小 200 行 Python 代码做了一个换脸程序
简介
在这篇文章中我将介绍如何写一个简短（200行）的 Python 脚本，来自动地将一幅图片的脸替换为另一幅图片的脸。
这个过程分四步：
- 检测脸部标记。
- 旋转、缩放、平移和第二张图片，以配合第一步。
- 调整第二张图片的色彩平衡，以适配第一张图片。
- 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：
Dlib 实现了 Vahid Kazemi 和 Josephine Sullivan 的《使用回归树一毫秒脸部对准》论文中的算法。算法本身非常复杂，但dlib接口使用起来非常简单：
| 1234567891011121314 | 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68×2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）需要一个粗糙的边界框作为算法输入，由一个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 Procrustes 分析调整脸部
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行的坐标对应于鼻头）。我们现在要解决如何旋转、翻译和缩放第一个向量，使它们尽可能适配第二个向量的点。一个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。
将这个问题数学化，寻找T，s 和 R，使得下面这个表达式：
结果最小，其中R是个2×2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 Procrustes 分析法”解决：
| 1234567891011121314151617181920 | 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.])]) |
代码实现了这几步：
1.将输入矩阵转换为浮点数。这是后续操作的基础。
2.每一个点集减去它的矩心。一旦为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。这会消除组件缩放偏差的问题。
4.使用奇异值分解计算旋转部分。可以在维基百科上看到关于解决正交 Procrustes 问题的细节。
5.利用仿射变换矩阵返回完整的转化。
其结果可以插入 OpenCV 的 cv2.warpAffine 函数，将图像二映射到图像一：
| 123456789 | 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 |
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，很快会看到这个问题：
这个问题是两ing-the-second-image\”>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，很快会看到这个问题：
这个问题是两a>。
简介
在这篇文章中我将介绍如何写一个简短（200行）的 Python 脚本，来自动地将一幅图片的脸替换为另一幅图片的脸。
这个过程分四步：
- 检测脸部标记。
- 旋转、缩放、平移和第二张图片，以配合第一步。
- 调整第二张图片的色彩平衡，以适配第一张图片。
- 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：
Dlib 实现了 Vahid Kazemi 和 Josephine Sullivan 的《使用回归树一毫秒脸部对准》论文中的算法。算法本身非常复杂，但dlib接口使用起来非常简单：
| 1234567891011121314 | 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68×2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）需要一个粗糙的边界框作为算法输入，由一个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 Procrustes 分析调整脸部
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行的坐标对应于鼻头）。我们现在要解决如何旋转、翻译和缩放第一个向量，使它们尽可能适配第二个向量的点。一个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。
将这个问题数学化，寻找T，s 和 R，使得下面这个表达式：
结果最小，其中R是个2×2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 Procrustes 分析法”解决：
| 1234567891011121314151617181920 | 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.])]) |
代码实现了这几步：
1.将输入矩阵转换为浮点数。这是后续操作的基础。
2.每一个点集减去它的矩心。一旦为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。这会消除组件缩放偏差的问题。
4.使用奇异值分解计算旋转部分。可以在维基百科上看到关于解决正交 Procrustes 问题的细节。
5.利用仿射变换矩阵返回完整的转化。
其结果可以插入 OpenCV 的 cv2.warpAffine 函数，将图像二映射到图像一：
| 123456789 | 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 |