Android美颜相机毕业设计：CameraX与ML Kit实战指南

简介：本资源为华南农业大学毕业设计项目，基于Java实现一款类似美颜相机（美图秀秀）的Android应用，面向计算机相关专业学生、Android开发初学者及需要课程设计参考的开发者。项目围绕图像滤镜、GPU渲染与相机预览等核心功能展开，可帮助读者理解移动端图像处理的完整实现思路。压缩包共2000个文件，以xml布局与资源文件、json配置、java源码为主，另含少量sh脚本、properties配置及c语言解码文件，整体约19.43MB，目录结构完整，便于按模块查阅与二次开发。其中java文件承载业务逻辑与滤镜算法，xml负责界面与资源定义，c文件涉及YUV解码等底层处理，适合作为毕业设计或课程设计的实战参考。目前已有118人学习下载，读者可从中获取完整的项目源码、滤镜工具类实现及工程配置方案，用于学习Android图像处理、GPUImage集成与相机数据解析等关键技术。

1. 从零到一：一个美颜相机 Android App 的毕业设计到底要做什么

很多同学看到“美颜相机”四个字，第一反应是打开应用商店搜一圈，然后陷入沉默——功能列表长得像菜单，从磨皮、美白、瘦脸到大眼、滤镜、贴纸，似乎每个都能单独写一篇论文。但毕业设计不是做商业产品，它的核心是在有限时间内，用可验证的技术方案，解决一个定义清晰的问题。我见过太多人一上来就喊着要做“美图秀秀平替”，结果三个月过去，连相机预览都没跑通。

这个标题真正指向的，是一个典型的 Android 端图像处理实战项目：调用摄像头采集画面，在本地完成人脸检测与美颜处理，最后实时渲染或保存成片。它适合两类人：一是 Android 开发初学者，想通过一个完整项目串起 Camera、SurfaceView、OpenGL ES 和图像算法；二是对移动端图像处理感兴趣的同学，需要一个能写进简历、能演示、能讲清楚技术选型的作品。关键不在于功能多，而在于每一层都有可解释的技术决策——为什么用 Camera2 而不是 Camera1？为什么磨皮选双边滤波而不是高斯模糊？这些才是答辩时老师真正会追问的地方。

2. 技术选型与架构设计：别急着写代码，先把这四层想清楚

2.1 相机采集层：Camera2 与 CameraX 的取舍

Android 相机 API 经历过三代：Camera1（已废弃）、Camera2（功能全但复杂）、CameraX（Jetpack 组件，封装友好）。对于毕业设计，我的建议是优先 CameraX，除非你的课题明确要求底层控制。

CameraX 的优势在于生命周期绑定简单、设备兼容性好、代码量少。一个典型的预览用例只需要三步：配置 Preview 用例、绑定到 LifecycleOwner、在 PreviewView 上显示。而 Camera2 需要手动管理 CaptureSession、处理各种状态回调，新手很容易在“打开相机黑屏”这个坑里卡一周。

但 CameraX 也不是万能。如果你需要精确控制曝光时间、手动对焦、或者获取 RAW 格式数据，Camera2 仍然是唯一选择。常见做法是：用 CameraX 做预览和拍照，用 ImageAnalysis 用例拿到 YUV 数据做实时人脸检测，这样既降低了复杂度，又保留了处理灵活性。

// CameraX 预览 + 图像分析的最小配置 val cameraProviderFuture = ProcessCameraProvider.getInstance(this) cameraProviderFuture.addListener({ val cameraProvider = cameraProviderFuture.get() // 预览用例：绑定到 PreviewView val preview = Preview.Builder() .setTargetResolution(Size(1280, 720)) // 720p 兼顾性能与画质 .build() .also { it.setSurfaceProvider(previewView.surfaceProvider) } // 图像分析用例：输出 YUV_420_888，供人脸检测使用 val imageAnalysis = ImageAnalysis.Builder() .setTargetResolution(Size(640, 480)) // 分析分辨率降低，减少计算量 .setBackpressureStrategy(ImageAnalysis.STRATEGY_KEEP_ONLY_LATEST) // 丢帧策略 .build() .also { it.setAnalyzer(executor, FaceAnalyzer()) } // 选择后置摄像头 val cameraSelector = CameraSelector.DEFAULT_BACK_CAMERA try { cameraProvider.unbindAll() cameraProvider.bindToLifecycle(this, cameraSelector, preview, imageAnalysis) } catch (e: Exception) { Log.e("CameraX", "绑定失败", e) } }, ContextCompat.getMainExecutor(this))

