在2019年，也就是去年7月份的时候，俄罗斯下的FaceApp的变老功能被一堆美国政要和明星带火，接着就收到美国的隐私禁令。从技术上看，FaceApp的变老应该是基于机器学习的，今天，笔者给大家分享一种基于传统算法实现变老的效果。
先给大家看下特效，如图1.1所示：
我们探究下这种效果的实现过程，从视觉上去看，其本质是在用户图上的人脸位置贴上皱纹图，具体思路如下所示：
- 将图片A进行人脸检测，得到图片A的人脸关键点集m；
- 根据人脸检测的关键点集m的特征，对皱纹图B进行打点，点集为n；
- 将关键点集n对齐到m，对齐的方法有多样，可以用三角剖分，也可以使用移动最小二乘法中的相似变换；
- 通过对齐得到新的顶点坐标集v，纹理坐标集t，索引集i，对图片A和皱纹B进行混合叠加，得到效果图C；
- 将图片A和效果图C进行透明度混合，实现调整透明度的效果。
前面我们了解了实现这种效果的关键步骤，接下来就深入了解每个环节。
一、关键点检测
人脸检测的技术已经不是什么新鲜事了，各大厂商出了许多人脸检测SDK，有81个关键点的、有106个关键点的，目前在收费上比较出名的人脸关键点SDK有商汤科技、旷视、字节等；免费的人脸关键点SDK有OpenCV、Dlib、以及Google旗下Firebase的MLVision，笔者正是使用它来做此次的人脸关键点检测，MLVision可以检测出133个关键点，包括人脸的额头点，如图2.1所示：
Firebase的MLVision具体使用可以参考Firebase的文档，需要用梯子才能访问，这里笔者简单总结下对Firebase的MLVision的使用感受：
- 优点：
- API设计友好、免费使用、能检测出额头点、五官特征等；
- 关键点稳定，不会过于抖动。
- 不足：
- 只能单人脸检测，且单帧人脸关键点检测相较于收费厂商过慢，对一张1080的图片，用MLVision需要15~20ms，Face++是6ms、字节是3ms，所有理论上MLVision无法用在实时情景下；
- 缺乏更多人脸相关数据，如缺乏部分欧拉角数据等。
- 除了需要将用户图A通过人脸检测获取到关键点集m之外，还需要对皱纹图B打点，其实就是人工计算图B关键点的坐标，坐标数量和特征同点集m保持一致，为点集n，皱纹图如图2.2所示:
二、关键点对齐
在图像变形上，业界有很多种方法，有二维的，也有三维的变形，此次用到的只有二维上的变形，二维上的图像变形有移动最小二乘法，其中包括放射变形、相似变形、刚性变形。其原理简要描述是由用户指定图像中的控制点，并通过拖拽控制点来驱动图像变形。假设p为原图像中控制点的位置，q为拖拽后控制点的位置，我们利用移动最小二乘法来为原图像上的每个像素点v构建相应的仿射变换lv(x)，并通过该变换来计算得到图像变形后的位置：
其中权重wi的表达式为wi = 1/|pi - v|2α，仿射变换lv(x)由两部分组成lv(x) = xM + T，其中M为线性转换矩阵，T为平移量。事实上将最小化表达式对变量T求偏导后可以得到T的表达式T = q* - pM，其中p = ∑wipi/∑wi，q* = ∑wiqi/∑wi。于是仿射变换可以化简为lv(x) = (x - p*)M + q*，而最小化表达式可以变化为：
其中
仿射变形是利用经典正规方程对最小化表达式直接求解得到的结果：
有了旋转矩阵M的表达式后，我们得到变形的表达式：
由于用户是通过控制q的位置来实现图像变形，而p的位置是固定不变的，因此上式中大部分内容可以预先计算并保存，从而提高运算速度，重写变形表达式如下：
效果图如图3.1所示：
在这一步，根据点集m和点集n，将皱纹图B对齐到用户图A上，效果如图3.2所示：
三、叠加混合
面具图B一旦变形完后，需要将其同图A进行叠加混合，叠加算法有很多种，有柔光、叠加、强光、变亮、变暗等，具体可以查看Photo Shop，如果没有Photo Shop可以查看一些手机图片编辑工具，如PicsArt美易等工具。这里笔者建议可以使用柔光混合或者叠加混合，这里使用的叠加混合，效果基本上同柔光差不多，但在黑人变老体验上会更好，各种混合公式如图4.1所示：
这里笔者使用的是GPUImage3的叠加混合着色器，是基于Metal的GPU渲染，Metal，苹果推出的今后GPU渲染和计算的御用API，兼顾图形与计算功能、面向底层、低开销的硬件加速、类似将OpenGL和OpenCL的功能集合在同一个API里，iOS8以上，但其实保险得iOS11以上才能用，跟硬件加速有关，除此之外苹果还有一个MetalKit，和Metal共存在iOS里，只不过MetalKit比Metal多了些东西，比如提供更容易的纹理加载API、Metai的高效输入输出、MTKView等，基本上iOS上目前都是使用MetalKit。
使用Metal渲染后，效果图如图4.2所示：
到这里基本上就完成了变老特效的实现，Demo可以在Github上直接下载。
