用于存储程序代码等。存储器802可以包括易失性存储器（volatile memory，vm），例如随机存取存储器（random access memory， ram）；存储器1002也可以包括非易失性存储器（non-volatile memory，nvm），例如只读存储器（read-only memory， rom），快闪存储器（flash memory），硬盘（hard disk drive， hdd）或固态硬盘（solid-state drive， ssd）；存储器802还可以包括上述种类的存储器的组合。
137.可选地，该装置还可以包括摄像头、红外光、射频光等用于辅助处理器801实现上述功能的硬件。
138.处理器801可以调用所述程序代码以执行以下操作：在检测到与用户脸部的距离在预设距离范围内的情况下，获取用户的局域脸部图像；对用户的局域脸部图像进行识别检测，以确定上述局域脸部图像对应的脸部肌肤所属的目标肌肤类型；确定与肌肤类型相匹配的目标工作模式；以目标工作模式在上述局域脸部图像对应的脸部肌肤上工作。
139.需要说明的是，各个操作的实现还可以对应参照上述方法实施例的相应描述；所述处理器801还可以其他功能硬件配合执行上述方法实施例中的其他操作。
140.本技术实施例还提供一种计算机可读存储介质，所述计算机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，所述程序指令当被计算机执行时使所述计算机执行如前述实施例所述的方法，所述计算机可以为上述提到的面部残留物检测装置的一部分。例如为上述的处理器801。
141.本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于计算机可读取存储介质
中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体（read-only memory，rom）或随机存储记忆体（random access memory，ram）等。
142.以上所揭露的仅为本技术较佳实施例而已，当然不能以此来限定本技术之权利范围，因此依本技术权利要求所作的等同变化，仍属本技术所涵盖的范围。
1.技术领域
2.本技术涉及模式调整领域，尤其涉及工作模式调整方法及相关设备。
3.
背景技术：
4.美容护肤仪器是利用物理、电子技术、光学技术等方法来给用户进行美容，以达到塑性、美白、嫩肤脱毛、祛痘祛斑等效果的电学仪器。美容护肤仪器的工作方式有电流/电脉冲方式、微震动方式、光照方式、热辐射/热传导方式、激光方式等方式。其中，一些美容仪器集成了多种工作模式，可以应对用户的不同美容护理需求。
5.目前，用户只能根据自己的美容护理需求，手动调整美容仪器的工作模式，一方面，手动调整不够方便，另一方面，在用户对自己的肌肤和仪器的工作模式了解程度不够的情况下，错误选择一些工作模式，可能会对用户的肌肤造成损伤。
6.
技术实现要素：
7.本技术提供针对工作模式调整方法及相关设备，以解决目前美容仪器需要用户手动调整所带来的技术问题。
8.第一方面，提供一种工作模式调整方法，该方法包括如下步骤：在检测到与用户脸部的距离在预设距离范围内的情况下，获取用户的局域脸部图像；对用户的局域脸部图像进行识别检测，以确定上述局域脸部图像对应的脸部肌肤所属的目标肌肤类型；确定与肌肤类型相匹配的目标工作模式；以目标工作模式在上述局域脸部图像对应的脸部肌肤上工作。
9.在该技术方案中，在与用户脸部的距离在预设距离范围内的情况下，获取用户的局域脸部图像，并对局域脸部图像进行识别检测，确定局域脸部图像对应的脸部肌肤所属的目标肌肤类型，实现了对当前操作的脸部肌肤的肌肤类型检测；然后确定与目标肌肤类型相匹配的目标工作模式，以目标工作模式在局域脸部图像对应的脸部肌肤上工作，完成了肌肤类型与工作模式的自适应匹配与选择，无需用户手动选择工作模式，另外，由于是在确定了当前操作的脸部肌肤的肌肤类型后选择的与肌肤类型相匹配的工作模式工作，使得工作模式能够匹配于当前操作的脸部肌肤的肌肤类型，可以避免造成对用户肌肤造成损伤。
10.结合第一方面，在一种可能的实现方式中，上述对用户的局域脸部图像进行识别检测，以确定上述局域脸部图像对应的脸部肌肤所属的目标肌肤类型的步骤，具体包括：通过肌肤特征提取网络提取用户的局域脸部图像的肌肤特征，以得到用户的局域脸部图像对应的肌肤特征向量；通过预设的多棵肌肤类型分类树分别对肌肤特征向量进行肌肤类型识别，以确定多棵肌肤类型分类树中每棵肌肤类型分类树的肌肤类型投票结果，根据多棵肌
肤类型分类树中每棵肌肤类型分类树的肌肤类型投票结果将得票最高的肌肤类型确定为第一肌肤类型；将肌肤特征向量与预设的n种肌肤特征中心进行相似度计算，并在预设的n种肌肤特征中心中确定与肌肤特征向量的相似度最大的第一肌肤特征中心，将第一肌肤特征中心对应的肌肤类型确定为第二肌肤类型，n等于肌肤类型的总数量；如果第一肌肤类型与第二肌肤类型相同，则将第一肌肤类型或第二肌肤类型确定为目标肌肤类型。通过两种方式分别确定局域脸部图像对应的脸部肌肤所属的肌肤类型，在两种方式确定的肌肤类型一致的情况下才确定为目标肌肤类型，保证确定的肌肤类型更为准确有效；另外，由于两种确定肌肤类型的方式只需要进行线性计算或相似度计算即可确定肌肤类型，需要的计算量相对较小，因此可以起到兼顾计算速度和准确率的作用。
11.结合第一方面，在一种可能的实现方式中，上述方法还包括：如果第一肌肤类型与第二肌肤类型不同，则以默认工作模式在局域脸部图像对应的脸部肌肤工作。当通过两种方式确定的局域脸部图像对应的脸部肌肤所属的肌肤类型不同时，说明该脸部肌肤的情况较复杂，以默认工作模式在局域脸部图像对应的脸部肌肤上工作，可以避免造成对用户肌肤造成损伤。
12.结合第一方面，在一种可能的实现方式中，一棵肌肤类型分类树用于识别两种肌肤类型；上述通过预设的多棵肌肤类型分类树分别对肌肤特征向量进行肌肤类型识别，以确定多棵肌肤类型分类树中每棵肌肤类型分类树的肌肤类型投票结果之前，还包括：将n种肌肤类型两两进行组合，以得到多种肌肤类型组合；分别为多种肌肤类型组合中的各种肌肤类型组合构建目标二分类函数，目标二分类函数为关于肌肤特征向量的二分类函数；获取第一肌肤类型组合中的两种肌肤类型各自对应的多张局域脸部图像样本，以得到第一图像样本集，第一肌肤类型组合为多种肌肤类型组合中的任一肌肤类型组合；通过肌肤特征提取网络分别提取第一图像样本集中的各张局域脸部图像样本的肌肤特征，以得到由多个肌肤特征向量样本组成的第一特征样本集；分别对第一图像样本集中的各张局域脸部图像样本进行肌肤类型标识，得到各张局域脸部图像样本对应的肌肤类型标识；以第一特征样本集中的各个肌肤特征向量样本，和各个肌肤特征向量样本对应的肌肤类型标识为训练样本，确定使训练样本满足预设条件的目标参数值，目标参数值为：为第一肌肤类型组合构建的目标二分类函数中的参数值；将多种肌肤类型组合中的各种肌肤类型组合各自对应的参数值，分别代入各种肌肤类型组合对应的目标二分类函数中，以建立多棵肌肤类型分类树。通过预先将各种肌肤类型两两进行组合，得到多种肌肤类型组合，利用每种肌肤类型组合对应的局域图像样本来为每种肌肤类型组合构建分类树，从而得到用于对两种肌肤类型进行识别分类的分类树，大量的局域图像样本使得构建得到的分类树的准确度足够高，从而保证了肌肤类型识别的精确度。