这段代码里有两个参数值得注意：setTargetResolution和setBackpressureStrategy。预览用 1280×720 是因为大多数手机屏幕在这个分辨率下清晰度足够，且 GPU 渲染压力可控；分析用 640×480 是因为人脸检测模型输入通常不超过这个尺寸，再大就是浪费算力。STRATEGY_KEEP_ONLY_LATEST确保分析线程不会积压帧——如果处理速度跟不上采集速度，直接丢弃旧帧，保证预览流畅。

2.2 人脸检测层：ML Kit 还是自己训模型

人脸检测是美颜的“眼睛”。没有检测，你根本不知道磨皮该磨哪里、瘦脸该推哪块区域。常见方案有三种：

对于毕业设计，ML Kit 是性价比最高的选择。它提供 468 个面部关键点（通过 Face Mesh），足够支撑磨皮、瘦脸、大眼等常见功能。而且它完全在设备端运行，不需要网络请求，答辩演示时不用担心断网。

// 使用 ML Kit 进行人脸检测与关键点提取 class FaceAnalyzer : ImageAnalysis.Analyzer { private val detector = FaceDetection.getClient( FaceDetectorOptions.Builder() .setPerformanceMode(FaceDetectorOptions.PERFORMANCE_MODE_FAST) .setLandmarkMode(FaceDetectorOptions.LANDMARK_MODE_ALL) // 启用关键点 .setContourMode(FaceDetectorOptions.CONTOUR_MODE_ALL) // 启用轮廓 .setMinFaceSize(0.15f) // 最小人脸占比，避免误检 .build() ) @androidx.camera.core.ExperimentalGetImage override fun analyze(imageProxy: ImageProxy) { val mediaImage = imageProxy.image ?: return val inputImage = InputImage.fromMediaImage(mediaImage, imageProxy.imageInfo.rotationDegrees) detector.process(inputImage) .addOnSuccessListener { faces -> // faces 中包含边界框、关键点、轮廓点 // 传递给后续美颜处理模块 BeautyProcessor.updateFaces(faces) } .addOnCompleteListener { imageProxy.close() } // 必须关闭，否则阻塞 } }

这里的关键参数是setMinFaceSize(0.15f)——它表示人脸至少占画面短边的 15% 才被检测。设太小会误检背景纹理，设太大则稍远一点就检测不到。PERFORMANCE_MODE_FAST牺牲少量精度换取速度，对实时预览是必要的。另外注意imageProxy.close()必须调用，否则分析管线会阻塞，表现为预览卡死——这是新手最常见的翻车点之一。

2.3 美颜处理层：磨皮、美白、瘦脸的算法选择

美颜的核心是三个操作：磨皮（去瑕疵但保留纹理）、美白（提亮肤色）、形变（瘦脸大眼）。每个都有多种实现路径。

磨皮的经典方案是双边滤波（Bilateral Filter）。它同时考虑空间距离和像素值差异，能在平滑区域的同时保留边缘。但双边滤波计算量大，移动端实时处理需要优化。常见做法是：先降采样到 480p 做滤波，再上采样回原分辨率，用速度换质量。另一个方案是导向滤波（Guided Filter），效果更柔和，OpenCV 有现成实现。

美白相对简单：在 YUV 色彩空间的 Y 通道上做非线性提亮，或者转成 HSV 后调整 V 通道。关键是只对肤色区域生效，否则背景也会被漂白。肤色检测可以用 YCbCr 阈值：Cr 在 133-173、Cb 在 77-127 之间通常对应肤色。

瘦脸是几何变换：根据人脸关键点定位下颌线，然后对下颌区域做局部像素迁移（Liquify）。OpenCV 的remap函数配合位移场可以实现。大眼同理，以眼睛中心为圆心做径向放大。

