今天，小編要給大家分享一個讓你的Level蹭蹭的往上漲好幾檔一個技能，用兩百行Python代碼實現PS的換臉神技，用代碼直接碾壓以前用PS技術在你面前炫耀的小夥伴。

光說不練假把式，話不多說，請大家仔細看清以下步驟，細細研究，加油。

這個過程可分為四步：

• 檢測面部标記。
• 旋轉、縮放和轉換第二張圖像，使之與第一張圖像相适應。
• 調整第二張圖像的色彩平衡，使之與第一個相匹配。
• 把第二張圖像的特性混合在第一張圖像中。

使用圖片：

該腳本使用dlib的Python綁定來提取面部标記：

該腳本使用dlib的Python綁定來提取面部标記：

用Dlib實現了論文One Millisecond Face Alignment with an Ensemble of Regression Trees中的算法。算法本身非常複雜，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()函數将一個圖像轉化成numpy數組，并返回一個68 x2元素矩陣，輸入圖像的每個特征點對應每行的一個x，y坐标。

特征提取器（predictor）要一個粗糙的邊界框作為算法輸入，由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。

現在我們已經有了兩個标記矩陣，每行有一組坐标對應一個特定的面部特征（如第30行給出的鼻子的坐标）。我們現在要搞清楚如何旋轉、翻譯和規模化第一個向量，使它們盡可能适合第二個向量的點。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。

把它們更數學化，尋找T，s和R，令下面這個表達式的結果最小：

​

R是個2 x2正交矩陣，s是标量，T是二維向量，pi和qi是上面标記矩陣的行。

事實證明，這類問題可以用“常規普氏分析法” (Ordinary Procrustes Analysis) 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.])])

代碼分别實現了下面幾步：

将輸入矩陣轉換為浮點數。這是之後步驟的必要條件。

每一個點集減去它的矩心。一旦為這兩個新的點集找到了一個最佳的縮放和旋轉方法，這兩個矩心c1和c2就可以用來找到完整的解決方案。

同樣，每一個點集除以它的标準偏差。這消除了問題的組件縮放偏差。使用Singular Value Decomposition計算旋轉部分。利用仿射變換矩陣返回完整的轉化。

之後，結果可以插入OpenCV的cv2.warpAffine函數，将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

圖像對齊結果如下：

​

3．校正第二張圖像的顔色

如果我們試圖直接覆蓋面部特征，很快就會看到一個問題：

​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], 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))

結果是這樣：

​

此函數試圖改變圖像2的顔色來匹配圖像1。它通過用im2除以im2的高斯模糊，然後乘以im1的高斯模糊。這裡的想法是用RGB縮放校色，但是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隻能在某種程度上被修正。例如，如果圖像1是從一邊照亮，但圖像2是均勻照明的，色彩校正後圖像2也會出現未照亮邊暗一些的現象。

也就是說，這是一個相當粗糙的辦法，而且解決問題的關鍵是一個适當的高斯内核大小。如果太小，第一個圖像的面部特征将顯示在第二個圖像中。過大，内核之外區域像素被覆蓋，并發生變色。這裡的内核用了一個0.6 *的瞳孔距離。

4．把第二張圖像的特性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(白色)的地方為圖像2應該顯示出的區域，值為0(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。

這是生成上面那張圖的代碼:

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)

我們把上述代碼分解：

**get_face_mask()**的定義是為一張圖像和一個标記矩陣生成一個遮罩，它畫出了兩個白色的凸多邊形：一個是眼睛周圍的區域，一個是鼻子和嘴部周圍的區域。之後它由11個像素向遮罩的邊緣外部羽化擴展，可以幫助隐藏任何不連續的區域。

這樣一個遮罩同時為這兩個圖像生成，使用與步驟2中相同的轉換，可以使圖像2的遮罩轉化為圖像1的坐标空間。

之後，通過一個element-wise最大值，這兩個遮罩結合成一個。結合這兩個遮罩是為了确保圖像1被掩蓋，而顯現出圖像2的特性。

最後，應用遮罩，給出最終的圖像：

output_im = im1 * (1.0 - combined_mask) warped_corrected_im2 * combined_mask 複制代碼

​

對比：

結尾：

就醬，以上就是文章的全部内容了。

,

更多精彩资讯请关注tft每日頭條，我们将持续为您更新最新资讯!

查看全部