![点击查看原始大小图片](http://dl2.iteye.com/upload/attachment/0110/6864/f8b8883b-6d89-3dc9-9522-de1b8a3fa58a.png)
介绍
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。
完整的源代码可以从这里下载: https://github.com/matthewearl/faceswap/blob/master/faceswap.py
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:
![点击查看原始大小图片](http://dl2.iteye.com/upload/attachment/0110/6866/5897e7e1-bf34-30d6-baff-9d2d3be9ea62.png)
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:
![点击查看原始大小图片](http://dl2.iteye.com/upload/attachment/0110/6868/674935df-3b10-37fa-af2f-04e39280b516.png)
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x,y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。
为了构建特征提取器,预训练模型必不可少,相关模型可从dlib sourceforge库下载(http://sourceforge.net/projects/dclib/files/dlib/v18.10/shape_predictor_68_face_landmarks.dat.bz2)。
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T,s和R,令下面这个表达式的结果最小:
![](http://dl2.iteye.com/upload/attachment/0110/6870/059bfd9f-0c07-3ea9-8ff4-ba8f726586c7.png)
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。
事实证明,这类问题可以用“常规普氏分析法” (Ordinary Procrustes Analysis) 解决:
![点击查看原始大小图片](http://dl2.iteye.com/upload/attachment/0110/6873/1aa6159f-9acb-3db4-b130-3307aecaa57a.png)
代码分别实现了下面几步:
1.将输入矩阵转换为浮点数。这是之后步骤的必要条件。
2.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。
3.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。
4.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)。
5利用仿射变换矩阵(https://en.wikipedia.org/wiki/Transformation_matrix#Affine_transformations)返回完整的转化。
之后,结果可以插入OpenCV的cv2.warpAffine函数,将图像二映射到图像一:
![点击查看原始大小图片](http://dl2.iteye.com/upload/attachment/0110/6876/843d3ac5-f9f2-3721-8d6a-e0eb24ff5eaf.png)
图像对齐结果如下:
![](http://dl2.iteye.com/upload/attachment/0110/6878/95fd4577-b2d6-30b8-8a64-14c05977c919.gif)
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:
![点击查看原始大小图片](http://dl2.iteye.com/upload/attachment/0110/6880/76f4c405-1969-32d8-a06c-63bfd32a59c0.png)
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:
![点击查看原始大小图片](http://dl2.iteye.com/upload/attachment/0110/6882/7ed1fa1a-9a15-34b9-aa50-1f3b2a47741c.png)
结果是这样:
![点击查看原始大小图片](http://dl2.iteye.com/upload/attachment/0110/6886/8ebf4696-b2f3-38a2-ba02-0be90e06f1b7.png)
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:
![点击查看原始大小图片](http://dl2.iteye.com/upload/attachment/0110/6888/858d2a47-97a5-3826-846b-ac24234fe981.png)
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:
![点击查看原始大小图片](http://dl2.iteye.com/upload/attachment/0110/6890/f33042d0-d129-3485-8bd7-bfccdbf344b2.png)
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:
![点击查看原始大小图片](http://dl2.iteye.com/upload/attachment/0110/6892/5e8e3f5d-0f7a-3efb-bf52-2b19598aebc5.png)
原文链接:http://matthewearl.github.io/2015/07/28/switching-eds-with-python/