# 磨皮核心：双边滤波 + 肤色掩膜（OpenCV 实现） import cv2 import numpy as np def skin_smooth(image, d=15, sigma_color=75, sigma_space=75): # 双边滤波：d 为邻域直径，sigma_color 控制颜色相似度权重 # sigma_space 控制空间距离权重 filtered = cv2.bilateralFilter(image, d, sigma_color, sigma_space) # 肤色检测：转 YCrCb 空间 ycrcb = cv2.cvtColor(image, cv2.COLOR_BGR2YCrCb) # 肤色范围：Cr 133-173，Cb 77-127 mask = cv2.inRange(ycrcb, np.array([0, 133, 77]), np.array([255, 173, 127])) # 对掩膜做形态学膨胀，覆盖边缘过渡区 mask = cv2.dilate(mask, np.ones((5,5), np.uint8), iterations=2) mask = cv2.GaussianBlur(mask, (15,15), 0) / 255.0 mask = np.expand_dims(mask, axis=2) # 扩展为三通道 # 按掩膜混合原图与滤波图 result = (filtered * mask + image * (1 - mask)).astype(np.uint8) return result

参数d=15是邻域直径，越大越平滑但越慢；sigma_color=75表示颜色差异超过 75 的像素不参与混合，这个值决定了边缘保留程度——设太小平滑不足，设太大边缘模糊。肤色掩膜的作用是防止头发、背景被误磨。膨胀和模糊是为了让掩膜边缘过渡自然，否则会出现明显的“磨皮边界”。

2.4 渲染与保存层：OpenGL ES 还是 Canvas

实时预览的美颜效果需要 GPU 渲染。Android 上主要有两条路：OpenGL ES 和 Canvas（硬件加速）。

OpenGL ES 的优势是性能高、可编程管线灵活，适合做滤镜链和实时形变。但学习曲线陡峭，需要理解着色器、纹理、帧缓冲等概念。Canvas 则简单得多，适合静态图片处理，但实时预览时帧率往往撑不住。

我的建议是：预览用 OpenGL ES，保存用 CPU 处理。预览时只需要展示效果，可以用简化算法保证 30fps；保存时追求画质，用完整算法慢慢算。两者可以共用同一套参数配置。

// OpenGL ES 片段着色器：磨皮 + 美白简化版 // 顶点着色器省略，标准纹理映射 precision mediump float; uniform sampler2D uTexture; uniform vec2 uTexelSize; // 1/width, 1/height varying vec2 vTexCoord; void main() { vec3 color = texture2D(uTexture, vTexCoord).rgb; // 简化磨皮：3x3 均值模糊 vec3 blur = vec3(0.0); for (int i = -1; i <= 1; i++) { for (int j = -1; j <= 1; j++) { blur += texture2D(uTexture, vTexCoord + vec2(float(i), float(j)) * uTexelSize).rgb; } } blur /= 9.0; // 美白：提亮亮度通道 vec3 smoothColor = mix(color, blur, 0.5); // 混合系数 0.5 float luminance = dot(smoothColor, vec3(0.299, 0.587, 0.114)); vec3 brightened = smoothColor + (1.0 - luminance) * 0.15; // 提亮幅度 0.15 gl_FragColor = vec4(brightened, 1.0); }

这个着色器做了两件事：3×3 均值模糊模拟磨皮，按亮度提亮模拟美白。mix的第三个参数 0.5 控制磨皮强度，0.15控制美白幅度。实际项目中，这些值应该做成滑块让用户调节。注意着色器里的循环是常量边界，GPU 可以展开优化；如果用动态循环，性能会急剧下降。

3. 动手实现：从相机预览到美颜保存的完整链路

3.1 项目骨架与依赖配置

先建一个空 Activity 项目，然后在build.gradle里加入核心依赖。CameraX、ML Kit、OpenCV 是三个主要库。

// app/build.gradle 关键依赖 dependencies { // CameraX 核心 def camerax_version = "1.3.0" implementation "androidx.camera:camera-core:${camerax_version}" implementation "androidx.camera:camera-camera2:${camerax_version}" implementation "androidx.camera:camera-lifecycle:${camerax_version}" implementation "androidx.camera:camera-view:${camerax_version}" // ML Kit 人脸检测 implementation 'com.google.mlkit:face-detection:16.1.6' // OpenCV（用于保存时的精细处理） implementation project(':opencv') // 需先导入 OpenCV Android SDK // 协程与权限 implementation 'org.jetbrains.kotlinx:kotlinx-coroutines-android:1.7.3' implementation 'androidx.activity:activity-ktx:1.8.0' }

OpenCV 需要手动导入模块：从官网下载 Android SDK，在 Android Studio 中File -> New -> Import Module，然后修改settings.gradle包含该模块。这一步容易出错的地方是 NDK 版本不匹配，建议在opencv/build.gradle里把ndkVersion设成和你项目一致。

