亲宝软件园·资讯

展开

python 换脸程序 小 200 行 Python 代码制作一个换脸程序

python引路人 人气:2

简介

在这篇文章中我将介绍如何写一个简短(200行)的 Python 脚本,来自动地将一幅图片的脸替换为另一幅图片的脸。

这个过程分四步:

1.使用 dlib 提取面部标记

该脚本使用 dlib 的 Python 绑定来提取面部标记:

Dlib 实现了 Vahid Kazemi 和 Josephine Sullivan 的《使用回归树一毫秒脸部对准》论文中的算法。算法本身非常复杂,但dlib接口使用起来非常简单:

PREDICTOR_PATH = "/home/matt/dlib-18.16/shape_predictor_68_face_landmarks.dat" 
detector = dlib.get_frontal_face_detector() 
predictor = dlib.shape_predictor(PREDICTOR_PATH) 
def get_landmarks(im): 
  rects = detector(im, 1) 
  if len(rects) > 1: 
    raise TooManyFaces 
  if len(rects) == 0: 
    raise NoFaces 
  return numpy.matrix([[p.x, p.y] for p in predictor(im, rects[0]).parts()]) 

get_landmarks()函数将一个图像转化成numpy数组,并返回一个68×2元素矩阵,输入图像的每个特征点对应每行的一个x,y坐标。

特征提取器(predictor)需要一个粗糙的边界框作为算法输入,由一个传统的能返回一个矩形列表的人脸检测器(detector)提供,其每个矩形列表在图像中对应一个脸。

2.用 Procrustes 分析调整脸部

现在我们已经有了两个标记矩阵,每行有一组坐标对应一个特定的面部特征(如第30行的坐标对应于鼻头)。我们现在要解决如何旋转、翻译和缩放第一个向量,使它们尽可能适配第二个向量的点。一个想法是可以用相同的变换在第一个图像上覆盖第二个图像。

将这个问题数学化,寻找T,s 和 R,使得下面这个表达式:

结果最小,其中R是个2×2正交矩阵,s是标量,T是二维向量,pi和qi是上面标记矩阵的行。

事实证明,这类问题可以用“常规 Procrustes 分析法”解决:

def transformation_from_points(points1, points2): 
  points1 = points1.astype(numpy.float64) 
  points2 = points2.astype(numpy.float64) 
  c1 = numpy.mean(points1, axis=0) 
  c2 = numpy.mean(points2, axis=0) 
  points1 -= c1 
  points2 -= c 
  s1 = numpy.std(points1) 
  s2 = numpy.std(points2) 
  points1 /= s1 
  points2 /= s2 
  U, S, Vt = numpy.linalg.svd(points1.T * points2) 
  R = (U * Vt).T 
  return numpy.vstack([numpy.hstack(((s2 / s1) * R, 
                    c2.T - (s2 / s1) * R * c1.T)), 
             numpy.matrix([0., 0., 1.])]) 

代码实现了这几步:

其结果可以插入 OpenCV 的 cv2.warpAffine 函数,将图像二映射到图像一:

def warp_im(im, M, dshape): 
  output_im = numpy.zeros(dshape, dtype=im.dtype) 
  cv2.warpAffine(im, 
          M[:2], 
          (dshape[1], dshape[0]), 
          dst=output_im, 
          borderMode=cv2.BORDER_TRANSPARENT, 
          flags=cv2.WARP_INVERSE_MAP) 
  return output_im 

对齐结果如下:

3.校正第二张图像的颜色

如果我们试图直接覆盖面部特征,很快会看到这个问题:

这个问题是两幅图像之间不同的肤色和光线造成了覆盖区域的边缘不连续。我们试着修正:

COLOUR_CORRECT_BLUR_FRAC = 0.6 
LEFT_EYE_POINTS = list(range(42, 48)) 
RIGHT_EYE_POINTS = list(range(36, 42)) 
def correct_colours(im1, im2, landmarks1): 
  blur_amount = COLOUR_CORRECT_BLUR_FRAC * numpy.linalg.norm( 
               numpy.mean(landmarks1[LEFT_EYE_POINTS], axis=0) - 
               numpy.mean(landmarks1[RIGHT_EYE_POINTS], axis=0)) 
  blur_amount = int(blur_amount) 
  if blur_amount % 2 == 0: 
    blur_amount += 1 
  im1_blur = cv2.GaussianBlur(im1, (blur_amount, blur_amount), 0) 
  im2_blur = cv2.GaussianBlur(im2, (blur_amount, blur_amount), 0) 
  # Avoid divide-by-zero errors. 
  im2_blur += 128 * (im2_blur <= 1.0) 
  return (im2.astype(numpy.float64) * im1_blur.astype(numpy.float64) / 
                        im2_blur.astype(numpy.float64)) 

结果如下:

此函数试图改变 im2 的颜色来适配 im1。它通过用 im2 除以 im2 的高斯模糊值,然后乘以im1的高斯模糊值。这里的想法是用RGB缩放校色,但并不是用所有图像的整体常数比例因子,每个像素都有自己的局部比例因子。

用这种方法两图像之间光线的差异只能在某种程度上被修正。例如,如果图像1是从一侧照亮,但图像2是被均匀照亮的,色彩校正后图像2也会出现未照亮一侧暗一些的问题。

也就是说,这是一个相当简陋的办法,而且解决问题的关键是一个适当的高斯核函数大小。如果太小,第一个图像的面部特征将显示在第二个图像中。过大,内核之外区域像素被覆盖,并发生变色。这里的内核用了一个0.6 *的瞳孔距离。

4.把第二张图像的特征混合在第一张图像中

用一个遮罩来选择图像2和图像1的哪些部分应该是最终显示的图像:

值为1(显示为白色)的地方为图像2应该显示出的区域,值为0(显示为黑色)的地方为图像1应该显示出的区域。值在0和1之间为图像1和图像2的混合区域。

我们把上述过程分解:

最后,使用遮罩得到最终的图像:

output_im = im1 * (1.0 - combined_mask) + warped_corrected_im2 * combined_mask 

总结

加载全部内容

相关教程
猜你喜欢
用户评论