13.结合第一方面，在一种可能的实现方式中，上述目标二分类函数为：f（x）=sign（wx b），其中，x=（x1，x2，
…
，x
q
）为肌肤特征向量，q等于肌肤特征向量的维度，w=（w1，w2，
…
，w
q
）为肌肤特征向量对应的权重参数，b为偏置参数；上述预设条件为：所有训练样本的几何间隔的最小值达到最大值。通过以符号函数为基础构建有关于肌肤特征向量的目标二分类函数，并设置训练达标的条件为所有训练样本的几何间隔的最小值达到最大值，使得求解得到的参数值能够对两种肌肤类型对应的局域脸部图像进行精准分类，有助于提高肌肤识别的精度。
14.结合第一方面，在一种可能的实现方式中，上述将肌肤特征向量与预设的n种肌肤特征中心进行相似度计算之前，还包括：分别获取n个肌肤类型各自对应的多张局域脸部图像样本，以得到第二图像样本集；通过肌肤特征提取网络分别提取第二图像样本集中的各张局域脸部图像样本的肌肤特征，以得到由多个肌肤特征向量样本组成的第二特征样本集；从第二特征样本集中选取n个肌肤特征向量样本作为n个聚类簇的聚类中心；分别计算第二特征样本集中的每个肌肤特征向量样本与每个聚类中心的相似度；将第一肌肤特征向量样本划分到第一聚类中心所在的聚类簇中，第一肌肤特征向量为第一特征样本集中的任一肌肤特征向量样本，第一聚类中心为与第一肌肤特征向量样本的相似度最高的聚类中心；在将第二特征样本集中的所有肌肤特征向量样本均划分至不同的聚类簇之后，更新每个聚类簇的聚类中心，并执行上述分别计算第二特征样本集中的每个肌肤特征向量样本与每个聚类簇的相似度的步骤，直至满足第一终止条件；将最后更新得到的n个聚类中心确定为预设的n种肌肤特征中心。通过预先获取各种肌肤类型对应的图像样本，并利用这些图像样本找到最能表征各个肌肤类型的聚类中心作为肌肤特征中心，有利于在识别局域脸部图像所属的肌肤类型时，提高识别的精度。
15.结合第一方面，在一种可能的实现方式中，上述更新每个聚类簇的聚类中心的步骤，具体包括：计算目标聚类簇中的肌肤特征向量样本在各个向量维度上的均值，以得到目标聚类簇对应的向量样本均值，目标聚类簇为n个聚类簇中的任一聚类簇；将各个聚类簇的聚类中心更新为各个聚类簇对应的向量样本均值。通过多次将各个聚类簇的聚类中心更新为各个聚类簇中的肌肤特征向量样本的向量样本均值，可以实现对各个图像样本的精准群组划分，从而可以找到最能表征各个肌肤类型的聚类中心。
16.第二方面，提供一种工作模式调整装置，包括：图像获取模块，用于在检测到与用户脸部的距离在预设距离范围内的情况下，获取用户的局域脸部图像；肌肤类型检测模块，用于对用户的局域脸部图像进行识别检测，以确定上述局域脸部图像对应的脸部肌肤所属的目标肌肤类型；模式确定模块，用于确定与肌肤类型相匹配的目标工作模式；工作模块，用于以目标工作模式在上述局域脸部图像对应的脸部肌肤上工作。
17.结合第二方面，在一种可能的设计中，上述肌肤类型检测模块，具体用于通过肌肤特征提取网络提取用户的局域脸部图像的肌肤特征，以得到用户的局域脸部图像对应的肌肤特征向量；通过预设的多棵肌肤类型分类树分别对肌肤特征向量进行肌肤类型识别，以确定多棵肌肤类型分类树中每棵肌肤类型分类树的肌肤类型投票结果；根据多棵肌肤类型分类树中每棵肌肤类型分类树的肌肤类型投票结果将得票最高的肌肤类型确定为第一肌肤类型；将肌肤特征向量与预设的n种肌肤特征中心进行相似度计算，并在预设的n种肌肤特征中心中确定与肌肤特征向量的相似度最大的第一肌肤特征中心，将第一肌肤特征中心对应的肌肤类型确定为第二肌肤类型，n等于肌肤类型的总数量；如果第一肌肤类型与第二肌肤类型相同，则将第一肌肤类型或第二肌肤类型确定为目标肌肤类型。
18.结合第二方面，在一种可能的设计中，上述工作模块还用于：如果第一肌肤类型与第二肌肤类型不同，则以默认工作模式在局域脸部图像对应的脸部肌肤工作。
19.结合第二方面，在一种可能的设计中，一棵肌肤类型分类树用于识别两种肌肤类
型；上述装置还包括：组合模块，用于将n种肌肤类型两两进行组合，以得到多种肌肤类型组合；函数构建模块，用于分别为多种肌肤类型组合中的各种肌肤类型组合构建目标二分类函数，目标二分类函数为关于肌肤特征向量的二分类函数；样本获取模块，用于获取第一肌肤类型组合中的两种肌肤类型各自对应的多张局域脸部图像样本，以得到第一图像样本集，第一肌肤类型组合为多种肌肤类型组合中的任一肌肤类型组合；特征提取模块，用于通过肌肤特征提取网络分别提取第一图像样本集中的各张局域脸部图像样本的肌肤特征，以得到由多个肌肤特征向量样本组成的第一特征样本集；标识模块，用于分别对第一图像样本集中的各张局域脸部图像样本进行肌肤类型标识，得到各张局域脸部图像样本对应的肌肤类型标识；参数确定模块，用于以第一特征样本集中的各个肌肤特征向量样本，和各个肌肤特征向量样本对应的肌肤类型标识为训练样本，确定使训练样本满足预设条件的目标参数值，目标参数值为：为第一肌肤类型组合构建的目标二分类函数中的参数值；分类树建立模块，用于将多种肌肤类型组合中的各种肌肤类型组合各自对应的参数值，分别代入各种肌肤类型组合对应的目标二分类函数中，以建立多棵肌肤类型分类树。
20.结合第二方面，在一种可能的设计中，上述目标二分类函数为：f（x）=sign（wx b），其中，x=（x1，x2，
…
，x
q
）为肌肤特征向量，q等于肌肤特征向量的维度，w=（w1，w2，
…
，w
q
）为肌肤特征向量对应的权重参数，b为偏置参数；上述预设条件为：所有训练样本的几何间隔的最小值达到最大值。
