如何用Python代碼做一個(gè)換臉程序

如何用Python代碼做一個(gè)換臉程序，相信很多沒有經(jīng)驗(yàn)的人對(duì)此束手無策，為此本文總結(jié)了問題出現(xiàn)的原因和解決方法，通過這篇文章希望你能解決這個(gè)問題。

簡(jiǎn)介

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

這個(gè)過程分四步：

• 檢測(cè)臉部標(biāo)記。

• 旋轉(zhuǎn)、縮放、平移和第二張圖片，以配合***步。

• 調(diào)整第二張圖片的色彩平衡，以適配***張圖片。

• 把第二張圖像的特性混合在***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(shí)現(xiàn)了 Vahid Kazemi 和 Josephine Sullivan 的《使用回歸樹一毫秒臉部對(duì)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(jiǎn)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(gè)圖像轉(zhuǎn)化成numpy數(shù)組，并返回一個(gè)68×2元素矩陣，輸入圖像的每個(gè)特征點(diǎn)對(duì)應(yīng)每行的一個(gè)x，y坐標(biāo)。

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

2.用 Procrustes 分析調(diào)整臉部

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

將這個(gè)問題數(shù)學(xué)化，尋找T，s 和 R，使得下面這個(gè)表達(dá)式：

結(jié)果最小，其中R是個(gè)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(shí)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 -= 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.])])

代碼實(shí)現(xiàn)了這幾步：

1.將輸入矩陣轉(zhuǎn)換為浮點(diǎn)數(shù)。這是后續(xù)操作的基礎(chǔ)。

2.每一個(gè)點(diǎn)集減去它的矩心。一旦為點(diǎn)集找到了一個(gè)***的縮放和旋轉(zhuǎn)方法，這兩個(gè)矩心 c1 和 c2 就可以用來找到完整的解決方案。

3.同樣，每一個(gè)點(diǎn)集除以它的標(biāo)準(zhǔn)偏差。這會(huì)消除組件縮放偏差的問題。

4.使用奇異值分解計(jì)算旋轉(zhuǎn)部分?？梢栽诰S基百科上看到關(guān)于解決正交 Procrustes 問題的細(xì)節(jié)。

5.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(duì)齊結(jié)果如下：

3.校正第二張圖像的顏色

如果我們?cè)噲D直接覆蓋面部特征，很快會(huì)看到這個(gè)問題：

這個(gè)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?cè)囍拚?/p>

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(gè)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(huì)出現(xiàn)未照亮一側(cè)暗一些的問題。

也就是說，這是一個(gè)相當(dāng)簡(jiǎn)陋的辦法，而且解決問題的關(guān)鍵是一個(gè)適當(dāng)?shù)母咚购撕瘮?shù)大小。如果太小，***個(gè)圖像的面部特征將顯示在第二個(gè)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(gè)0.6 *的瞳孔距離。

4.把第二張圖像的特征混合在***張圖像中

用一個(gè)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。

這是生成上圖的代碼:

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, color=color)    def get_face_mask(im, landmarks):      im = numpy.zeros(im.shape[:2], dtype=numpy.float64)        for group in OVERLAY_POINTS:          draw_convex_hull(im,                           landmarks[group],                           color=1)        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], axis=0)

我們把上述過程分解：

• get_face_mask()的定義是為一張圖像和一個(gè)標(biāo)記矩陣生成一個(gè)遮罩，它畫出了兩個(gè)白色的凸多邊形：一個(gè)是眼睛周圍的區(qū)域，一個(gè)是鼻子和嘴部周圍的區(qū)域。之后它由11個(gè)像素向遮罩的邊緣外部羽化擴(kuò)展，可以幫助隱藏任何不連續(xù)的區(qū)域。

• 這樣一個(gè)遮罩同時(shí)為這兩個(gè)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(gè)element-wise***值，這兩個(gè)遮罩結(jié)合成一個(gè)。結(jié)合這兩個(gè)遮罩是為了確保圖像1被掩蓋，而顯現(xiàn)出圖像2的特性。

