美颜滤镜是当下直播甚至是所有形式对外展示的一个必备条件。移动端的美颜滤镜就像私人化妆师，能够帮助实现各种心仪的效果。

大型娱乐节目一般都是提前录制，然后在后期制作，而视频质量和美颜方向也会在后期进行诸多处理。但是对于实时直播的节目和晚会，没有后期制作。相比于移动端，这种大型娱乐现场的场景非常复杂，灯光、背景、机位等都与传统的基于人脸检测和跟踪的美颜滤镜提出了巨大挑战。

一个典型的美颜滤镜工作流程是这样的：模型检测跟踪人脸、获取人脸的信息、根据信息对人脸进行精准美颜。而在大型娱乐现场，多人随意运动，机位拉近拉远，很容易导致上述流程失灵，并造成一些明显的负面效果。

这便提出了一个问题，美颜滤镜如何应用于大型实时现场？原理是什么？

一、构建基于服务端的转码系统

大型实时现场可以看成是一个典型的只有一个“主播”的场景，所有观众观看的都是同一个视频源。因此，最好的方案便是，只需要在服务端对直播流进行实时的美颜和转码，即在服务端构建一套完整的基于GPU的转码处理系统，就可以有效解决这个问题。而且相对于客户端来说，服务端视频处理的资源是非常充裕的，可以允许一些较复杂的算法运行。

二、算法实现过程

和移动端的美颜滤镜算法选择方向一样，大型实时现场的美颜滤镜算法也分为两种：一种是改进后的传统美颜算法，一种是基于深度学习的美颜算法。下面我会依次进行简单的讲解。

传统美颜算法是目前业界比较通用的方法，但对于传统算法来说，有一个比较严重的问题，即无法跟踪人脸，那么只能针对整图来进行美化。但是这样的话，其美化的度就难以把握。拿美白举例，对于近景，人脸比较大，轻微的美白不足以

给观众一个较大的观感改变，调节后对于整体的色调都会有一定的影响，负面效果逐渐展现。所以一般的做法是，多轮调优，选择一个负面效果可接受的美颜算法。整体来说，调整后的传统算法，有一定程度的美化作用，但是因为程度很轻，美颜效果不明显。

而深度学习美颜算法则是加入了深度学习模型，但美颜滤镜的核心工作流程没有变化，具体可体现在此算法能够明显区分美化区域和背景区域，美化区域效果对比显著，背景区域基本无改变，其效果要比改进后的传统美颜算法要好的多。

以上，就是美颜滤镜如何应用于大型实时现场的原理和算法，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。