21.结合第二方面，在一种可能的设计中，上述装置还包括：样本获取模块，用于分别获取n个肌肤类型各自对应的多张局域脸部图像样本，以得到第二图像样本集；特征提取模块，用于通过肌肤特征提取网络分别提取第二图像样本集中的各张局域脸部图像样本的肌肤特征，以得到由多个肌肤特征向量样本组成的第二特征样本集；聚类中心选取模块，用于从第二特征样本集中选取n个肌肤特征向量样本作为n个聚类簇的聚类中心；相似度计算模块，用于分别计算第二特征样本集中的每个肌肤特征向量样本与每个聚类中心的相似度；样本划分模块，用于将第一肌肤特征向量样本划分到第一聚类中心所在的聚类簇中，第一肌肤特征向量为第一特征样本集中的任一肌肤特征向量样本，第一聚类中心为与第一肌肤特征向量样本的相似度最高的聚类中心；聚类中心更新模块，用于在将第二特征样本集中的所有肌肤特征向量样本均划分至不同的聚类簇之后，更新每个聚类簇的聚类中心，并指示相似度计算模块执行上述分别计算第二特征样本集中的每个肌肤特征向量样本与每个聚类簇的相似度的步骤，直至满足第一终止条件；特征中心确定模块，用于将最后更新得到的n个聚类中心确定为预设的n种肌肤特征中心。
22.结合第二方面，在一种可能的设计中，上述聚类中心更新模块具体用于：计算目标聚类簇中的肌肤特征向量样本在各个向量维度上的均值，以得到目标聚类簇对应的向量样本均值，目标聚类簇为n个聚类簇中的任一聚类簇；将各个聚类簇的聚类中心更新为各个聚类簇对应的向量样本均值。
23.第三方面，提供另一种工作模式调整装置，包括存储器以及一个或多个处理器，一个或多个处理器用于执行存储在存储器中的一个或多个计算机程序，一个或多个处理器在执行一个或多个计算机程序时，使得该装置实现上述第一方面的工作模式调整方法。
24.第四方面，提供一种计算机可读存储介质，计算机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，所述程序指令当被处理器执行时使所述处理器执行上述第
一方面的工作模式调整方法。
25.本技术可以实现如下有益效果：完成肌肤类型与工作模式的自适应匹配与选择，无需用户手动选择工作模式；工作模式能够匹配于当前操作的脸部肌肤的肌肤类型，避免造成对用户肌肤造成损伤。
26.附图说明
27.图1为本技术实施例提供的一种工作模式调整方法的流程示意图；图2是本技术实施例提供的一种确定局域脸部图像对应的脸部肌肤所属的目标肌肤类型的方法的流程示意图；图3是本技术实施例提供的另一种确定局域脸部图像对应的脸部肌肤所属的目标肌肤类型的方法的流程示意图；图4是本技术实施例提供的又一种确定局域脸部图像对应的脸部肌肤所属的目标肌肤类型的方法的流程示意图；图5是本技术实施例提供的一种确定n种肌肤特征中心的方法的流程示意图；图6是本技术实施例提供的一种建立肌肤类型分类树的方法的流程示意图；图7是本技术实施例提供的一种工作模式调整装置的结构示意图；图8是本技术实施例提供的另一种工作模式调整装置的结构示意图。
28.具体实施方式
29.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行描述。
30.本技术的技术方案适用于利用美容仪器进行美容护肤的场景。其中，美容仪器具体可以为用于洗脸护肤的洗脸仪、用于美白祛斑的激光仪或射频仪、用于提拉紧致的嫩肤仪，等等，不限于这里的举例。
31.参见图1，图1为本技术实施例提供的一种工作模式调整方法的流程示意图，该方法可以应用在美容仪器上，该方法包括如下步骤：s101，在检测到与用户脸部的距离在预设距离范围内的情况下，获取用户的局域脸部图像。
32.本技术实施例中，用户具体是指操作美容仪器的用户；用户脸部为美容仪器实施或作用的对象。预设距离范围是指预设的能够清楚拍摄到用户的局部脸部区域的距离范围；即在预设距离范围内，用户的局部脸部区域可以在美容仪器的摄像头内清楚成像。预设距离范围可以被预先存储在美容仪器中，当检测到与用户脸部的距离在预设距离范围内，则可以开启摄像头，拍摄处于摄像头的拍摄视角范围内的用户脸部，从而得到用户的局域脸部图像。
33.本技术实施例中，用户的局部脸部区域是指用户的部分脸部所属的区域。
34.s102，对用户的局域脸部图像进行识别检测，以确定局域脸部图像对应的脸部肌肤所属的目标肌肤类型。
35.这里，目标肌肤类型指的是局域脸部图像对应的脸部肌肤所属的肌肤类型，用于
指示该局域脸部图像对应的脸部肌肤的肌肤状态，如痘痘型肌肤、黑头型肌肤、毛孔粗大型肌肤、水肿型肌肤，等等。
36.其中，肌肤类型的种类与美容仪器的工作模式相关联；在一些可能的实施方式中，肌肤类型可以与美容仪器的工作模式一一对应，即一种工作模式适用于一种肌肤类型的肌肤；在另一些可能的实施方式中，多种肌肤类型对应一种工作模式，即一种工作模式适用于多种肌肤类型的肌肤；在又一些可能的实施方式中，一种肌肤类型对应多种工作模式，即多种工作模式均适用于一种肌肤类型的肌肤。应理解的是，某种工作模式适用于某种肌肤类型的肌肤指是美容仪器以该工作模式工作于该肌肤类型的脸部肌肤上时，能够对该肌肤类型的脸部肌肤起到某种有益的作用，如美白、去红肿、消水肿等。工作模式与肌肤类型之间的关联关系可取决于美容仪器的具体设计，本技术不做限制。
37.本技术实施例中，可以通过图像识别的方式对用户的局域脸部图像进行识别检测，以确定目标肌肤类型。有关于对用户的局域脸部图像进行识别检测的具体实现方式，可参考后续描述。
38.s103，确定与目标肌肤类型相匹配的目标工作模式。
39.如前所述，工作模式与肌肤类型的关联关系取决于美容仪器的具体设计，具体实现中，可根据美容仪器的具体设计预先建立工作模式与肌肤类型之间的匹配关系，则可以根据工作模式与肌肤类型之间的匹配关系确定与目标肌肤类型相匹配的目标工作模式。
40.s104，以目标工作模式在局域脸部图像对应的脸部肌肤上工作。
41.在上述方案中，在与用户脸部的距离在预设距离范围内的情况下，获取用户的局域脸部图像，并对局域脸部图像进行识别检测，确定局域脸部图像对应的脸部肌肤所属的目标肌肤类型，实现了对当前操作的脸部肌肤的肌肤类型检测；然后确定与目标肌肤类型相匹配的目标工作模式，以目标工作模式在局域脸部图像对应的脸部肌肤上工作，完成了肌肤类型与工作模式的自适应匹配与选择，无需用户手动选择工作模式，另外，由于是在确定了当前操作的脸部肌肤的肌肤类型后选择的与肌肤类型相匹配的工作模式工作，使得工作模式能够匹配于当前操作的脸部肌肤的肌肤类型，可以避免造成对用户肌肤造成损伤。
42.在一些可能的实施方式中，可以基于结合了机器学习的图像识别的方式对局域脸部图像进行识别检测，以确定局域脸部图像对应的脸部肌肤所属的目标肌肤类型，参见以下图2-图4的实施例。
43.图2是本技术实施例提供的一种确定局域脸部图像对应的脸部肌肤所属的目标肌肤类型的方法的流程示意图，该方法可以应用在美容仪器上，如图2所示，该方法包括如下步骤：s201，通过肌肤特征提取网络提取局域脸部图像的肌肤特征，以得到局域脸部图像对应的肌肤特征向量。
