上篇文章我们讲到美颜sdk的传统磨皮算法，虽然传统磨皮算法发展的比较成熟，但就皮肤区域识别检测功能来讲，大多数方法具有较高的误检率，容易将类肤色判定为肤色，这样就导致了非皮肤区域图像会被滤波器平滑掉了，也就是不该磨皮的图像区域被模糊了。

因此，越来越多的美颜sdk开始使用深度学习技术来改进或者提高磨皮的质量，比如：使用深度学习进行皮肤区域分割，得到更为精确的皮肤区域，从而使得最后的磨皮效果超越传统算法的效果，这就是AI磨皮算法。下面我们会为大家简单介绍下这种AI磨皮算法。

一、AI磨皮算法包含技术

皮肤分割：风格的方法有很多，常见的有CNN、FCN、UNet、DenseNet等，

目前主流的语义分割等都可以实现，准确度要求较高。

人脸关键点识别：以美狐美颜sdk为例，可以识别106个人脸关键点，实现过程主要是靠不断地机器训练得来的。

基于皮肤区域的祛斑：基本算法步骤如下，使用Sobel粗略提取斑点信息，使用连通域判断得到最终斑点区域，结合高斯滤波+泊松融合来实现祛斑效果。

基于皮肤区域的磨皮美白调色：磨皮部分：通过高反磨皮或双曲线磨皮算法对人像磨皮、结合皮肤区域得到精确磨皮效果；美白调色部分：这一步通过PS中的曲线调节来得到美白调色的LUT，结合肤色区域进行Blend得到调色结果。

大眼瘦脸：基于人脸特征点+MLS变形或IDW反距离加权变形来实现大眼瘦脸撒算法。

五官立体+腮红+唇彩+美瞳：这一步通过人脸关键点来得到嘴唇和腮红区域，实现唇彩和腮红，通过美瞳模板来实现美瞳算法，通过双曲线调色来实现五官立体算法。

二、AI磨皮算法的优点

从很多实例中可以看到，基于颜色空间的传统磨皮算法始终无法精确区分皮肤区域与类肤色区域，尤其是在头发区域也可能会做磨皮操作，从而导致头发纹理细节丢失，而基于Unet皮肤分割的磨皮算法则可以很好的区分皮肤与头发这种类肤色区域，进而将头发的纹理细节保留，达到该磨皮的地方磨皮，不该磨皮的地方不磨，效果明显优于传统方法。

以上，就是对美颜sdk中的AI磨皮算法介绍，如果您对美颜sdk开发感兴趣，欢迎咨询官方客服。

声明：本文由美狐原创，未经允许禁止转载，谢谢合作。