深度学习AI美颜系列---天天P图疯狂变脸算法

自从天天P图出了疯狂变脸的特效之后，到现在为止已经近两年时间了，这两年时间，天天P图多次凭借换脸特效登上APP Store排行榜首，从小学生证件照到圣诞节梦幻妆再到后来的各种影视游戏特效，以及后来的军装照等等等等，5月4日青年节，天天P图的“前世青年照”又是传遍了朋友圈，火遍了排行榜。

在这里本人将这个换脸放到这个模块来讲，是因为这个技术，用深度学习来搞，个人认为潜力更大。下面简单将换脸分为深度学习方法和传统方法来讲。

[深度学习方法]

2016年的一篇论文使用卷积神经网络快速换面，通过卷积神经网络实现了换脸效果，如下图所示：

具体算法思路是：

如图1所示，人脸对齐（根据特征点将目标图像与模板图像中的人脸对齐）;

2，通过CNN进行换脸，网络结构如下：

3，定义内容损失/风格损失/光照损失/平滑损失代价函数，加入训练过程，来解决肤色光照不均，不平滑，内容不协调的问题;

损失函数如下：

该方法已经达到了一定的效果：

如图1所示，人脸融合自然;

2，侧脸效果要优于传统方法的效果;

但是仍然具有以下弊端：

如图1所示，每个模版照片需要单独训练网络，造成模型数据庞大，训练耗时，模型更改麻烦等诸多问题;

2，每个模型需要一个模板对应的多张不同姿态与光照条件的图像;

单单这一点就很不利于产品化，在大多数情况下，我们是无法提供多张不同姿态与光照下的模板图像的;

3，速度慢，本人的换脸算法是可以达到实时处理的;

关于这个基于卷积神经网络换脸算法的详情，可参考：点击打开链接

个人认为：基于深度学习的方法在多角度侧脸的情况下，具有很强的优势，在肤色融合方面与传统算法持平，在速度方面，未来将不是问题！

[传统方法]

本人主要研究基于传统图像算法的换脸，本人猜测天天P图基本上也是基于传统算法做的;

我们以天天P图效果举例来讲：

白百合的照片与右边的模板图相比，在脸型和五官位置上都发生了变化，也就是变的好看了很多，总结变化如下：

1，肤色变成了模板图的肤色;

2，脸型变成了模板图的脸型;

3，五官大小形状等发生了一定的变化;

据此推测，天天P图做了如下操作：

1，将白百合的肤色做了转换，换成了模板图的肤色;

2，将白百合的脸型包括五官做了变形，变成了接近模板图的形状;

注意，这里是接近模板图的形状，而并非是跟模板图完全一样的形状，网上很多做换脸的都是直接将人脸对齐到了模板中的形状，这是不行的，脸型差异过大时，会造成畸变，效果很差;

本人算法步骤：

如图1所示，根据人脸特征点（本人使用的是101个人脸特征点），将模板和白百合的人脸同时变形到第三目标形状，变形算法使用MLS变形即可;

这一步骤可以分为如下两步：

①直接将白百合人脸点位对齐到模板点位;

②将对齐后的白百合人脸五官与脸型进行美化或称美型;

这一步可以参考论文“Data-Driven Face Cartoon Stylization”，当然这一步也可以使用深度学习来做，个人认为效果要比这篇论文效果更好，随后本人会另写博客专门介绍基于CNN的人脸美型;

MLS变形代码链接：点击打开链接

当然本人也有更好的变形：点击打开链接

本人美型算法效果图如下：

2，基于LAB颜色空间对白百合和模板人脸肤色进行换色+融合;

3，添加风格滤镜+美颜美妆;

对于美妆可以直接使用妆容迁移来做，效果很好，妆容迁移算链接：①点击打开链接，②点击打开链接

本人妆容迁移效果如下：

上面就是本人传统换脸算法的过程，本人尽量用最简单的算法去表现最好的效果，给出一个完整的算法过程效果图：

对于效果，大家可以使用白百合的测试图到本人的DEMO和天天P图中测试;

下面本人以5.4青年节最火的前世青年效果为例，给出本人算法与天天P图效果对比图，这里仅以一组图为例：

这里测试图在本人所给的DEMO中，大家可以自行测试;