44.这里，肌肤特征提取网络为用于提取肌肤特征的特征提取网络。具体地，肌肤特征提取网络可以为基于vgg、inception、resnet等网络架构的肌肤特征提取网络。其中，通过肌肤特征提取网络提取到的肌肤特征可以以特征矩阵的形式存在，肌肤特征对应的特征矩阵由局域脸部图像中的各个像素值组成的像素值矩阵（指矩阵中的一个数值代表一个局域脸部图像中的像素值）经过一系列矩阵转化处理逻辑得到，如经过多次卷积、池化得到。在经过一系列矩阵转化处理逻辑后，局域脸部图像的各种肌肤特征（如颜色特征、纹理特征
等）能够得以凸显，从而能够有助于确定局域脸部图像对应的脸部肌肤所属的肌肤类型。
45.在通过肌肤特征提取网络提取到局域脸部图像的肌肤特征后，对肌肤特征对应的特征矩阵按行进行拼接，即可得到局域脸部图像对应的肌肤特征向量。
46.s202，将肌肤特征向量与预设的n种肌肤特征中心进行相似度计算。
47.这里，肌肤特征中心为维度与局域脸部图像对应的肌肤特征向量的维度相等的，分别用于表征各种肌肤类型的脸部肌肤的肌肤特征的向量。一种肌肤特征中心用于表征一种肌肤类型的脸部肌肤的肌肤特征。n等于预先设置的肌肤类型的总数量，n的具体取值与美容仪器所包含的工作模式有关。其中，肌肤特征向量的向量维度是指一个肌肤特征向量中的数值的个数。
48.在一种可行的实施方式中，可以计算肌肤特征向量与各个肌肤特征中心的欧式距离，以确定肌肤特征向量与各个肌肤特征中心的相似度。其中，欧式距离与相似度负相关，即欧式距离越大，相似度越小。
49.在另一种可能的实施方式中，也可以计算肌肤特征向量与各个肌肤特征中心的余弦相似系数，以确定肌肤特征向量与各个肌肤特征中心的相似度。其中，余弦相似系数与相似度正相关，即余弦相似度越大，相似度越大。
50.不限于上述两种实施方式，在可选实施方式中，还可以通过计算肌肤特征向量与各个肌肤特征中心的明式距离、曼哈顿距离、海明距离、皮尔森相关系数、jaccard相似系数，以确定肌肤特征向量与各个肌肤特征中心的相似度。
51.进一步地，还可以通过计算多种距离和/或多种相似系数的方式联合确定肌肤特征向量与各个肌肤特征中心的相似度。例如，可以计算肌肤特征向量与各个肌肤特征中心的欧式距离和明式距离，以确定肌肤特征向量与各个肌肤特征中心的相似度；或者，可以计算肌肤特征向量与各个肌肤特征中心的欧式距离和余弦相似系数，以确定肌肤特征向量与各个肌肤特征中心的相似度；又或者，可以计算肌肤特征向量与各个肌肤特征中心的欧式距离、海明距离和皮尔森相关系数，以确定肌肤特征向量与各个肌肤特征中心的相似度。不限于这里的描述。通过计算多种距离和/或多种相似系数的方式联合确定肌肤特征向量与各个肌肤特征中心的相似度，可以从不同衡量角度对肌肤特征向量与预设的n种肌肤特征中心之间的相似度进行衡量，从而有利于更精准地计算和确定肌肤特征向量与预设的n种肌肤特征中心之间的相似度，提高整体的精确度。
52.s203，在预设的n种肌肤特征中心中确定与肌肤特征向量的相似度最大的第一肌肤特征中心。
53.在通过单一距离（指前述提到的欧式距离、明式距离等）计算肌肤特征向量与n种肌肤特征中心的相似度的情况下，可以将距离最小的肌肤特征中心确定为第一肌肤特征中心。
54.在通过单一相似系数（指前述提到的余弦相似系数、jaccard相似系数等）计算肌肤特征向量与n种肌肤特征中心的情况下，可以将相似系数最大的肌肤特征中心确定为第一肌肤特征中心。
55.在通过多种距离和/或多种相似系数的方式联合计算肌肤特征向量与各个肌肤特征中心的相似度，可以分别确定通过各种方式确定的相似度最大的肌肤特征中心，将最大频次的相似度最大的肌肤特征中心确定为第一肌肤特征中心，频次是指被确定为相似度最
大的肌肤特征中心的次数。
56.例如，分别计算肌肤特征向量与各个肌肤特征中心的欧式距离、海明距离和皮尔森相关系数，以确定肌肤特征向量与各个肌肤特征中心的相似度，其中，通过计算欧式距离所确定的相似度最大的肌肤特征中心，以及，与通过计算海明距离所确定的相似度最大的肌肤特征中心均为肌肤特征中心a，通过皮尔森相关系数所确定的相似度最大的肌肤特征中心为肌肤特征中心b，则肌肤特征中心a的频次为2，肌肤特征中心b的频次为1，最终将肌肤特征中心a的频次确定为第一肌肤特征中心。
57.s204，将第一肌肤特征中心对应的肌肤类型确定为目标肌肤类型。
58.在上述方案中，在通过肌肤特征提取网络提取局域脸部图像的肌肤特征，得到局域脸部图像对应的肌肤特征向量后，再通过将肌肤特征向量与用于表征各种肌肤类型的肌肤特征的肌肤特征中心进行相似度计算，并将最大相似度对应的肌肤特征中心所对应的肌肤类型确定为局域脸部图像对应的脸部肌肤所属的目标肌肤类型，实现了对局域脸部图像所属肌肤类型的识别，方式简单，运算量较小，可以适用于各种计算能力的设备。
59.图3是本技术实施例提供的另一种确定局域脸部图像对应的脸部肌肤所属的目标肌肤类型的方法的流程示意图，该方法可以应用在美容仪器上，如图3所示，该方法包括如下步骤：s301，通过肌肤特征提取网络提取用户的局域脸部图像的肌肤特征，以得到用户的局域脸部图像对应的肌肤特征向量。
60.关于步骤s301的有关介绍，可参考前述步骤s201的描述，此处不再赘述。
61.s302，通过预设的多棵肌肤类型分类树分别对肌肤特征向量进行肌肤类型识别，以确定多棵肌肤类型分类树中每棵肌肤类型分类树的肌肤类型投票结果。
62.本技术实施例中，肌肤类型分类树为预先设置的用于识别肌肤特征向量具体属于哪种肌肤类型的脸部肌肤的特征向量的分类树，肌肤类型分类树的肌肤类型投票结果是指该肌肤类型分类树对肌肤特征向量进行肌肤类型识别得到的结果，该结果可以用于表征肌肤特征向量对应的脸部肌肤所属的肌肤类型。其中，一棵肌肤类型分类树所包含的投票数量为1。在得到一棵肌肤类型分类树的肌肤类型分类结果后，则将该肌肤类型分类结果指示的肌肤类型的得票数加1，从而可以得到各种肌肤类型的得票数。例如，肌肤类型分类树用于识别肌肤类型a和肌肤类型b，肌肤类型分类树的肌肤类型识别结果指示的肌肤类型为肌肤类型a，则将肌肤类型a的得票数加1。按照相同的方式对每棵肌肤类型分类树的肌肤类型分类结果所指示的肌肤类型进行得票数累加，则可以得到各种肌肤类型的得票数。
63.在一些可能的实施方式中，一棵肌肤类型分类树可以用于识别两种肌肤类型。具体地，该肌肤类型分类树可以为基于符号函数构造的分类树，则可以根据如下公式确定肌肤类型识别结果：f（x）=sign（wx b），其中， x=（x1，x2，
…
，x
q
）为肌肤特征向量，q等于肌肤特征向量的维度，w=（w1，w2，
…
，w
q
）为肌肤特征向量对应的权重参数，b为偏置参数。将上述公式展开得到的公式为f（x）=sign（w1x1 w2x2
…
w
q
x
q
b）。
