溫馨提示×
您好，登錄后才能下訂單哦！
點擊 登錄注冊 即表示同意《億速云用戶服務條款》
您好，登錄后才能下訂單哦！
小編這次要給大家分享的是如何用Python制作一個換臉程序，文章內容豐富，感興趣的小伙伴可以來了解一下，希望大家閱讀完這篇文章之后能夠有所收獲。
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：
1.使用 dlib 提取面部標記
該腳本使用 dlib 的 Python 綁定來提取面部標記：
Dlib 實現了 Vahid Kazemi 和 Josephine Sullivan 的《使用回歸樹一毫秒臉部對準》論文中的算法。算法本身非常復雜，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()函數將一個圖像轉化成numpy數組，并返回一個68×2元素矩陣，輸入圖像的每個特征點對應每行的一個x，y坐標。
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一個臉。
2.用 Procrustes 分析調整臉部
現在我們已經有了兩個標記矩陣，每行有一組坐標對應一個特定的面部特征(如第30行的坐標對應于鼻頭)。我們現在要解決如何旋轉、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。
將這個問題數學化，尋找T，s 和 R，使得下面這個表達式：
結果最小，其中R是個2×2正交矩陣，s是標量，T是二維向量，pi和qi是上面標記矩陣的行。
事實證明，這類問題可以用“常規 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.])]) 代碼實現了這幾步：
其結果可以插入 OpenCV 的 cv2.warpAffine 函數，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域的邊緣不連續。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)) 結果如下：
此函數試圖改變 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也會出現未照亮一側暗一些的問題。
也就是說，這是一個相當簡陋的辦法，而且解決問題的關鍵是一個適當的高斯核函數大小。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，內核之外區域像素被覆蓋，并發生變色。這里的內核用了一個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應該顯示出的區域，值為0(顯示為黑色)的地方為圖像1應該顯示出的區域。值在0和1之間為圖像1和圖像2的混合區域。
我們把上述過程分解：
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
看完這篇關于如何用Python制作一個換臉程序的文章，如果覺得文章內容寫得不錯的話，可以把它分享出去給更多人看到。
免責聲明：本站發布的內容（圖片、視頻和文字）以原創、轉載和分享為主，文章觀點不代表本網站立場，如果涉及侵權請聯系站長郵箱：is@yisu.com進行舉報，并提供相關證據，一經查實，將立刻刪除涉嫌侵權內容。