最后，指出天天P图肤色融合的一些问题，对于某些照片，肤色融合之后会出现颜色偏绿问题，可能是某个颜色空间中颜色溢出导致，举例如下（左图为本人算法，右图为天天效果）：

最后，本人给出本人疯狂变脸效果的DEMO，以免大家耳听为虚，DEMO运行平台为WINDOWS 8以上，DEMO中给有TestPicture为测试图，FS为天天P图的模板，仅供测试，切勿商业用途，以免侵权，下载链接：点击打开链接

在给一个换脸资源集合：点击打开链接

本人QQ1358009172，DEMO中无人脸识别，因此仅限本人所给测试图有效共勉！
---------------------
作者：Trent1985
来源：CSDN
原文：HTTPS：//blog.csdn.net/trent1985/article/details/80295532
版权声明：本文为博主原创文章，转载请附上博文链接！

深度学习AI美颜系列---天天P图疯狂变脸算法相关推荐

如何用深度学习 AI 美颜实现天天 P 图疯狂变脸算法？ | 技术头条
作者 | Trent 责编 | 郭芮自从天天P图出了疯狂变脸的特效之后,到现在为止已经两年时间了.这两年时间,天天P图多次凭借换脸特效登上APP Store排行榜首,从小学生证件照到前世青年照. ...
深度学习AI美颜系列----基于抠图的人像特效算法
美颜算法的重点在于美颜,也就是增加颜值,颜值的广定义,可以延伸到整个人体范围,也就是说,你的颜值不单单和你的脸有关系,还跟你穿什么衣服,什么鞋子相关,基于这个定义(这个定义是本人自己的说法,没有权威性 ...
深度学习AI美颜系列——人像静态/动态贴纸特效算法实现 | CSDN博文精选
作者 | Trent1985 来源 | CSDN博客人像静态/动态贴纸特效几乎已经是所有图像视频处理类/直播类app的必需品了,这个功能看起来复杂,实际上很简单,本文将给大家做个详细的讲解. 我们先 ...
深度学习AI美颜系列----人像静态/动态贴纸特效算法实现
人像静态/动态贴纸特效几乎已经是所有图像视频处理类/直播类app的必需品了,这个功能看起来复杂,实际上很简单,本文将给大家做个详细的讲解. 我们先来看一下FaceU的两张效果图: 这两张效果图中, 我 ...
深度学习AI美颜系列---人像分割头发细节处理算法研究
人像分割技术目前已经逐渐成熟,在抖音.快手.美图等等APP中已经都有应用,而且是Camera实时处理,然而,追究细节,各家效果却大同小异,都存在一个问题:无法处理好边缘细节的分割,尤其是头发丝的处理, ...
深度学习AI美颜系列
为什么要开始写AI美颜这个系列的内容? 人像美颜美妆滤镜现在来看,几乎成为了人们生活拍照,摄影的刚需,目前市面上绝大多数的算法依旧停留在传统的图像算法阶段,仅有少数的AI算法也尚属于探索研究阶段,比如 ...
深度学习AI美颜系列---AI美颜磨皮算法一
深度学习AI美颜系列---AI美颜磨皮算法一转自:https://blog.csdn.net/trent1985/article/details/80661230 首先说明一点,为什么本结内容是&q ...
深度学习AI美颜系列---人脸数据增强
深度学习AI美颜系列---人脸数据增强在深度学习的训练中,我们经常会对较少的数据进行数据增强,一般而言,常用的数据增强包括如下几种: 1,旋转: 2,缩放: 3,镜像: 4,平移: 5,调色: 6, ...
深度学习AI美颜系列---肤色相似度计算（CIELAB色差计算）
深度学习AI美颜系列---肤色相似度计算(CIELAB色差计算) 在AI美颜中,经常会用到肤色相似度计算,如何实现这个算法? 步骤如下: 1,人脸皮肤分割: 2,对人脸皮肤分割结果进行LAB颜色空间转 ...

深度学习AI美颜系列---天天P图疯狂变脸算法

深度学习AI美颜系列---天天P图疯狂变脸算法相关推荐

最新文章

热门文章