说起智能美妆功能，大家应该有所了解，自从美狐美颜SDK上架此功能之后，其热度便一直居高不下，特别是深受一些主播用户的喜爱，毕竟“一件上妆”功能实在是非常实用。那么，您对于智能美妆背后的算法了解多少呢？
说起智能美妆的算法自然绕不开人脸配准，而人脸配准的研究始于二十世纪六十年代，早期的研究主要集中在理论和算法两个层面，不仅局限于局部定位和人工特征的表达能力，而且对人工标注信息的依赖程度较大。如今的人脸配准已经不同于往日，下文小编将给大家讲解一下传统人脸配准与深度人脸配准的区别。
一、传统人脸配准
相比于其他人脸技术，光照、头部姿态、表情的变化，以及遮挡都会很大程度影响人脸配准的精度。但是人脸配准也有具有自身特点，首先特征点描述了人脸的结构，人脸结构是完整稳定的，五官相对位置固定；其次，头部姿态、表情等变化造成的特征点位置变化明显。传统人脸配准研究需要一直尝试寻找更加精准的特征描述来表达这种既确定又变化的点的组合，再根据描述符选择适当的优化求解方法，从而定位人脸特征点。
二、深度人脸配准
大约十年前，深度神经网络逐渐在音视频处理、计算机视觉、语音识别等多个领域大放异彩，当然也有咱们正在讲述的人脸配准。这给广大学者们带来了许多便利，特别是在人脸描述符方面。总体而言，学术界现在比较认可的深度人脸配准有两种：
1、级联卷积网络人脸配准
2、多任务深度人脸配准
其次，级联卷积网络人脸配准又包含三级，每级包含多个卷积网络。第一级给出一个初始点位置估计，在此基础上后两级精细调整特征点位置。多任务配准将配准与其他相关人脸属性的训练同时进行。与脸部特征点相关的属性包含头部姿态，表情等，比如笑脸的嘴部很可能是张开的，正面脸特征点则对称分布。多任务有助于提升特征点检测定位精度。然而不同的任务会有不同的收敛速度和难度，训练难度加大。目前学界提供了两种解决方案调整不同的任务的训练进程：任务提早终止准则和参数动态控制机制。
以上，就是小编对于智能美妆背后算法的一个小知识点的讲解，如果您想了解更多美颜相关知识，请关注美狐美颜SDK。
声明：本文由美狐原创，未经允许禁止转载，谢谢合作。
