美颜一秒钟 代码千万行

不久前，在一个直播平台上有一个大规模的“翻滚”场景。当一位名叫乔的女主播与另一位网络红色女主播互动时，原本用来挡住她的脸的gif动画图像因为连脉虫而消失，露出了自己的脸。强烈的反差彻底颠覆了网民的认知。看完对比照片后，每个人都抱怨道:今天的美容软件如此强大，可以直接把58岁的p阿姨变成18岁的女孩！

我手里有美容神器，网上有美容价值

如今的美容技术不仅仅局限于脱皮、美白、祛痘等水平。在手机应用商店里可以随便找到一款图片修复软件，点击一下就可以在几秒钟内打开改变明星美丽值的功能。除了脸部修剪和眼睛睁开，你可以有一个新的红色的死灵，你的小短腿和小腹可以立即成为超级模特，长腿和小蛮腰。此外，还有自动化妆功能，如修眉、眼影、口红和高光。此外，这个愚蠢的操作不需要数百万图形修复者的PS技能。

来源:腾讯人工智能开放平台

近年来，随着人工智能算法的逐步应用，结合人脸检测和人脸定位的人工智能技术，对人脸的不同部位进行了方向优化，从而实现了唇彩、粉底、腮红、眼线、眼影、酒窝、卧蚕等的自动化妆。静态图像甚至动态视频的化妆处理效果已经达到了从假到真的程度。

美容应用怎么知道这是你的脸？

为了获得逼真的高价值的美容效果，软件必须首先知道你的脸在哪里，其中涉及的关键技术是人脸检测。人脸检测技术的任务是识别图片中的所有人脸，提取特征并输出人脸的大小和位置坐标。

人脸检测算法需要输入大量的图片，通过深度学习神经网络模型计算得到人脸帧的坐标序列。即使图形中有多个人脸、角度变化、部分遮挡等复杂情况，也能快速准确地处理和定位人脸。

资料来源:https://being human . ai/face-detection-models-and-softwars-42b 562 A8 e 151

美容APP是如何准确地将唇膏涂到你的嘴唇上的？

面部美容特殊处理的实现主要取决于人脸关键点定位的准确性。通过人脸检测技术获得人脸帧后，将原始图像和人脸帧输入到人脸对齐算法模型中，输出人脸特征和轮廓关键点的坐标。最常见的特征包括眼睛、瞳孔、眉毛、鼻子、嘴巴等的位置。

来源:https://pytorch.org/tutorials/beginer/data _装货_ tutorial.html

一张脸的关键点之间有一定的位置关系，例如，一个人有左眼和右眼，眉毛在眼睛上方，鼻子在眼睛下方的中间位置，嘴巴在鼻子下方。即使图像旋转，眼睛、鼻子和嘴巴仍将从相对位置保持这种固定的结构关系。否则，“脸”可能会随意变成下面的样子。

毕加索的抽象脸部绘画，来源:http://www.apartexchange.com/Guide_parispicasso.htm

为了描述这种位置和结构的关系，我们可以在计算机上使用一串固定长度的数值，这叫做“面部特征”。在人脸特征提取过程中，需要输入原始图像和人脸轮廓关键点坐标。深度学习算法将根据面部轮廓关键点坐标将面部对齐到预定模式，然后计算输出对应于面部的特征值串。

对于视频来说，虽然可以看作是逐帧的静态图像处理问题，但关键点的跟踪应该考虑保证关键点在图像帧之间的连续性。对于任意光照、夸张表情和不同角度的侧脸，准确定位和跟踪真实环境中拍摄的视频中人脸关键点的位置仍然是一个具有挑战性的问题。

资料来源:Freepik.com

美丽如何让皮肤变得更好？

精确定位这些关键点后，由这些关键点形成网格，并根据固定的参数对网格进行局部变形，从而形成薄面、大眼睛等特效算法。

在所有特效治疗中，美白和脱皮是唯一不可缺少的环节，毕竟，“一白遮百丑，长痘毁一切”。白化算法的目标是使肤色区域更加透明。这部分算法是无止境的，基本思想是如何调整图片的亮度。然而，有更多的皮肤磨削算法，包括高斯模糊和双边滤波。它也非常复杂，并且需要大量投资来具体选择需要哪些算法和哪些具有增强细节的后处理技术来实现更好的剥离效果。

