Py学习  »  Python

换脸除了PS,Python图像识别4步也能搞定!

软件定义世界(SDX) • 6 年前 • 440 次点击  

热门下载(点击标题即可阅读)

☞【下载】2015中国数据分析师行业峰会精彩PPT下载(共计21个文件)

在这篇文章中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。


01 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:

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。


02 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:

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:

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:



03 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:

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))

结果如下:



此函数试图改变 im2 的颜色来适配 im1。它通过用 im2 除以 im2 的高斯模糊值,然后乘以im1的高斯模糊值。这里的想法是用RGB缩放校色,但并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是从一侧照亮,但图像2是被均匀照亮的,色彩校正后图像2也会出现未照亮一侧暗一些的问题。

也就是说,这是一个相当简陋的办法,而且解决问题的关键是一个适当的高斯核函数大小。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。


04 把第二张图像的特征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:



值为1(显示为白色)的地方为图像2应该显示出的区域,值为0(显示为黑色)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。

这是生成上图的代码:

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)

我们把上述过程分解:

  • 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,使用遮罩得到最终的图像:

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



完整代码(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)


End.

来源:代码湾


读BD最佳实践案例,赢DT未来!

18各行业,106个中国大数据应用最佳实践案例:

(1)《赢在大数据:中国大数据发展蓝皮书》;

(2)《赢在大数据:金融/电信/媒体/医疗/旅游/数据市场行业大数据应用典型案例》;

(3)《赢在大数据:营销/房地产/汽车/交通/体育/环境行业大数据应用典型案例》;

(4)《赢在大数据:政府/工业/农业/安全/教育/人才行业大数据应用典型案例》。

京东网四册套装购买链接:

https://item.jd.com/1073432366.html

京东网营销册购买链接:

https://item.jd.com/12160064.html

当当网营销册购买链接:

http://product.dangdang.com/25088394.html

扫描下方二维码,可直接进入京东购书:

或点击“阅读原文” ,购买“赢在大数据系列丛书”。

推荐文章


点击蓝色标题即可阅读全文

10万读者睿选2016年TOP1002015年TOP100
CCTV大数据名人讲堂PPT&视频:万亿元大数据产业安全城市】【农业航运】【数据资产变现

DTiii:1574家大数据产业地图PPT及下载】【1574家详单

院士:李国杰【(PPT)(全文)】【 数据开放】,邬贺铨倪光南【大数据时代)()】,怀进鹏梅宏

大数据100分:【金融】【制造】【餐饮】【电信】【电商】【更多行业大数据应用请点击底部导航栏BD100分】;

大数据/人工智能数据竞赛:Kaggle经验分享NetFlix百万美金】【Kaggle案例】【2017BDCI】【2017BDCI嘉年华滴滴算法大赛】

征信: ZestFinance】【BCG】【芝麻信用】;

工业4.0:罗兰·贝格】【安筱鹏

人工智能:阿里&BCG】【埃森哲经济社会】【美国AI国家战略伯努利李开复】【TOP100】【2016中国AI报告】【美国AI国家规划】【深度学习】【人智合一】【人脸识别】【人脸识别企业PK】【无人驾驶】【AI知识体系】【神经网络

区块链: TED视频】【麦肯锡】【毕马威】【高盛

算   法: 【10大经典算法】【推荐算法

可视化:【2017年获奖2014年最佳】【十大标志性作品】【43款工具

PPT:【大数据产业地图】【数据之巅互联网的未来】【软件正吃掉整个世界】【互联网思维】【互联网+】【一带一路】;

VC:【大数据投资2015创投趋势2014投资报告倒闭教训

人才:2017BD&人才报告

大数据应用最佳实践案例:18个行业106个案例

原创:陈新河:万亿元大数据产业新生态软件定义世界,数据驱动未来数据交易互联网+观点】。

专题版本:20180208V3.2

底部新增导航菜单(点击顶部“软件定义世界(SDX)”,点击“进入公众号”,底部菜单栏即出现),下载200多个精彩PPT,持续更新中!

上下滑动查看更多精选专题

微信公众号:软件定义世界(SDX)

微信ID:SDx-SoftwareDefinedx

软件定义世界, 数据驱动未来;

❷ 大数据思想的策源地、产业变革的指南针、创业者和VC的桥梁、政府和企业家的智库、从业者的加油站;

个人微信号:sdxtime,

邮箱:sdxtime@126.com;

=>> 长按右侧二维码关注。

底部新增导航菜单,下载200多个精彩PPT,持续更新中!


今天看啥 - 高品质阅读平台
本文地址:http://www.jintiankansha.me/t/haOTN8XAjE
Python社区是高质量的Python/Django开发社区
本文地址:http://www.python88.com/topic/9482
 
440 次点击