關於美顏sdk中人臉識別專案的設計思路

現在，大多數美顏APP拍照後，都只有新增各種濾鏡、美白、粗暴美型，早已不能滿足廣大女性群體對於美顏的需求，加上如今年輕女性和男性的審美標準和獵奇心理都在發生改變，社交方式的趣味性也變得不同，比如原來大家可能在空間、朋友圈、直播上看到美女帥哥都會覺得很吸睛，點贊粉絲直奔而來，但之後隨著類似於抖音等軟體的出現，由於加持了特效 美顏sdk ，可以發現不僅俊男靚女的照片能引起圍觀，各種普通群眾的搞怪合成影片或合成照片同樣能吸引無數粉絲的追捧。而這些搞怪的美顏效果，則需要用到人臉識別的相關技術。

那麼，如果開發者自己想要透過人臉識別技術來最佳化和改進美顏sdk，改如何做呢？大概有以下幾個步驟：

一、目標使用者畫像分析

1、瞭解目標使用者的主流群體： 學生群體對月美顏美妝的心理需求、時尚人士的美妝需求、長相普通的人和長相突出的人對於美顏的心理需求等。
2、瞭解使用者的年齡組成、地域分佈對應 的 美妝特點。
3、不同收入群體的美顏美妝需求關注點。
二、 市場分析

嵌入人臉識別技術 美顏 sdk 市場規模，產業鏈，潛在的邊際效應利益等。

三、文件準備

1、需求文件：透過對上面目標使用者畫像資訊的收集，詳細的分析目前的使用者需求，針對不同群體，設計不同的產品解決方案，包括市場的需求文件。

2、資料文件：前期的人臉圖片收集、分發、標註總結文件，各種臉型的分類，多少人完成眼睛美顏圖片的分類等。

3、產品文件

場景落地文件：例如聽歌時頭上戴虛擬耳機，嘆氣時嘴上叼煙等針對不同的人臉姿態場景研究可能的落地產品形式。

產品設計文件：如美顏sdk的頁面互動設計、導航設計、視覺呈現設計等。

開發流程文件：提交需求、可行性分析、立項、設計流程、開發流程、演算法搭建、模型訓練、測試訓練等一系列流程的步驟及跟進。

4、 模型訓練及測試文件：資料標註好後，輸入至演算法，搭建人臉識別美顏的模型框架，如前期用成千上萬的照片訓練機器的人臉關鍵點定位，讓機器找準五官的位置。

四、資料標註（構建人臉識別模型的最重要步驟）

1、資料圖片的採集：爬取收集符合模型訓練的人臉圖片，或是運用公司的資料圖片等。

2、資料圖片的標註： 在規範文件的指引下，將圖片分發給標註團隊進行資料的標註，對一些模稜兩可的圖片，如圖片中的人臉較模糊，此時該照片是要還是不要，期間應與演算法團隊保持溝通，有時暗的圖片在演算法的最佳化中能準確識別，這樣增加實際情況的容錯率，那麼這張圖片則視為有效資料；有時較暗的圖片經過演算法之後並不能達到要求（即無法定位出人臉關鍵點），此時這照片則視為無效資料，直接剔除；但是標註團隊並不知道這張圖片是有效還是無效，所以標註過程中，負責演算法的團隊也需間接參與進來。

3、資料的反饋：在部分圖片標註過程後，交於演算法團隊訓練模型調節引數，期間將測試後的資料反饋給還在標註的人員，有時可能造成過擬合有時可能造成欠擬合等方便對資料進行重新操作。

五、編譯打包測試

將訓練好的人臉識別演算法程式打包後，就要開啟一系列測試，包含：

1、 手機攝像頭測試

2、 平臺後臺程式測試

3、 演算法與平臺後臺測試

4、 模型識別時間、準確率、召回率測試

5、 伺服器穩定性測試

6、 網路頻寬限制測試

7、 其它平臺、硬體產品常規測試

8、 目標使用者使用測試

六、 最佳化和驗收上線

經過各種測試之後，針對反饋回來的資料對產品進行最佳化，人臉識別演算法有可能會出現貼圖、關鍵點定位不準確的情況，在修復這些bug後，按照流程功能進行驗收後上線。

以上就是 美顏sdk 中關於 人臉識別專案設計 的總體 思路 。