人脸美颜技术

人脸美颜技术（2019.10.8）

一、美颜技术发展现状和应用场景

  美颜美颜”，顾名思义，对图片里的人脸进行美化。在图片类、短视频类和直播类的APP中，都存在“美颜”的影子：图片类的APP中，最具代表性的是美图秀秀，美图的人像美容，便用到了“美颜”技术；短视频类的APP中，突出的是抖音和快手，这类APP在录制短视频的时候，有美颜、美妆等选项；直播类的APP中，像映客、YY等都在主播进行直播时加入了“美颜”技术。         

  

二、美颜技术步骤

  “美颜”是一个深度学习+图像处理+图形学的技术。“美颜”牵涉到这些技术包括：人脸检测、人脸关键点定位、瘦脸、磨皮、美白等。其中，人脸检测、人脸关键点定位是用深度学习技术来做的；而瘦脸、磨皮和美白就牵涉到计算机图形学里的技术，使用OpenGL，Metal来对检测到的人脸进行渲染。

 

三、详细算法讲解

1.人脸检测

  人脸检测技术指的是对图片中的人脸进行检测，并定位到图片中人脸的位置。人脸检测主要的技术难点在于，人脸在一张图片中可能存在人脸区域光照条件，人脸姿态变化、人脸表情变化、遮挡等问题。准确的检测出人脸相对来说是一件困难的事情。

       人脸检测也可分为两个时期：一个是深度学习之前的时期，另一个是深度学习时期。在深度学习之前，人们做人脸检测，主要使用人工设计好的特征，根据人工特征来训练检测器检测人脸。当深度学习在计算机视觉领域占据绝对主导地位之后，人们开始尝试用深度神经网络来做人脸检测，目前，主流的人脸检测方法大概有这么两种：一种是使用通用的目标检测网络来训练人脸检测模型，如faster-rcnn（一种目标检测网），ssd (Single Shot MultiBox Detector)，yolo (You Only Look Once) 等等；另一种是使用专门的人脸检测网络，如cascadeCNN（Convolutional Neural Network Cascade for FaceDetection，级联结构的卷积神经网络，一种目标检测网络），MTCNN（Multi-task Cascaded Convolutional Neural Network，多任务级联卷积神经网络）等等。             

2.人脸关键点

  人脸关键点定位技术是对人脸中眉毛、眼睛、鼻子、嘴巴以及脸部的轮廓进行定位，人脸关键点定位是紧接在人脸检测后：首先在一张图片中检测到人脸，然后才对检测到的人脸做关键点定位。   

      人脸关键点定位技术同人脸检测技术一样，在实际应用中，也存在人脸的尺度、光照、表情、姿态、遮挡等问题。要对绝大多数图片获得准确的人脸关键点，也是一个比较难的任务。   

      人脸关键点定位技术也可分为深度学习前的时期和深度学习时期：传统的人脸关键点技术，有ASM（Active Shape Model），AAM （Active Appearance Model），CPR（Cascaded Pose Regression）等等；深度学习时期，2013年，香港中文大学首次将卷积神经网络应用到人脸关键点定位上来，2017年的DAN(Deep Alignment Network)，LAB(Look at Boundary)，2018年的SAN(Style Aggregated Network for Facial Landmark Detection)等等。目前，落地到产品上的人脸关键点定位，基本都是基于深度学习技术。  

       下图展示了人脸检测技术和人脸关键点定位技术的应用。

  有了关键点以后，便可以对图片中人脸区域做瘦脸、磨皮、美白等“美颜”操作。这些算法一般应用在移动设备上：在Android上可以使用OpenGL ES（OpenGL for Embedded Systems，嵌入式系统的OpenGL），在iOS上可以使用Metal根据人脸关键点的位置，对人脸进行瘦脸、磨皮、美白之类的渲染。

