爱美之心人皆有之,美颜相机人皆用之
市场分析
市场渗透率(最常用的几款):
美图(美图秀秀&美颜相机):市场渗透率最高,占到美颜相机市场的50%左右
B612咔叽:市场渗透率达到26%左右
Faceu激萌:可能由于今年的表现亮眼,市场占有率飙升
用户分析
目标用户:极光大数据显示,在过去半年中,拍照P图类应用在“95后”女性中的渗透率呈现逐月下降的趋势。在今年年初,拍照P图类应用在目标群体中的渗透率还高达66.4%。截至7月份,“95后”女性中的拍照P图用户已不足60%,而男性的比例相对有所上升,数据表明美颜类APP在年轻女性市场相对饱和,但是在整体用户上存在上升空间。
用户需求:拍照,修图,追求时尚
需求挖掘:用户需要通过招聘获得更多关注,满足虚荣心,激发个人自信和愉悦感,扩大交际圈
用户特征分析:主要以女性为主,女性对美有特殊的要求,年龄方面年轻人居多
用户心理分析:炫耀,需要关注,直观性审美,印象管理(自我形象的操控权)
产品分析
产品定位:自拍和美颜
用户体验设计:相机类APP更应该注重用户体验设计,现有几款APP都采用底部页面切换拍照模式的方法,继承了传统相机的原生设计理念,同时贴纸采用半透明化不影响用户整体的视觉格局,功能集成在同一个操作页面,方便用户进行切换和对比效果。
功能:
①贴纸:形象贴纸
②美颜效果:磨皮、滤镜、五官美感、亮度、对比度、色彩饱和度和背景虚化等
③美形效果:五官微调,脸部效果
④滤镜:满足不同人群对于图片真实度和风格的需求
运营方法:
①借助大平台:例如借助微博的热搜,明星粉丝效应等等
②赞助一些选美比赛和秀场:针对目标用户进行独家推广
③ 加强与用户的互动:提升用户粘性和吸引更多用户,通过微博和公众号评论留言等功能实现
④美颜效果更新:各种新型美颜效果吸引用户不断尝试
技术分析
美颜相机应用计算机视觉,多种类算法和深度学习技术,应用技术较多本文只做一些常用的技术分析,有需要研究的可以参考很多开源的文档(例如百度的AI开放平台)
人脸检测算法MTCNN:
论文地址:https://kpzhang93.github.io/MTCNN_face_detection_alignment/
基本步骤:人脸检测、图像预处理、特征提取、匹配、结果输出。
整体流程
Stage 1:P-Net是一个全卷积网络,用来生成候选窗和边框回归向量(bounding box regression vectors)。使用Bounding box regression的方法来校正这些候选窗,使用非极大值抑制(NMS)合并重叠的候选框。全卷积网络和Faster R-CNN中的RPN一脉相承。
Stage 2:使用N-Net改善候选窗。将通过P-Net的候选窗输入R-Net中,拒绝掉大部分false的窗口,继续使用Bounding box regression和NMS合并。
Stage 3:最后使用O-Net输出最终的人脸框和特征点位置,和R-net只是在去除重叠候选窗口的同时,显示五个人脸关键点定位。
训练:
(1)脸部分类:对每一个xi采用交叉熵损失函数(cross-entropy loss):Ldet = −(ydet log(pi) + (1 − ydet)(1 − log(pi)))
(2)复原边界框:对于每一个xi需要对他的偏移进行复原和回归,采用欧几里得回归:
(3)脸部特征坐标:依旧计算欧几里得回归预测真实坐标,同时取一个minumal
(4)多源训练
(5)Online Hard sample mining(这个术语我不会翻译。。。):为了取得更好的效果,作者每次只后向传播前70%样本的梯度,这样来保证传递的都是有效的数字。有点类似latent SVM。
训练数据的操作:
四种类型的数据:
备选区域和目标区域的重叠率(IOU)小于0.3的,全部是非人脸;IOU大于0.65的是人脸;IOU在0.4到0.65之间的是部分人脸区域;人脸特征坐标,人脸标注五个位置。
ps:给出一个国外的应用OpenCV和Python做的人脸识别(我暂时没搞懂这个方法,可能英文不好。。。):https://www.superdatascience.com/opencv-face-detection/
美颜算法(有空更新,先放个链接):
https://www.mitpressjournals.org/doi/pdf/10.1162/089976606774841602(需要翻墙)
主要应用面部吸引力分析