上篇文章中，小编向大家介绍了美颜sdk中，其中一项传统妆造迁移算法的实现过程，接下来向大家介绍剩余的内容。

基于物理模型和非成对数据的妆造迁移算法

从上一篇文章中可以看出，成对的妆造对比图获取代价高昂，于是后来出现了人脸分层模型，不需要成对的样本图，只需要输入两张图片，一张是目标图片A，一张是参考的样例化妆图片B。

第一步：将A和B进行人脸对齐。因为是在像素点级别进行迁移，所以人脸的对齐是很有必要的。人脸对齐一般采用薄板样条函数，这是一种在图像配准中很常见的插值方法，文中使用了ASM算法来定位关键点，为了提高准确性，还进行了人工调整，并增加了十个额头控制点，最终得到了83个关键点。

第二步：对A和B分别进行分解，将图片转换到CLELAB颜色空间，然后对图像进行分层建模。

第三步：将分解后的图像进行不同程度的处理，两幅皮肤细节层直接相加，颜色层进一步处理融合，对人脸结构中的高光和阴影部分则使用梯度进行迁移。

第四部：将得到的三部分组合到一起。注意到嘴唇化妆和脸部是很不一样的。在物理化妆中，嘴唇上的化妆品（如口红）通常会保留或突出嘴唇的质感，而不是像在面部皮肤上那样隐藏，处理方法是对原始图A中的每一个像素，从妆造图中搜索匹配的像素进行替换，此时会同时用到L通道的像素值和空间位置信息。

该方法原理清晰，不需要使用成对的数据，且不需要进行训练，但是需要输入图和妆造图进行精确的对齐，这限制了该类方法的实用性。实际上，传统的妆造迁移算法都无法避免这样的问题，它们对输入图的姿态以及光照非常敏感。

因此，有人工智能技术加载的，深度学习妆造迁移算法便逐渐应用于后来的美颜sdk中，深度学习算法利用深度学习技术来自动完成妆造迁移，框架流程都更加简单，是当点主流的研究思路，关于它的介绍，小编在下篇文章中再详细阐述。如果你对美颜sdk接入有需求，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。