除了美丽，人脸检测技术也非常有用

人脸检测/识别技术除了在上述美容应用软件中惠及大多数美容爱好者之外，还广泛应用于日常生活的许多方面，为人们的高质量生活带来更多的科技解决方案。

这里我们需要理解“相似性”的概念。前面提取的人脸特征数字串可以用来表征人脸特征。输入两组不同人脸图片的特征值，通过规则定义的算法公式可以得到两组特征之间的相似度。

例如，在计算了以下两个图表后，相似度为97.82%。嗯，相似度相当高，非常满意！(因为那是我妻子本人~哈哈。)

《妻子》照片，来源:https://www.hmv.co.jp/goods/genre_'sゥゥゥゥゥゥゥゥゥゥ2019жゥゥゥゥゥゥゥゥゥゥゥゥゥゥゥゥゥжゥ女ゥゥゥゥゥж

在人脸比较的基础上，设置阈值来实现人脸验证功能。例如，如果预设阈值为80%，当相似度大于80%时，将输出“同一个人”的判断。

资料来源:作者自制

因为人工智能已经可以判断它是否是同一个人，基于这个原理，它可以帮助人类实现更复杂的应用。

例如，许多手机现在都有面部解锁功能。这项实用功能中使用的技术称为“面部验证”。手机等终端设备只能通过比较用户预先登记的照片和现场临时采集的照片来判断是否是同一个人，从而完成身份验证。

面部验证是一对一的比较。其身份验证模式本质上是一个过程，在这个过程中，计算机在当前人脸和肖像数据库之间进行快速人脸比较，并获得是否有匹配。例如，在高速公路和机场的安全检查期间，被检查人员持有身份证和其他证件，通过检查通道，并识别被检查人员的外貌和身份信息。这个过程是典型的1: 1模式。

资料来源:作者自制

与基于1: 1比较的人脸验证不同，基于1: n(一对多)搜索和比较的人脸识别在新的零售理念下广泛应用于住宅区门禁、场馆签到和顾客识别等真实场景中。其基本思想是输入一个人的人脸特征，然后通过与人像数据库中的海量数据进行比较和匹配，找到与当前人脸数据相匹配的图像(即特征相似度最大的图像)，并返回该图像对应的身份。

另外，1: N模式的人脸识别可以通过截取动态视频流并进一步比较来实现获取人脸数据的动态比较过程，在识别过程中，识别对象可以在不到达特定位置的情况下完成人脸识别工作，非常高效。

资料来源:作者自制

人脸检索也使用1: N模式。它的基本原理类似于人脸识别。它还将一个人的面部特征与肖像数据库中的N个数据进行比较和匹配，除了它不返回具有最高相似性的一个，而是返回相似性从高到低排序的面部序列的结果。在现实生活中，警察叔叔可以利用先进的人脸检索技术更快地定位嫌疑人，加快案件侦破的进度。

美女有什么难的？这可以通过凭空创造一张脸来实现。

下面两张照片，一张是真人照片，另一张是人工智能合成的，你能选择哪一张是合成的吗？

资料来源:Freepik.com

答案是显而易见的，左边的是生成的，右边的是真实的。左边的漂亮女人根本不存在，这是不是让人难以置信？一个“捏造”一个根本不存在的“人”。

资料来源:作者自制

这里使用的是一种被称为GAN的人工智能算法，它被训练用来产生反网络GAN。经过训练，它可以无中生有。它的基本原理可以用一个故事来解释:有一个假制造商和一个鉴赏专家。故事一开始，伪造者和鉴赏家都是新手。生产的一种假冒产品非常垃圾，一眼就能看穿。另一个没有鉴赏力，完全依靠猜测。然而，通过不断的训练，这两个人把每件赝品都拿到鉴定师那里去鉴定。鉴赏家在作出评价后会偷看标准答案。这样，经过足够多的“不懈努力”，假货制造商生产的假货变得非常逼真，鉴赏专家的鉴赏能力不断提高，直至达到真正的专家水平。这时，伪造者可以用假货制造假货。

这个故事中的两个“主角”，伪造者和鉴赏家，分别是GAN算法的产生者和鉴别者。其中一个负责生成图像，另一个负责判断图像是否符合标准。正如故事中提到的，他们经历了不断的训练，直到最终的生成器能够生成虚假和真实的图像。

除了最基本的GAN模型，到目前为止，已经开发了许多不同的变形算法。例如，在下面的示例中，在输入人类表情之后，可以生成具有相同表情的猫。真的很酷吗？将来，让喵喵大师自己做同样的表情包是指日可待的。

资料来源:作者自制

原文的标题是“一秒钟内有一千万行代码的美丽脸庞”