“美顔”，即對圖片裡的人臉進行美化。

“美顔”是一個深度學習 圖像處理 圖形學的技術。“美顔”牽涉到這些技術包括：人臉檢測、人臉關鍵點定位、瘦臉、磨皮、美白等。

磨皮：是使皮膚變得更加光滑，其技術原理是：對圖片進行膚色檢測。隻對皮膚區域做磨皮，磨皮一般使用圖像處理的一些濾波算法，例如雙邊濾波，高斯濾波等。

美白：是操作圖片上的所有像素點，獲得像素點的R、G、B的值然後對獲取到的值進行一定數目的增量。

美顔這些效果的實現都離不開人臉檢測！

人臉檢測，又稱人臉特征點檢測與定位。人臉特征點不同于角點等通常意義上的圖像特征點，它們通常是一組由人工實現定義的點。根據不同的應用場景，特征點反應在人臉上有不同的數目，例如5點，68點，82點、106點、甚至是雲播科技團隊研發的386點等等。

除了在人臉識别系統中起到關鍵作用外，人臉檢測也在視頻美顔sdk中逐漸作為基本技術應用，因為隻有準确的識别出人臉，才能進行磨皮、美白、瘦臉、濾鏡等操作。根據對ai公司雲播科技公司技術人員的專訪，我們了解到肌柒美顔SDK技術實現的底層邏輯和極緻效果。接下來我們就來探讨人臉檢測技術的發展和在視頻美顔sdk中的應用。

一、發展

傳統人臉檢測研究

和其他人臉技術類似，光照、頭部姿态、表情等的變化，都會很大程度影響人臉匹配的精度。但是人臉配準也具有自身特點，首先特征點描述了人臉的結構，人臉結構是完整穩定的，五官相對位置固定；其次，頭部姿态、表情等變化造成的特征點位置變化明顯。傳統人臉配準研究需要一直嘗試尋找更加精準的特征描述來表達這種既确定又變化的點的組合，再根據描述符選擇适當的優化求解方法，從而定位人臉特征點。

最直接被采用的特征描述符是顔色、灰度，利用膚色的不同對人臉各部分進行檢測定位。稍複雜些可選擇各種紋理特征描述，但目前這類特征描述都沒有考慮特征點之間的位置關系，因此不具備維持合理的人臉結構。主動形狀模型和主動外觀模型可以同時表達紋理和形狀兩種特征。二者的形狀特征都由點分布模型來表達，即通過計算特征點周圍鄰域紋理信息生成每個特征點對應的響應圖，通過響應圖，來标識出人臉的實際位置。

深度人臉檢測研究

從06年開始，深度神經網絡已經逐步在計算機視覺、語音識别和自然語言處理等多個領域取得了前所未有的成功，同樣也給人臉檢測研究帶來了便利。學者們無需再挖空心思構建各種繁瑣複雜的人臉描述符了。目前工業界比較認可的深度人臉配準方法有兩類：級聯卷積網絡人臉配準和多任務深度人臉檢測。這兩種模式都是通過機器訓練來逐步校準人臉檢測的，有助于提升特征點檢測定位精度。

二、應用

視頻美顔sdk中的人臉檢測

在視頻美顔中，人臉識别業務的核心問題是人臉圖像像素之間高層語義的對齊，即人臉關鍵特征點的定位。錯誤的特征定位會導緻提取的人臉描述特征嚴重變形，從而導緻識别性能下降。為了更好地支持人臉識别，一般要加大人臉框的變化範圍，以減少對人臉檢測框大小的依賴。

另外，視頻美顔sdk中的美妝效果同樣也要求人臉特征點達到超高精度定位，例如眼妝中的眼線睫毛，隻有定位精準，才能達到自然貼合的美妝效果。這就特别考驗開發者團隊的技術水準和算法了。

為什麼會提到富唐國際開發者中心呢，從早期的直播短視頻類APP人人咖，到近期的顔值相機和肌柒相機，無論是人臉高精度識别算法還是美顔SDK應用類産品，自然貼合和高響應的速度已經讓美顔SDK的功能和效果都遠遠走在行業前沿。

更多精彩资讯请关注tft每日頭條，我们将持续为您更新最新资讯!