小网站,站长之家seo概况查询,wordpress的tag404页面,淘宝客怎么做网站导购本文将介绍如何编写一个只有200行的Python脚本#xff0c;为两张肖像照上人物的“换脸”。
这个过程可分为四步#xff1a;
检测面部标记。
旋转、缩放和转换第二张图像#xff0c;使之与第一张图像相适应。
调整第二张图像的色彩平衡#xff0c;使之与第一个相匹配。
把第…本文将介绍如何编写一个只有200行的Python脚本为两张肖像照上人物的“换脸”。
这个过程可分为四步
检测面部标记。
旋转、缩放和转换第二张图像使之与第一张图像相适应。
调整第二张图像的色彩平衡使之与第一个相匹配。
把第二张图像的特性混合在第一张图像中。
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
用Dlib实现了论文One Millisecond Face Alignment with an Ensemble of Regression Trees中的算法http://www.csc.kth.se/~vahidk/papers/KazemiCVPR14.pdf作者为Vahid Kazemi 和Josephine Sullivan 。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 x2元素矩阵输入图像的每个特征点对应每行的一个xy坐标。
特征提取器predictor要一个粗糙的边界框作为算法输入由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用普氏分析(Procrustes analysis)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行给出的鼻子的坐标。我们现在要搞清楚如何旋转、翻译和规模化第一个向量使它们尽可能适合第二个向量的点。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。
把它们更数学化寻找Ts和R令下面这个表达式的结果最小
R是个2 x2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。
本人对于Python学习创建了一个小小的学习圈子为各位提供了一个平台大家一起来讨论学习Python。欢迎各位到来Python学习群923414804一起讨论视频分享学习。Python是未来的发展方向正在挑战我们的分析能力及对世界的认知方式因此我们与时俱进迎接变化并不断的成长掌握Python核心技术才是掌握真正的价值所在。
事实证明这类问题可以用“常规普氏分析法” (Ordinary Procrustes Analysis) 解决
def transformation_from_points(points1, points2):
points1 points1.astype(numpy.float64)
points2 points2.astype(numpy.float64)
c1 numpy.mean(points1, axis0)
c2 numpy.mean(points2, axis0)
points1 - c1
points2 - c2
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.])])
代码分别实现了下面几步
将输入矩阵转换为浮点数。这是之后步骤的必要条件。
每一个点集减去它的矩心。一旦为这两个新的点集找到了一个最佳的缩放和旋转方法这两个矩心c1和c2就可以用来找到完整的解决方案。
同样每一个点集除以它的标准偏差。这消除了问题的组件缩放偏差。
使用Singular Value Decomposition计算旋转部分。可以在维基百科上看到关于解决正交普氏问题的细节https://en.wikipedia.org/wiki/Orthogonal_Procrustes_problem。
之后结果可以插入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, dtypeim.dtype)
cv2.warpAffine(im,
M[:2],
(dshape[1], dshape[0]),
dstoutput_im,
borderModecv2.BORDER_TRANSPARENT,
flagscv2.WARP_INVERSE_MAP)
return output_im
图像对齐结果如下
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就会看到一个问题
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], axis0) -
numpy.mean(landmarks1[RIGHT_EYE_POINTS], axis0))
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))
结果是这样
此函数试图改变图像2的颜色来匹配图像1。它通过用im2除以im2的高斯模糊然后乘以im1的高斯模糊。这里的想法是用RGB缩放校色但是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是从一边照亮但图像2是均匀照明的色彩校正后图像2也会出现未照亮边暗一些的现象。
也就是说这是一个相当粗糙的办法而且解决问题的关键是一个适当的高斯内核大小。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把第二张图像的特性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(白色)的地方为图像2应该显示出的区域值为0(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。
这是生成上面那张图的代码:
LEFT_EYE_POINTS list(range(42, 48))
RIGHT_EYE_POINTS list(range(36, 42))
LEFT_BROW_POINTS list(range(22, 27))
RIGHT_BROW_POINTS list(range(17, 22))
NOSE_POINTS list(range(27, 35))
MOUTH_POINTS list(range(48, 61))
OVERLAY_POINTS [
LEFT_EYE_POINTS RIGHT_EYE_POINTS LEFT_BROW_POINTS RIGHT_BROW_POINTS,
NOSE_POINTS MOUTH_POINTS,
]
FEATHER_AMOUNT 11
def draw_convex_hull(im, points, color):
points cv2.convexHull(points)
cv2.fillConvexPoly(im, points, colorcolor)
def get_face_mask(im, landmarks):
im numpy.zeros(im.shape[:2], dtypenumpy.float64)
for group in OVERLAY_POINTS:
draw_convex_hull(im,
landmarks[group],
color1)
im numpy.array([im, im, im]).transpose((1, 2, 0))
im (cv2.GaussianBlur(im, (FEATHER_AMOUNT, FEATHER_AMOUNT), 0) 0) * 1.0
im cv2.GaussianBlur(im, (FEATHER_AMOUNT, FEATHER_AMOUNT), 0)
return im
mask get_face_mask(im2, landmarks2)
warped_mask warp_im(mask, M, im1.shape)
combined_mask numpy.max([get_face_mask(im1, landmarks1), warped_mask],
axis0)
我们把上述代码分解
get_face_mask()的定义是为一张图像和一个标记矩阵生成一个遮罩它画出了两个白色的凸多边形一个是眼睛周围的区域一个是鼻子和嘴部周围的区域。之后它由11个像素向遮罩的边缘外部羽化扩展可以帮助隐藏任何不连续的区域。
这样一个遮罩同时为这两个图像生成使用与步骤2中相同的转换可以使图像2的遮罩转化为图像1的坐标空间。
之后通过一个element-wise最大值这两个遮罩结合成一个。结合这两个遮罩是为了确保图像1被掩盖而显现出图像2的特性。
最后应用遮罩给出最终的图像
output_im im1 * (1.0 - combined_mask) warped_corrected_im2 * combined_mask