64.f（x）计算的结果包括1和-1两种情况，1和-1分别代表两种肌肤类型，若计算得到的结果为1，则确定为肌肤类型分类树可识别的两种肌肤类型中的其中一种肌肤类型，若计算得到的结果为-1，则确定为肌肤类型分类树可识别的两种肌肤类型中的另一种肌肤类
型；至于1和-1分别代表哪种肌肤类型，取决于w、b以及q的取值。w、b以及q的取值与技术方案的具体设计有关，本技术不做限制。
65.在对每棵肌肤类型分类树均按照上述方式确定肌肤类型分类结果的情况下，可得到该多棵肌肤类型分类树中每棵肌肤类型分类树的肌肤类型投票结果。
66.需要说明的是，上述q、w以及b的取值与各肌肤类型分类树要识别的两种肌肤类型有关，不同的肌肤类型分类树所对应的q、w以及b的取值可以不同。可根据实际需求（指精度要求、数据处理要求、要识别的肌肤类型等）进行设置，本技术不做限制。
67.s303，根据多棵肌肤类型分类树中每棵肌肤类型分类树的肌肤类型投票结果将得票最高的肌肤类型确定为目标肌肤类型。
68.如前所述，按照相同的方式对每棵肌肤类型分类树的肌肤类型分类结果所指示的肌肤类型进行得票数累加，则可以得到各种肌肤类型的得票数；相应地，根据得票数可确定得票最高的肌肤类型，得票数最高即意味着得票最高。
69.在上述方案中，在通过肌肤特征提取网络提取局域脸部图像的肌肤特征，得到局域脸部图像对应的肌肤特征向量后，通过多棵肌肤类型分类树的投票结果确定肌肤类型，树形结构的运算逻辑简单，通过一种简单的方式即实现了对肌肤类型的判断，可以适用于各种计算能力的设备。
70.图4是本技术实施例提供的又一种确定局域脸部图像对应的脸部肌肤所属的目标肌肤类型的方法的流程示意图，该方法可以应用在美容仪器上，该方法包括如下步骤：s401，通过肌肤特征提取网络提取用户的局域脸部图像的肌肤特征，以得到用户的局域脸部图像对应的肌肤特征向量。
71.s402，通过预设的多棵肌肤类型分类树分别对肌肤特征向量进行肌肤类型识别，以确定多棵肌肤类型分类树中每棵肌肤类型分类树的肌肤类型投票结果，根据多棵肌肤类型分类树中每棵肌肤类型分类树的肌肤类型投票结果将得票最高的肌肤类型确定为第一肌肤类型。
72.这里，步骤s401~s402的具体实现方式可参考前述步骤s301~s303的描述，此处不再赘述。
73.s403，将肌肤特征向量与预设的n种肌肤特征中心进行相似度计算，并在预设的n种肌肤特征中心中确定与肌肤特征向量的相似度最大的第一肌肤特征中心，将第一肌肤特征中心对应的肌肤类型确定为第二肌肤类型，n等于肌肤类型的总数量。
74.这里，步骤s403的具体实现方式可参考前述步骤s202~s203的描述，此处不再赘述。
75.s404，如果第二肌肤类型与第一肌肤类型相同，则将第二肌肤类型或第一肌肤类型确定为目标肌肤类型。
76.在上述方案中，在通过肌肤特征提取网络提取局域脸部图像的肌肤特征，得到局域脸部图像对应的肌肤特征向量后，通过两种方式分别确定局域脸部图像对应的脸部肌肤所属的肌肤类型，在两种方式确定的肌肤类型一致的情况下才确定为目标肌肤类型，保证确定的肌肤类型更为准确有效；另外，由于两种确定肌肤类型的方式只需要进行线性计算或相似度计算即可确定肌肤类型，需要的计算量相对较小，因此可以起到兼顾计算速度和准确率的作用。
77.可选地，如果第一肌肤类型与第二肌肤类型不同，则以默认工作模式在局域脸部图像对应的脸部肌肤工作。其中，默当工作模式是指预先设置的对皮肤的作用较为温和的工作模式，可以理解为是适用于肌肤状态很差（如肌肤红肿破损等情况）的脸部肌肤的工作模式。通过两种方式确定的局域脸部图像对应的脸部肌肤所属的肌肤类型不同时，说明该脸部肌肤的情况较复杂，以默认工作模式在局域脸部图像对应的脸部肌肤上工作，可以避免造成对用户肌肤造成损伤在一些可能的场景中，上述图2和图4对应的实施例中的n种肌肤特征中心可以为预先通过大量局域脸部图像样本训练得到的。上述方法还可以包括对大量局域脸部图像样本进行训练，得到n种肌肤特征中心的步骤。参见图5，图5是本技术实施例提供的一种确定n种肌肤特征中心的方法的流程示意图，如图5所示，该方法包括如下步骤：s501，分别获取n个肌肤类型各自对应的多张局域脸部图像样本，以得到第二图像样本集。
78.这里，局域脸部图像样本是指被用作训练样本的局域脸部图像，局域脸部图像样本与前述步骤s101中的局域脸部图像的规格和采集方式相同。第二图像样本集是指由属于不同肌肤类型的脸部肌肤对应的多张局域脸部图像样本组成的训练样本集合，其中，每个肌肤类型对应的局域脸部图像样本有多张。
79.举例来进行说明，例如，n等于3，3种肌肤类型分别为痘痘型，黑头型、水肿型；则可以分别获取属于痘痘型肌肤的局域脸部图像多张、属于黑头型肌肤的局域脸部图像多张、属于水肿型肌肤的局域脸部图像多张，获取到的所有局域脸部图像组成第二图像样本集。
80.s502，通过肌肤特征提取网络分别提取第二图像样本集中的各张局域脸部图像样本的肌肤特征，以得到由多个肌肤特征向量样本组成的第二特征样本集。
81.这里，肌肤特征向量样本是指作为训练样本的肌肤特征向量。通过肌肤特征提取网络提取第二图像样本集中的每张局域脸部图像样本的肌肤特征的方式可参考步骤s201的描述，此处不再赘述。将各个肌肤特征向量样本组成集合，则得到第二特征样本集。
82.s503，从第二特征样本集中选取n个肌肤特征向量样本作为n个聚类簇的聚类中心。
83.这里，可以从第二特征样本集中随机选取n个肌肤特征向量样本作为n个聚类簇的聚类中心。
84.s504，分别计算第二特征样本集中的每个肌肤特征向量样本与每个聚类中心的相似度。
85.具体地，计算第二特征样本集中的一个肌肤特征向量样本与一个聚类中心的相似度的方式可以与前述步骤s202中计算肌肤特征向量与一个肌肤特征中心的相似度的方式相同，可参考前述描述，此处不再赘述。在按照与步骤s202相同的方式计算完各个肌肤特征向量样本与各个聚类中心的相似度后，每个肌肤特征向量样本均对应n个相似度。
86.s505，将第一肌肤特征向量样本划分到第一聚类中心所在的聚类簇中，以将第二特征样本集中的所有肌肤特征向量样本均划分至不同的聚类簇。
87.这里，第一肌肤特征向量为第二特征样本集中的任一肌肤特征向量样本，第一聚类中心为与第一肌肤特征向量样本的相似度最高的聚类中心。确定与第一肌肤特征向量样本的相似度最高的聚类中心的方式可以与前述步骤s203中确定与肌肤特征向量样本的相
似度最大的第一肌肤特征中心的方式相同，可参考前述描述，此处不再赘述。
88.在将第二特征样本集中的所有肌肤特征向量样本均按照第一肌肤特征向量的划分方式，划分到聚类簇中后，可以将第二特征样本集中的所有肌肤特征向量样本均划分至不同的聚类簇。
89.s506，更新每个聚类簇的聚类中心。
