基于 YOLOv8 手部关键点检测与 Lab 肤色识别的虚拟试戴方案

导读要点：

·手型分析靠YOLOv8-Pose：21 个关键点算出掌部长宽比、手指与指节比例；

·指甲定位靠 YOLOv8 目标检测：输出每片指甲的位置区域，作为渲染底图；

·肤色识别靠 Lab 色彩空间：把肤色映射到 a*-b* 平面，归入冷白皮、自然偏白、黄调自然、健康小麦等类型；

·推荐结果可解释：甲型匹配手型、颜色匹配肤色，规则可由管理员后台维护；

·完整业务闭环：上传 → 分析 → 推荐 → 预览 → 保存记录，用户端与管理员端权限分离。

图 1 AI 美甲推荐系统概念主视觉：手部美甲与 AI 科技光效

1 行业背景：美甲消费的“选择难题”与 AI 机会

美甲是高频消费，但“选款”环节长期依赖经验：什么甲型显手长、什么颜色衬肤色，普通消费者很难自行判断；门店美甲师水平参差，线上款式图与实际上手也常有色差。选择成本高、试错成本也高。

随着计算机视觉走向成熟，手部姿态估计、目标检测与色彩分析都有了可直接使用的模型。把这些能力串成一条流水线，就能把“凭感觉选款”变成“按数据推荐”，让每位用户都拥有一个随叫随到的 AI 美甲顾问。

一句话定义：AI 智能美甲推荐系统，是一套以手部照片为输入、以手型与肤色分析为基础，自动输出甲型与美甲颜色推荐并生成虚拟试戴预览的计算机视觉应用。

2 系统总体架构

如图 2 所示，系统自上而下分为接入层、业务服务层、算法引擎层与数据层。用户端与管理员端共用同一套后端服务，通过权限控制相互隔离，保证数据安全与职责清晰。

图 2 AI 智能美甲推荐系统总体技术架构图

2.1 用户端功能需求

表1用户端功能需求清单

2.2 管理员端功能需求

表2管理员端功能需求清单

3 核心业务流程七步拆解

如图 3 所示，一次完整的美甲分析包含上传照片、关键点解析、指甲检测、肤色识别、规则推荐、渲染预览与保存记录七个步骤，管理员则通过后台持续维护基础数据。

图 3 AI 智能美甲推荐系统核心业务流程图

3.1 手部照片上传与预处理

用户拍照或从相册选取手部照片上传。前端与文件服务先完成格式校验、尺寸归一与压缩，保证进入算法流水线的图片清晰且大小可控；同时通过拍摄引导（手掌张开、光线均匀、背景简洁）提升后续识别的稳定性。

3.2 YOLOv8-Pose：解析手部关键点，完成手型分析

YOLOv8-Pose是 YOLOv8 系列中的姿态估计模型，能够同时输出目标位置与关键点坐标。在手部场景下，模型输出 21 个关键点：1 个手腕点，拇指、食指、中指、无名指、小指各 4 个点，如图 4 所示。

由关键点可以计算：掌长与掌宽（掌部长宽比）、五根手指的长度与相互比例、每根手指近节、中节、远节三节指节比例，以及指尖走向与甲床轮廓。系统据此把手型归入纤长型、匀称型、圆润型、宽掌型等类别。关键点坐标本质上是“手部的结构化表达”，让手型判断不再依赖肉眼。

图 4 YOLOv8-Pose 手部 21 个关键点与手型分析示意图

3.3 YOLOv8：检测指甲区域

完成手型分析后，YOLOv8 目标检测模型对五片指甲逐一检测，输出每片指甲的位置框（必要时附带分割轮廓）。指甲区域有两个用途：一是圈定后续渲染范围，二是与关键点结果互相校验——当指甲检测不到时触发“请重新拍摄”的提示，保证流程健壮。

3.4 Lab 色彩空间：肤色识别

在指甲检测的同时，系统在手部区域内采样肤色，并转换到 Lab 色彩空间。Lab 由三个通道组成：L 表示明度，a 表示从绿到红的色彩位置，b 表示从蓝到黄的色彩位置。

相比常见的 RGB，Lab 的最大优势是明度与色彩相互分离、色域宽广且更接近人眼感知：肤色的冷暖差异主要体现在 a*、b* 两个通道上。系统把采样点映射到 a*-b* 平面并聚类，得到冷白皮、自然偏白、黄调自然、健康小麦等肤色类型，作为颜色推荐依据，如图 5 所示。

图 5 Lab 色彩空间肤色聚类与美甲颜色推荐图

3.5 规则引擎：生成甲型与颜色推荐

推荐环节由规则引擎完成，核心逻辑可以概括为“手型决定甲型、肤色决定颜色”。规则以配置形式存放在款式库与颜色库中，管理员可在后台维护，无需修改代码，系统上线后也能持续更新。

表3手型特征与甲型推荐匹配规则

表4肤色分型与美甲颜色推荐规则

3.6 渲染生成预览图：虚拟试戴

拿到指甲区域与推荐款式后，渲染服务把颜色与图案贴合到指甲的位置和形态上，处理光影与边缘过渡，生成“所见即所得”的预览图，如图 6 所示。用户可在多个推荐方案之间切换对比，再决定是否到店消费或购买相应产品。

图 6 移动端美甲虚拟试戴效果概念图

3.7 保存分析记录

预览生成后，系统保存本次分析记录，内容包括原图、手型与肤色结果、推荐的甲型与颜色、预览图以及分析时间，并与用户账号关联，供“历史记录查看”使用；管理员端可查看全系统的分析记录，为后续运营与款式更新提供依据。

4 非功能性需求与工程保障

在功能之外，系统对响应速度、稳定性、易用性与可维护性提出明确要求，并通过相应工程措施予以保障，如表 5 所示。

表5非功能性需求指标与工程措施

5 技术选型与模块设计

表6核心技术选型（建议方向，可按团队技术栈替换）

表 7系统模块划分与职责

模块之间通过明确接口通信。例如推荐模块只接收“手型 + 肤色”两个结构化结果，并不关心底层模型细节；未来替换检测模型或新增风格分类，都不会影响其他模块，这正是“代码模块清晰、便于维护拓展”的落地方式。

6 应用场景与商业价值

·美甲门店与连锁品牌：用户到店前在线试款，缩短选款沟通时间，提升到店转化与客单价；

·美甲平台与小程序：线上选款加虚拟试戴，增强用户停留时长与社交分享传播；

·美甲产品电商：颜色“上手”预览，降低因色差导致的退货率；

·个人用户：自助测手型、找配色，获得随手可用的AI 美甲顾问；

·数据运营：分析记录沉淀流行趋势，反哺款式库建设与选品决策。

7 未来拓展方向

·模型能力：引入指甲精细分割与款式风格分类，提升复杂背景、不同光照下的鲁棒性；

·推荐能力：从规则引擎升级为规则与个性化学习结合，纳入用户历史偏好；

·交互能力：支持动态效果预览、短视频试戴与AR 实时试戴；

·运营能力：基于分析记录构建趋势看板，实现智能选品与款式推荐；

·多端拓展：接入更多社交平台与智能硬件，扩大服务触达范围。