簡介

在這篇文章中我將介紹如何寫一個簡短(200行)的 Python 腳本，來自動地將一幅圖片的臉替換為另一幅圖片的臉。

這個過程分四步：

檢測臉部標(biāo)記。 旋轉(zhuǎn)、縮放、平移和第二張圖片，以配合第一步。 調(diào)整第二張圖片的色彩平衡，以適配第一張圖片。 把第二張圖像的特性混合在第一張圖像中。

1.使用 dlib 提取面部標(biāo)記

該腳本使用 dlib 的 Python 綁定來提取面部標(biāo)記：

Dlib 實現(xiàn)了 Vahid Kazemi 和 Josephine Sullivan 的《使用回歸樹一毫秒臉部對準(zhǔn)》論文中的算法。算法本身非常復(fù)雜，但dlib接口使用起來非常簡單：

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()函數(shù)將一個圖像轉(zhuǎn)化成numpy數(shù)組，并返回一個68×2元素矩陣，輸入圖像的每個特征點對應(yīng)每行的一個x，y坐標(biāo)。

特征提取器(predictor)需要一個粗糙的邊界框作為算法輸入，由一個傳統(tǒng)的能返回一個矩形列表的人臉檢測器(detector)提供，其每個矩形列表在圖像中對應(yīng)一個臉。

2.用 Procrustes 分析調(diào)整臉部

現(xiàn)在我們已經(jīng)有了兩個標(biāo)記矩陣，每行有一組坐標(biāo)對應(yīng)一個特定的面部特征(如第30行的坐標(biāo)對應(yīng)于鼻頭)。我們現(xiàn)在要解決如何旋轉(zhuǎn)、翻譯和縮放第一個向量，使它們盡可能適配第二個向量的點。一個想法是可以用相同的變換在第一個圖像上覆蓋第二個圖像。

將這個問題數(shù)學(xué)化，尋找T，s 和 R，使得下面這個表達式：

結(jié)果最小，其中R是個2×2正交矩陣，s是標(biāo)量，T是二維向量，pi和qi是上面標(biāo)記矩陣的行。

事實證明，這類問題可以用“常規(guī) Procrustes 分析法”解決：

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.])])

代碼實現(xiàn)了這幾步：

將輸入矩陣轉(zhuǎn)換為浮點數(shù)。這是后續(xù)操作的基礎(chǔ)。 每一個點集減去它的矩心。一旦為點集找到了一個最佳的縮放和旋轉(zhuǎn)方法，這兩個矩心 c1 和 c2 就可以用來找到完整的解決方案。 同樣，每一個點集除以它的標(biāo)準(zhǔn)偏差。這會消除組件縮放偏差的問題。 使用奇異值分解計算旋轉(zhuǎn)部分。可以在維基百科上看到關(guān)于解決正交 Procrustes 問題的細節(jié)。 利用仿射變換矩陣返回完整的轉(zhuǎn)化。

其結(jié)果可以插入 OpenCV 的 cv2.warpAffine 函數(shù)，將圖像二映射到圖像一：

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

對齊結(jié)果如下：

3.校正第二張圖像的顏色

如果我們試圖直接覆蓋面部特征，很快會看到這個問題：

這個問題是兩幅圖像之間不同的膚色和光線造成了覆蓋區(qū)域的邊緣不連續(xù)。我們試著修正：

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))

結(jié)果如下：

此函數(shù)試圖改變 im2 的顏色來適配 im1。它通過用 im2 除以 im2 的高斯模糊值，然后乘以im1的高斯模糊值。這里的想法是用RGB縮放校色，但并不是用所有圖像的整體常數(shù)比例因子，每個像素都有自己的局部比例因子。

用這種方法兩圖像之間光線的差異只能在某種程度上被修正。例如，如果圖像1是從一側(cè)照亮，但圖像2是被均勻照亮的，色彩校正后圖像2也會出現(xiàn)未照亮一側(cè)暗一些的問題。

也就是說，這是一個相當(dāng)簡陋的辦法，而且解決問題的關(guān)鍵是一個適當(dāng)?shù)母咚购撕瘮?shù)大小。如果太小，第一個圖像的面部特征將顯示在第二個圖像中。過大，內(nèi)核之外區(qū)域像素被覆蓋，并發(fā)生變色。這里的內(nèi)核用了一個0.6 *的瞳孔距離。

4.把第二張圖像的特征混合在第一張圖像中

用一個遮罩來選擇圖像2和圖像1的哪些部分應(yīng)該是最終顯示的圖像：

值為1(顯示為白色)的地方為圖像2應(yīng)該顯示出的區(qū)域，值為0(顯示為黑色)的地方為圖像1應(yīng)該顯示出的區(qū)域。值在0和1之間為圖像1和圖像2的混合區(qū)域。

我們把上述過程分解：

get_face_mask()的定義是為一張圖像和一個標(biāo)記矩陣生成一個遮罩，它畫出了兩個白色的凸多邊形：一個是眼睛周圍的區(qū)域，一個是鼻子和嘴部周圍的區(qū)域。之后它由11個像素向遮罩的邊緣外部羽化擴展，可以幫助隱藏任何不連續(xù)的區(qū)域。 這樣一個遮罩同時為這兩個圖像生成，使用與步驟2中相同的轉(zhuǎn)換，可以使圖像2的遮罩轉(zhuǎn)化為圖像1的坐標(biāo)空間。 之后，通過一個element-wise最大值，這兩個遮罩結(jié)合成一個。結(jié)合這兩個遮罩是為了確保圖像1被掩蓋，而顯現(xiàn)出圖像2的特性。

最后，使用遮罩得到最終的圖像：

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

總結(jié)

到此這篇關(guān)于小 200 行 Python 代碼制作一個換臉程序的文章就介紹到這了,更多相關(guān)python 換臉程序內(nèi)容請搜索好吧啦網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持好吧啦網(wǎng)！