3.瘦脸

  在OpenGL或Metal环境下，在shader（纹理）中通过对像素位置进行偏移来实现对脸部区域的放大缩小：由变形前坐标，根据变形映射关系，得到变形后坐标。这其中变形映射关系是最关键的，不同的映射关系，将得到不同的变形效果。平移、缩放、旋转，对应的是不同的映射关系，即不同的变换公式。当然实际在计算过程中，用的是逆变换，即由变形后坐标，根据逆变换公式反算变形前坐标，然后插值得到该坐标RGB像素值，将该RGB值作为变形后坐标对应的像素值。这样才能保证变形后的图像是连续、完整的。             

4.磨皮

  所谓“磨皮”，是使皮肤变得更加光滑，其技术原理是：在图片的人脸框部分再进行一次肤色检测。只对人脸区域做磨皮，磨皮一般使用图像处理的一些滤波算法。  

       肤色检测可分两大类，一类是用颜色空间统计信息，来计算出皮肤所在的区域，另一类是基于机器学习的方法。传统方法是基于YCrCb颜色空间Cr,Cb范围筛选法。深度学习方法有CNN、FCN、UNet、DenseNet，文献中用的较多的就是UNet(Convolutional Networks for Biomedical Image Segmentation)。   滤波算法一般可以使用高斯滤波或者双边滤波等。   

 

5.美白

  图片的美白，是操作这个图片上的所有像素点，获得像素点的R、G、B、A的值然后获取到的值进行一定数目的增量。在图像处理领域中，一张图片会使用三原色 red、green、blue来保存图片的颜色信息，三个值的取值范围是0-255：越靠近0，图像就越黑，等于0的时候就是纯黑色；越靠近255，图像就越白，等于255的时候就是白色。图片的美白就是利用的这个原理。   

四、目前成果

  根据搜集的资料，可以发现除了部分需求较高的app，例如美图秀秀等，需要完成以上整个流程，其余要求较低的app只是简单的进行磨皮和美白，特点是美颜耗时短，且效果尚可。   

       如下是我使用YCrCb颜色空间Cr范围筛选法方法进行肤色检测，一次双线性插值进行磨皮，调整像素值进行美白后得到的美颜后的图片，cpu耗时33ms。

    import cv2
    import time

    st = time.time()
    image = cv2.imread('D:/Download/res/5.png')

    img_ycrcb = cv2.cvtColor(image, cv2.COLOR_BGR2YCrCb)
    channels = cv2.split(img_ycrcb)
    img_cr = channels[1]
    # 对cr通道分量进行高斯滤波
    img_cr = cv2.GaussianBlur(img_cr, (5, 5), 0)
    # 肤色检测
    _, skin = cv2.threshold(img_cr, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)
    # 美白
    image[np.where(skin)] = np.clip((whi * image[np.where(skin)] + 10), 0, 255)

    #双线性滤波  磨皮
    image = cv2.bilateralFilter(image, 20, 50, 50)  
    white = np.uint8(image)

    print(time.time()-st)

    cv2.imshow('bai',white)
    cv2.waitKey(0)

 

五、展望和难点

  真正要做好美颜算法，需要用到深度学习里面的人脸检测、人脸关键点定位(最少68个关键点)、人脸肤色检测（Unet等,传统的肤色检测算法不够细腻）这三个模型，目前已有人脸检测模型（mtcnn）。人脸关键点定位用于瘦脸、大眼等操作。肤色检测用于磨皮和美白阶段，防止对非皮肤进行模糊。   

       研究者们不局限于美颜，研究美妆算法，增强用户体验。代表性的研究有PSGAN(Pose-Robust Spatial-Aware GAN for Customizable Makeup Transfer)，LADN(Local Adversarial Disentangling Network for Facial Makeup and De-Makeup)等。亲测可用的美妆代码https://github.com/zllrunning/face-makeup.PyTorch，具体效果如下图。           

六、引用

         博客：https://blog.csdn.net/princexiexiaofeng/article/details/89298776

                   https://blog.csdn.net/cnbloger/article/details/77949949

        github:https://github.com/zllrunning/face-makeup.PyTorch