90.具体地，可以通过以下方式更新每个聚类簇的聚类中心：一、计算目标聚类簇中的肌肤特征向量样本在各个向量维度上的均值，以得到目标聚类簇对应的向量样本均值，目标聚类簇为n个聚类簇中的任一聚类簇。
91.这里，目标聚类簇中的肌肤特征向量样本在各个向量维度上的均值，是指，按维度将属于一个维度的各个肌肤特征向量样本的值进行相加求均值，从而得到该维度上的均值。举例来进行说明，例如，肌肤特征向量样本的维度为5（即一个脸部特征特征向量样本包括5个值），目标聚类簇中的肌肤特征向量样本有4个，分别为肌肤特征向量样本1（a1，b1，c1，d1，e1），肌肤特征向量样本2（a2，b2，c2，d2，e2），肌肤特征向量样本3（a3，b3，c3，d3，e3），肌肤特征向量样本4（a4，b4，c4，d4，e4），则目标聚类簇中的肌肤特征向量样本在各个向量维度上的均值分别为（a1 a2 a3 a4）/4，（b1 b2 b3 b4）/4，（c1 c2 c3 c4）/4，（d1 d2 d3 d4）/4，（e1 e2 e3 e4）/4，目标聚类簇对应的向量样本均值为（（a1 a2 a3 a4）/4，（b1 b2 b3 b4）/4，（c1 c2 c3 c4）/4，（d1 d2 d3 d4）/4，（e1 e2 e3 e4）/4）。
92.二、将各个聚类簇的簇中心更新为各个聚类簇对应的向量样本均值。
93.分别按照计算目标聚类簇中的肌肤特征向量样本在各个向量维度上的均值的方式计算各个目标聚类簇中的肌肤特征向量样本在各个向量维度上的均值，可得到各个聚类簇对应的向量样本均值。
94.s507，判断是否满足第一终止条件。
95.这里，第一终止条件可以为：每个聚类簇的聚类中心保持不变，或者，聚类簇的聚类中心的更新次数达到预设更新次数。其中，每个聚类的聚类中心保持不变是指当前更新得到的簇中心与上一次更新得到的簇中心保持一致。聚类簇的聚类中心的更新次数可以理解为步骤s506的执行次数。
96.其中，若满足第一终止条件，则执行步骤s508，若不满足第一终止条件，则执行步骤s504。
97.s508，将更新得到的n个聚类中心确定为预设的n种肌肤特征中心。
98.在上述方案中，基于获取到的各个肌肤类型各自对应的脸部图像样本，通过肌肤特征提取网络提取各脸部图像样本的肌肤特征，得到由多个肌肤特征向量样本组成的特征样本集，通过对特征样本集进行聚类得到聚类簇，并多次将各个聚类簇的聚类中心更新为各个聚类簇中的肌肤特征向量样本的向量样本均值，实现了对各个图像样本的精准群组划分，从而可以找到最能表征各个肌肤类型的聚类中心，有助于提高确定局域脸部图像所属肌肤类型的精度。
99.在一些可能的场景中，上述图3和图4对应的实施例中的多棵肌肤类型分类树可以为预先通过大量局域脸部图像样本训练得到的，上述方法还可以上述方法还可以包括对大量局域脸部图像样本进行训练，得到肌肤类型分类树的步骤。参见图6，图6是本技术实施例提供的一种建立肌肤类型分类树的方法的流程示意图，其中，本技术实施例中涉及的肌肤
类型分类树为二分类树，即一棵肌肤类型分类树用于识别两种肌肤类型；如图6所示，该方法包括如下步骤：s601，将n种肌肤类型两两进行组合，以得到多种肌肤类型组合。
100.这里，n种肌肤类型是指根据美容仪器的工作模式预先设置的肌肤类型，n的具体取值与美容仪器所包含的工作模式有关。将n种肌肤类型两两进行组合，得到的肌肤类型组合的数量为。
101.例如，n=3，3种肌肤类型分别为痘痘型，黑头型、水肿型，则将痘痘型与黑头型组合得到肌肤类型组合1，将痘痘型与水肿型组合得到肌肤类型组合2，将黑头型与水肿型组合得到肌肤类型组合3，也即组合得到3种肌肤类型组合。
102.s602，分别为多种肌肤类型组合中的各种肌肤类型组合构建目标二分类函数。
103.这里，目标二分类函数为关于肌肤特征向量的二分类函数。有关于肌肤特征向量的二分类函数是指以肌肤特征向量作为自变量的函数、以肌肤类型作为因变量的函数。
104.在一种可行的实施方式中，目标二分类函数可以为f（x）=sign（wx b），其中，其中， x=（x1，x2，
…
，x
q
）为肌肤特征向量，q等于肌肤特征向量的维度，w=（w1，w2，
…
，w
q
）为肌肤特征向量对应的权重参数，b为偏置参数。本技术实施例中，w和b均为待求解的未知数。
105.s603，获取第一肌肤类型组合中的两种肌肤类型各自对应的多张局域脸部图像样本，以得到第一图像样本集。
106.这里，第一肌肤类型组合为多种肌肤类型组合中的任一肌肤类型组合。例如，第一肌肤类型组合为前述步骤s601中的肌肤类型组合1，则分别获取痘痘型肌肤对应的多张局域脸部图像样本和黑头型肌肤对应的多张局域脸部图像样本，组成肌肤类型组合1对应的第一图像样本集。
107.s604，通过肌肤特征提取网络分别提取第一图像样本集中的各张局域脸部图像样本的肌肤特征，以得到由多个肌肤特征向量样本组成的第一特征样本集。
108.这里，肌肤特征向量样本的定义可参考前述步骤s502，通过肌肤特征提取网络分别提取第一图像样本集中的各张局域脸部图像样本的肌肤特征，以得到由多个肌肤特征向量样本组成的第一特征样本集的方式可以参考步骤s201的描述，此处不再赘述。将提取得到的各个肌肤特征向量样本组成集合，则可得到第一特征样本集。
109.s605，分别对第一图像样本集中的各张局域脸部图像样本进行肌肤类型标识，得到各张局域脸部图像样本对应的肌肤类型标识。
110.本技术实施例中，第一图像样本集对应两种肌肤类型标识，同一种肌肤类型对应的局域脸部图像样本的肌肤类型标识相同，不同种肌肤类型对应的局域脸部图像样本的肌肤类型标识不同。例如，第一图像样本集由前述步骤s603提到的痘痘型肌肤对应的多张局域脸部图像样本和黑头型肌肤对应的多张局域脸部图像样本组成，则痘痘型肌肤对应的多张局域脸部图像样本的肌肤类型标识相同，黑头型肌肤对应的多张局域脸部图像样本的肌肤类型标识相同，痘痘型肌肤对应的局域脸部图像样本与黑头型肌肤对应的局域脸部图像样本不同。
111.具体地，在目标二分类函数为前述提到的f（x）=sign（wx b）的情况下，第一图像样本集对应两种肌肤类型标识可以分别为1和-1。例如，可以将痘痘型肌肤对应的所有局域脸部图像样本均标识为1，将黑头型肌肤对应的所有局域脸部图像样本均标识为-1；或者，可
以将痘痘型肌肤对应的所有局域脸部图像样本均标识为-1，将黑头型肌肤对应的所有局域脸部图像样本均标识为1。
112.s606，以第一特征样本集中的各个肌肤特征向量样本，和各个肌肤特征向量样本对应的肌肤类型标识为训练样本，确定使训练样本满足预设条件的目标参数值。