***，使用遮罩得到最終的圖像： 

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

完整代碼（link）：

import cv2 import dlib import numpy   import sys   PREDICTOR_PATH = "/home/matt/dlib-18.16/shape_predictor_68_face_landmarks.dat" SCALE_FACTOR = 1 FEATHER_AMOUNT = 11   FACE_POINTS = list(range(17, 68)) MOUTH_POINTS = list(range(48, 61)) RIGHT_BROW_POINTS = list(range(17, 22)) LEFT_BROW_POINTS = list(range(22, 27)) RIGHT_EYE_POINTS = list(range(36, 42)) LEFT_EYE_POINTS = list(range(42, 48)) NOSE_POINTS = list(range(27, 35)) JAW_POINTS = list(range(0, 17))   # Points used to line up the images. ALIGN_POINTS = (LEFT_BROW_POINTS + RIGHT_EYE_POINTS + LEFT_EYE_POINTS +                                RIGHT_BROW_POINTS + NOSE_POINTS + MOUTH_POINTS)   # Points from the second image to overlay on the first. The convex hull of each # element will be overlaid. OVERLAY_POINTS = [     LEFT_EYE_POINTS + RIGHT_EYE_POINTS + LEFT_BROW_POINTS + RIGHT_BROW_POINTS,     NOSE_POINTS + MOUTH_POINTS, ]   # Amount of blur to use during colour correction, as a fraction of the # pupillary distance. COLOUR_CORRECT_BLUR_FRAC = 0.6   detector = dlib.get_frontal_face_detector() predictor = dlib.shape_predictor(PREDICTOR_PATH)   class TooManyFaces(Exception):     pass   class NoFaces(Exception):     pass   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()])   def annotate_landmarks(im, landmarks):     im = im.copy()     for idx, point in enumerate(landmarks):         pos = (point[0, 0], point[0, 1])         cv2.putText(im, str(idx), pos,                     fontFace=cv2.FONT_HERSHEY_SCRIPT_SIMPLEX,                     fontScale=0.4,                     color=(0, 0, 255))         cv2.circle(im, pos, 3, color=(0, 255, 255))     return im   def draw_convex_hull(im, points, color):     points = cv2.convexHull(points)     cv2.fillConvexPoly(im, points, color=color)   def get_face_mask(im, landmarks):     im = numpy.zeros(im.shape[:2], dtype=numpy.float64)       for group in OVERLAY_POINTS:         draw_convex_hull(im,                          landmarks[group],                          color=1)       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   def transformation_from_points(points1, points2):     """     Return an affine transformation [s * R | T] such that:         sum ||s*R*p1,i + T - p2,i||^2     is minimized.     """     # Solve the procrustes problem by subtracting centroids, scaling by the     # standard deviation, and then using the SVD to calculate the rotation. See     # the following for more details:     #   https://en.wikipedia.org/wiki/Orthogonal_Procrustes_problem       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 -= c2       s1 = numpy.std(points1)     s2 = numpy.std(points2)     points1 /= s1     points2 /= s2       U, S, Vt = numpy.linalg.svd(points1.T * points2)       # The R we seek is in fact the transpose of the one given by U * Vt. This     # is because the above formulation assumes the matrix goes on the right     # (with row vectors) where as our solution requires the matrix to be on the     # left (with column vectors).     R = (U * Vt).T       return numpy.vstack([numpy.hstack(((s2 / s1) * R,                                        c2.T - (s2 / s1) * R * c1.T)),                          numpy.matrix([0., 0., 1.])])   def read_im_and_landmarks(fname):     im = cv2.imread(fname, cv2.IMREAD_COLOR)     im = cv2.resize(im, (im.shape[1] * SCALE_FACTOR,                          im.shape[0] * SCALE_FACTOR))     s = get_landmarks(im)       return im, s   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   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))   im1, landmarks1 = read_im_and_landmarks(sys.argv[1]) im2, landmarks2 = read_im_and_landmarks(sys.argv[2])   M = transformation_from_points(landmarks1[ALIGN_POINTS],                                landmarks2[ALIGN_POINTS])   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],                           axis=0)   warped_im2 = warp_im(im2, M, im1.shape) warped_corrected_im2 = correct_colours(im1, warped_im2, landmarks1)   output_im = im1 * (1.0 - combined_mask) + warped_corrected_im2 * combined_mask   cv2.imwrite('output.jpg', output_im)

看完上述內(nèi)容，你們掌握如何用Python代碼做一個(gè)換臉程序的方法了嗎？如果還想學(xué)到更多技能或想了解更多相關(guān)內(nèi)容，歡迎關(guān)注億速云行業(yè)資訊頻道，感謝各位的閱讀！