借助numpy与网上教程,采用68点对齐的方式实现换脸。步骤心得如下:

1.使用dlib提取面部标记 使用68个点来标记两张人脸的关键点

先将图像转化为numpy数组,并返回一个68*2的元素矩阵,输入图像的每个特征点对应每行的一个x,y坐标。我选用了斯内普和沈腾的脸,因为他俩有些微妙的神似。
sys.argv =
["faceswap.py","/Users/air/Desktop/斯内普1.jpeg","/Users/air/Desktop/沈腾3.jpeg"]
PREDICTOR_PATH =
"/opt/anaconda3/lib/python3.8/site-packages/face_recognition_models/models/shape_predictor_68_face_landmarks.dat"
对人脸的五官进行点的定位(根据68点):
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))
对提取到的人脸部位进行排列:
ALIGN_POINTS = (LEFT_BROW_POINTS + RIGHT_EYE_POINTS + LEFT_EYE_POINTS +
RIGHT_BROW_POINTS + NOSE_POINTS + MOUTH_POINTS) OVERLAY_POINTS = [
LEFT_EYE_POINTS + RIGHT_EYE_POINTS + LEFT_BROW_POINTS + RIGHT_BROW_POINTS,
NOSE_POINTS + MOUTH_POINTS, ]
2.跟教程实现的颜色校正,并完成遮罩替代

直接覆盖面部特征,由于两张图片之间肤色不同,光线不同会造成覆盖区域边缘的不连续所以需要进行颜色的校正,这里我自己不会所以跟了教程。
# 颜色校正期间使用的模糊量, 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)

定义函数get_face_mask()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。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。

第一段为如何提取并遮罩,第二段代码为遮罩覆盖以实现颜色校正。
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
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)).astype(im2_blur.dtype) return
(im2.astype(numpy.float64) * im1_blur.astype(numpy.float64) /
im2_blur.astype(numpy.float64))
3.缩放、旋转以完成完全覆盖

因为自己通过python计算机视觉编程也没无师自通缩放旋转,因此这里继续寻找教程,实现以下步骤:

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。

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。
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) # 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.])])
4.读取并实现脸部代换

首先通过CV2实现提取之前68点找到的位置,辅以校正颜色后的read之后进行定点。
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
之后应用遮罩进行【覆盖】操作。
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
最后用CV2输出换脸jpg
cv2.imwrite('output2.jpg', output_im)
5.成果展示

我选用了沈腾和斯内普的两个高清正脸,结果毫无违和感(也许)。

 结果:

也用一些个侧脸来测试旋转缩放是否合理,结果如下:

技术
下载桌面版
GitHub
百度网盘(提取码:draw)
Gitee
云服务器优惠
阿里云优惠券
腾讯云优惠券
华为云优惠券
站点信息
问题反馈
邮箱:ixiaoyang8@qq.com
QQ群:766591547
关注微信