3.2 实时预览与帧处理管线

预览界面用PreviewView加一个ImageAnalysis用例。关键是把分析结果（人脸位置）传递给渲染层。由于 CameraX 的分析回调在后台线程，而 OpenGL 渲染在 GL 线程，需要用线程安全的方式共享数据。

// 共享人脸数据的线程安全容器 object FaceDataHolder { @Volatile var faces: List<Face> = emptyList() fun update(newFaces: List<Face>) { faces = newFaces } } // 在 GL 渲染线程中读取 class BeautyRenderer : GLSurfaceView.Renderer { override fun onDrawFrame(gl: GL10?) { val currentFaces = FaceDataHolder.faces // 根据人脸位置调整磨皮区域和形变参数 // ... 渲染逻辑 } }

@Volatile保证可见性，但要注意List<Face>本身不是线程安全的。更稳妥的做法是每次更新时创建新列表，而不是修改原列表。这个细节在低端设备上可能导致偶发崩溃，答辩演示前务必在多台机器上测试。

3.3 拍照保存与后处理

拍照时，从ImageCapture用例获取全分辨率 JPEG，然后交给 OpenCV 做精细美颜。这里不要用预览的简化算法，而是用完整的双边滤波加形变。

// 拍照并保存的完整流程 private fun takePhotoAndProcess() { val imageCapture = ImageCapture.Builder() .setCaptureMode(ImageCapture.CAPTURE_MODE_MAXIMIZE_QUALITY) .build() imageCapture.takePicture( ContextCompat.getMainExecutor(this), object : ImageCapture.OnImageCapturedCallback() { override fun onCaptureSuccess(image: ImageProxy) { // 转为 Bitmap val bitmap = imageProxyToBitmap(image) image.close() // 后台线程做精细美颜 lifecycleScope.launch(Dispatchers.Default) { val processed = FineBeautyProcessor.process(bitmap) withContext(Dispatchers.Main) { saveBitmap(processed) } } } override fun onError(exception: ImageCaptureException) { Log.e("Capture", "拍照失败", exception) } } ) }

CAPTURE_MODE_MAXIMIZE_QUALITY会牺牲拍照速度换取画质，适合毕业设计演示。imageProxyToBitmap需要处理 YUV 到 RGB 的转换，可以用ImageProxy的planes手动转，也可以用RenderScript（已废弃但简单）。注意转换时的旋转角度，否则保存的照片方向不对。

4. 避坑指南：五个让毕业设计翻车的典型问题

4.1 预览黑屏或花屏

现象：绑定 CameraX 后 PreviewView 一片黑，或者出现绿色条纹。原因：最常见的是设备不支持所选分辨率，或者PreviewView的scaleType设置不当。另一个原因是相机权限没在运行时请求。解决：先用cameraProvider.getAvailableCameraInfos()查询支持的分辨率，选一个设备确实支持的。权限用ActivityResultContracts.RequestPermission()请求。花屏通常是 YUV 转 RGB 的公式写错，检查ImageAnalysis.OUTPUT_IMAGE_FORMAT_RGBA_8888是否设置。

4.2 人脸检测延迟高导致预览卡顿

现象：开启人脸检测后预览帧率从 30fps 掉到 10fps 以下。原因：分析分辨率太高，或者检测模式用了ACCURATE而非FAST，或者没有设置背压策略导致帧堆积。解决：分析分辨率降到 640×480 甚至 320×240；PERFORMANCE_MODE_FAST；STRATEGY_KEEP_ONLY_LATEST。如果还卡，把检测频率降到每 3 帧一次，中间帧复用上一次结果。

4.3 磨皮后肤色区域出现色块

现象：磨皮后脸上出现一块块不均匀的色斑，像马赛克。原因：肤色掩膜的阈值太严格，导致部分肤色像素被排除，混合时产生硬边界。解决：对掩膜做高斯模糊（半径 15-25），让边界过渡自然；或者改用 YCbCr 的椭圆模型而非矩形阈值。另外双边滤波的sigma_color不要设太大，否则会把肤色和背景混在一起。

4.4 保存的照片方向旋转 90 度

现象：预览正常，但保存的 JPEG 在相册里横着。原因：相机传感器方向与设备方向不一致，ImageProxy的rotationDegrees没有应用到最终 Bitmap。解决：用Matrix.postRotate(imageProxy.imageInfo.rotationDegrees)旋转 Bitmap。注意前置摄像头还有镜像问题，需要额外做水平翻转。