113.本技术实施例中，以第一特征样本集中的各个肌肤特征向量样本，和各个特征向量对应的肌肤类型标识作为训练样本实质是指将第一特征样本集中的各个肌肤特征向量样本与各个肌肤特征向量样本对应的肌肤类型标识作为多维空间的坐标值，将各个肌肤特征向量样本，和肌肤类型标识集中的各个肌肤类型标识映射到多维空间中。多维空间中的元素可以表示为（x，y），x即为肌肤特征向量，y为肌肤类型标识；各个肌肤特征向量样本，和各个特征向量对应的肌肤类型标识映射到多维空间后可以表示为（x1，y1），（x2，y2），
…
，（xm，ym），m等于第一图像样本集中的局域脸部图像样本的总数量，也即训练样本的总数量。
114.在将各个肌肤特征向量样本，和肌肤类型标识集中的各个肌肤类型标识映射到多维空间中之后，再在多维空间中找到可以将两种类型的元素（指y不同的两种元素）完全区分开的超平面，将超平面对应的参数值确定为使训练样本满足预设条件的目标参数值，目标参数值指目标二分类函数中的参数值。
115.在一种可行的实施方式中，在目标二分类函数为前述提到的f（x）=sign（wx b）的情况下，预设条件可以为：所有训练样本的几何间隔的最小值达到最大值。例如，一个训练样本的几何间隔为r，则所有训练样本的几何间隔的最小值为min（r1，r2，
…
，rm），即为r1~rm中的最小值；所有几何间隔的最小值达到最大值，是指使min（r1，r2，
…
，rm）最大化。
116.具体地，确定训练样本满足预设条件的目标参数值的过程如下：首先可以将预设条件转化为对（）求解最小值，w
t
是指w=（w1，w2，
…
，w
q
）的转置矩阵，其中，约束条件为yi（w
·
xi b）≥1，1≤i≤m，其中，yi为第i个训练样本对应的肌肤类型标识，xi为第i个训练样本对应的肌肤特征向量样本。
117.然后使用拉格朗日乘子法将有约束的原始目标函数转换为以下凸优化问题：再将凸优化问题转化为以下对偶问题：，其中，约束条件为。
118.接着通过序列最小化优化算法（sequential minimal optimization，smo）求解拉格朗日向量a=（a1，a2，...，am），最后根据拉格朗日向量求解w和b。
119.s607，将多种肌肤类型组合中的各种肌肤类型组合各自对应的参数值，分别代入各种肌肤类型组合对应的目标二分类函数中，以建立多棵肌肤类型分类树。
120.具体地，将步骤s601得到的多种肌肤类型组合中的每种肌肤类型组合均按照步骤s603~s606的步骤进行参数确定，将求解得到每种肌肤类型组合对应的参数值，再代入步骤s602构建的目标二分类函数中，则可以得到各种肌肤类型组合对应的肌肤类型分类树，得
到的任一棵肌肤类型分类树用于该任一棵肌肤类型分类树对应的肌肤类型组合中包含的两种肌肤类型。
121.在上述方案中，通过预先将各种肌肤类型两两进行组合，得到多种肌肤类型组合，并以符号函数为基础构建有关于肌肤特征向量的目标函数，利用每种肌肤类型组合对应的局域图像样本寻找在多维空间中划分两种训练样本的超平面，使得求解得到的数值能够对两种肌肤类型对应的局域脸部图像进行精准分类，有助于提高肌肤识别的精度。
122.在一些可能的场景中，上述肌肤特征提取网络可以为采用局域脸部图像样本对一个初始的特征提取网络训练调整得到的，上述方法还可以包括如下步骤：获取初始特征提取网络以及多张局域脸部图像样本；根据多张局域脸部图像样本对初始特征提取网络进行训练，得到肌肤特征提取网络。
123.其中，有关于获取多张局域脸部图像样本的方法以及局域脸部图像样本的相关内容，可参考步骤s501的描述。初始特征提取网络可以为任一预先定义好结构的随机网络。根据多张局域脸部图像样本对初始特征提取网络进行训练得到肌肤特征提取网络的具体过程总体描述如下：可以通过初始肌肤特征提取网络对各个局域脸部图像样本进行肌肤特征提取，并通过全连接层预测各个局域脸部图像样本对应的脸部肌肤的肌肤类型，再将预测得到的各个局域脸部图像样本对应的肌肤类型与各个局域脸部图像样本对应的真实肌肤类型进行比较，确定初始特征提取网络的损失，基于初始特征提取网络的损失对初始特征提取网络中的参数进行调整，直至通过初始特征提取网络和全连接层预测确定的各个局域脸部图像样本对应的肌肤类型接近于各个局域脸部图像样本对应的真实肌肤类型，将最后训练得到的初始特征提取网络确定为肌肤特征提取网络。以此确定的肌肤特征提取网络能够适应于局域脸部图像的肌肤特征，提取得到的肌肤特征能够符合局域脸部图像的各种肌肤特征。
124.上述介绍了本技术的方法，为了更好地实施本技术的方法，接下来介绍本技术的装置。
125.参见图7，图7是本技术实施例提供的一种工作模式调整装置的结构示意图，如图所示，该装置70包括：图像获取模块701，用于在检测到与用户脸部的距离在预设距离范围内的情况下，获取用户的局域脸部图像；肌肤类型检测模块702，用于对用户的局域脸部图像进行识别检测，以确定上述局域脸部图像对应的脸部肌肤所属的目标肌肤类型；模式确定模块703，用于确定与肌肤类型相匹配的目标工作模式；工作模块704，用于以目标工作模式在上述局域脸部图像对应的脸部肌肤上工作。
126.在一种可能的设计中，上述肌肤类型检测模块702，具体用于通过肌肤特征提取网络提取用户的局域脸部图像的肌肤特征，以得到用户的局域脸部图像对应的肌肤特征向量；通过预设的多棵肌肤类型分类树分别对肌肤特征向量进行肌肤类型识别，以确定多棵肌肤类型分类树中每棵肌肤类型分类树的肌肤类型投票结果；根据多棵肌肤类型分类树中每棵肌肤类型分类树的肌肤类型投票结果将得票最高的肌肤类型确定为第一肌肤类型；将肌肤特征向量与预设的n种肌肤特征中心进行相似度计算，并在预设的n种肌肤特征中心中确定与肌肤特征向量的相似度最大的第一肌肤特征中心，将第一肌肤特征中心对应的肌肤
类型确定为第二肌肤类型，n等于肌肤类型的总数量；如果第一肌肤类型与第二肌肤类型相同，则将第一肌肤类型或第二肌肤类型确定为目标肌肤类型。
127.在一种可能的设计中，上述工作模块704还用于：如果第一肌肤类型与第二肌肤类型不同，则以默认工作模式在局域脸部图像对应的脸部肌肤工作。
128.在一种可能的设计中，一棵肌肤类型分类树用于识别两种肌肤类型；上述装置70还包括：705组合模块，用于将n种肌肤类型两两进行组合，以得到多种肌肤类型组合；函数构建模块706，用于分别为多种肌肤类型组合中的各种肌肤类型组合构建目标二分类函数，目标二分类函数为关于肌肤特征向量的二分类函数；样本获取模块707，用于获取第一肌肤类型组合中的两种肌肤类型各自对应的多张局域脸部图像样本，以得到第一图像样本集，第一肌肤类型组合为多种肌肤类型组合中的任一肌肤类型组合；特征提取模块708，用于通过肌肤特征提取网络分别提取第一图像样本集中的各张局域脸部图像样本的肌肤特征，以得到由多个肌肤特征向量样本组成的第一特征样本集；标识模块709，用于分别对第一图像样本集中的各张局域脸部图像样本进行肌肤类型标识，得到各张局域脸部图像样本对应的肌肤类型标识；参数确定模块710，用于以第一特征样本集中的各个肌肤特征向量样本，和各个肌肤特征向量样本对应的肌肤类型标识为训练样本，确定使训练样本满足预设条件的目标参数值，目标参数值为：为第一肌肤类型组合构建的目标二分类函数中的参数值；分类树建立模块711，用于将多种肌肤类型组合中的各种肌肤类型组合各自对应的参数值，分别代入各种肌肤类型组合对应的目标二分类函数中，以建立多棵肌肤类型分类树。
