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