4.5 低端机上 OpenGL 着色器编译失败

现象：在模拟器或旧手机上，美颜预览直接崩溃，日志显示着色器编译错误。原因：片段着色器里用了mediump精度但某些 GPU 不支持，或者循环次数太多超出限制。解决：把精度改成highp或lowp逐个测试；循环展开成固定次数；避免在着色器里做复杂数学运算。如果还不行，降级到 Canvas 渲染，虽然慢但兼容性好。

5. 进阶技巧：让美颜效果从“能用”到“自然”

5.1 用肤色概率图替代硬阈值

硬阈值肤色检测在光照变化时很容易失效。更好的做法是计算每个像素属于肤色的概率，用概率作为磨皮强度的权重。一个简单实现是高斯模型：在 YCbCr 空间计算像素到肤色中心的马氏距离，距离越小概率越高。

# 肤色概率图：高斯模型 def skin_probability(image): ycrcb = cv2.cvtColor(image, cv2.COLOR_BGR2YCrCb).astype(np.float32) # 肤色中心（经验值） center = np.array([140, 120]) # Cr, Cb # 协方差矩阵（经验值） cov = np.array([[150, 20], [20, 150]]) inv_cov = np.linalg.inv(cov) # 计算马氏距离 diff = ycrcb[:, :, 1:3] - center dist = np.sum(diff @ inv_cov * diff, axis=2) # 高斯概率 prob = np.exp(-dist / 2) return prob # 值域 0-1，越接近 1 越可能是肤色

这个概率图可以直接作为磨皮的混合系数，比二值掩膜自然得多。参数center和cov需要根据你的测试图片微调，不同人种肤色中心略有差异。

5.2 磨皮强度自适应：根据人脸大小调整

人脸在画面中占比不同，磨皮强度也应该不同。人脸大时细节多，可以磨重一点；人脸小时本身就不清晰，磨太狠会糊成一片。可以根据人脸边界框面积与画面面积的比例，线性映射到磨皮强度。

// 自适应磨皮强度 fun computeSmoothStrength(faceArea: Float, imageArea: Float): Float { val ratio = faceArea / imageArea // ratio 范围约 0.01-0.3，映射到强度 0.2-0.8 return (0.2f + (ratio - 0.01f) / 0.29f * 0.6f).coerceIn(0.2f, 0.8f) }

这个映射函数是经验公式，你可以根据实际效果调整上下限。关键是让强度随人脸大小连续变化，避免突变。

5.3 用 GPU 做双边滤波的近似

双边滤波在 CPU 上很慢，但 GPU 上可以用“空间滤波 + 值域滤波”分离近似。具体做法是：先用小核高斯模糊得到平滑图，然后计算原图与平滑图的差值，对差值做阈值处理后再加回去。这个近似在移动端效果足够，速度提升 5-10 倍。

// 片段着色器：双边滤波近似 precision highp float; uniform sampler2D uTexture; uniform vec2 uTexelSize; varying vec2 vTexCoord; void main() { vec3 center = texture2D(uTexture, vTexCoord).rgb; vec3 sum = vec3(0.0); float weightSum = 0.0; // 5x5 采样 for (int i = -2; i <= 2; i++) { for (int j = -2; j <= 2; j++) { vec2 offset = vec2(float(i), float(j)) * uTexelSize; vec3 sampleColor = texture2D(uTexture, vTexCoord + offset).rgb; // 空间权重：高斯 float spatial = exp(-float(i*i + j*j) / 8.0); // 值域权重：颜色差异越小权重越大 float range = exp(-length(sampleColor - center) * 10.0); float w = spatial * range; sum += sampleColor * w; weightSum += w; } } gl_FragColor = vec4(sum / weightSum, 1.0); }

这个着色器在移动 GPU 上跑 720p 可以稳定 30fps。10.0是值域权重的敏感度，越大边缘保留越好但磨皮越弱。实际调试时先设 5.0，再根据效果增减。

5.4 答辩演示的稳定性技巧

最后说一个血泪经验：答辩前一定要在真机上关掉开发者选项里的“不保留活动”。这个选项会导致 Activity 被销毁重建，相机资源释放不及时，演示时直接黑屏。另外准备一个“演示模式”，把美颜强度固定在中档，避免现场调参翻车。如果老师问“为什么不用 AI 模型”，回答“ML Kit 已经是设备端 AI，且毕业设计重点在工程链路而非模型训练”——这个回答我试过，很稳。

希望帮到你。

本文还有配套的精品资源，点击获取