129.在一种可能的设计中，上述目标二分类函数为：f（x）=sign（wx b），其中，x=（x1，x2，
…
，x
q
）为肌肤特征向量，q等于肌肤特征向量的维度，w=（w1，w2，
…
，w
q
）为肌肤特征向量对应的权重参数，b为偏置参数；上述预设条件为：所有训练样本的几何间隔的最小值达到最大值。
130.在一种可能的设计中，上述装置70还包括：样本获取模块707，用于分别获取n个肌肤类型各自对应的多张局域脸部图像样本，以得到第二图像样本集；特征提取模块708，用于通过肌肤特征提取网络分别提取第二图像样本集中的各张局域脸部图像样本的肌肤特征，以得到由多个肌肤特征向量样本组成的第二特征样本集；聚类中心选取模块713，用于从第二特征样本集中选取n个肌肤特征向量样本作为n个聚类簇的聚类中心；相似度计算模块714，用于分别计算第二特征样本集中的每个肌肤特征向量样本与每个聚类中心的相似度；样本划分模块715，用于将第一肌肤特征向量样本划分到第一聚类中心所在的聚类簇中，第一肌肤特征向量为第一特征样本集中的任一肌肤特征向量样本，第一聚类中心为与第一肌肤特征向量样本的相似度最高的聚类中心；聚类中心更新模块716，用于在将第二特征样本集中的所有肌肤特征向量样本均划分至不同的聚类簇之后，更新每个聚类簇的聚类中心，并指示相似度计算模块714执行上述分别计算第二特征样本集中的每个肌肤特征向量样本与每个聚类簇的相似度的步骤，直至满足第一终止条件；特征中心确定模块717，用于将最后更新得到的n个聚类中心确定为预设的n种肌肤特征中心。
131.在一种可能的设计中，上述聚类中心更新模块716具体用于：计算目标聚类簇中的肌肤特征向量样本在各个向量维度上的均值，以得到目标聚类簇对应的向量样本均值，目标聚类簇为n个聚类簇中的任一聚类簇；将各个聚类簇的聚类中心更新为各个聚类簇对应的向量样本均值。
132.需要说明的是，图7对应的实施例中未提及的内容可参见方法实施例的描述，这里不再赘述。
133.上述装置，在与用户脸部的距离在预设距离范围内的情况下，获取用户的局域脸部图像，并对局域脸部图像进行识别检测，确定局域脸部图像对应的脸部肌肤所属的目标肌肤类型，实现了对当前操作的脸部肌肤的肌肤类型检测；然后确定与目标肌肤类型相匹配的目标工作模式，以目标工作模式在局域脸部图像对应的脸部肌肤上工作，完成了肌肤类型与工作模式的自适应匹配与选择，无需用户手动选择工作模式，另外，由于是在确定了当前操作的脸部肌肤的肌肤类型后选择的与肌肤类型相匹配的工作模式工作，使得工作模式能够匹配于当前操作的脸部肌肤的肌肤类型，可以避免造成对用户肌肤造成损伤。
134.参见图8，图8是本技术实施例提供的另一种工作模式调整装置的结构示意图，该装置80包括处理器801、存储器802。处理器801连接到存储器802，例如处理器801可以通过总线连接到存储器802。
135.处理器801被配置为支持该装置80执行图1-图6的方法中相应的功能。该处理器801可以是中央处理器（central processing unit， cpu），网络处理器（network processor，np），硬件芯片或者其任意组合。上述硬件芯片可以是专用集成电路（application specific integrated circuit，asic），可编程逻辑器件（programmable logic device，pld）或其组合。上述pld可以是复杂可编程逻辑器件（complex programmable logic device，cpld），现场可编程逻辑门阵列（field-programmable gate array，fpga），通用阵列逻辑（generic array logic，gal）或其任意组合。
136.存储器802用于存储程序代码等。存储器802可以包括易失性存储器（volatile memory，vm），例如随机存取存储器（random access memory， ram）；存储器1002也可以包括非易失性存储器（non-volatile memory，nvm），例如只读存储器（read-only memory， rom），快闪存储器（flash memory），硬盘（hard disk drive， hdd）或固态硬盘（solid-state drive， ssd）；存储器802还可以包括上述种类的存储器的组合。
137.可选地，该装置还可以包括摄像头、红外光、射频光等用于辅助处理器801实现上述功能的硬件。
138.处理器801可以调用所述程序代码以执行以下操作：在检测到与用户脸部的距离在预设距离范围内的情况下，获取用户的局域脸部图像；对用户的局域脸部图像进行识别检测，以确定上述局域脸部图像对应的脸部肌肤所属的目标肌肤类型；确定与肌肤类型相匹配的目标工作模式；以目标工作模式在上述局域脸部图像对应的脸部肌肤上工作。
139.需要说明的是，各个操作的实现还可以对应参照上述方法实施例的相应描述；所述处理器801还可以其他功能硬件配合执行上述方法实施例中的其他操作。
140.本技术实施例还提供一种计算机可读存储介质，所述计算机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，所述程序指令当被计算机执行时使所述计算机执行如前述实施例所述的方法，所述计算机可以为上述提到的面部残留物检测装置的一部分。例如为上述的处理器801。
141.本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于计算机可读取存储介质
中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体（read-only memory，rom）或随机存储记忆体（random access memory，ram）等。
142.以上所揭露的仅为本技术较佳实施例而已，当然不能以此来限定本技术之权利范围，因此依本技术权利要求所作的等同变化，仍属本技术所涵盖的范围。
再多了解一些
本文用于企业家、创业者技术爱好者查询，结果仅供参考。
