环境

windows 10 64位
Python 3.6
PyCharm 社区版
dlib 19.6.1
numpy 1.15.4
opencv-python 3.4.5.20

需要的模型

特征提取器（predictor）要一个粗糙的边界框作为算法输入，由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。
为了构建特征提取器，预训练模型必不可少，相关模型可从dlib sourceforge库下载(http://sourceforge.net/projects/dclib/files/dlib/v18.10/shape_predictor_68_face_landmarks.dat.bz2)。

代码


import cv2
import dlib
import numpy
import matplotlib.pyplot as plt # plt 用于显示图片
import matplotlib.image as mpimg # mpimg 用于读取图片
import sys# !/usr/bin/python
# -*- coding: utf-8 -*-# sys.argv第一个为程序名，第二个是图片路径-脸移植到这个上面，第三个为图片路径-获取需要的脸。
sys.argv = ["SwapFace.py", "E:/pycharm/Project/head.jpg", "E:/pycharm/Project/face.jpg"]
PREDICTOR_PATH = "E:/pycharm/Project/shape_predictor_68_face_landmarks.dat"# 训练好的一个模型这里直接调用就可以
SCALE_FACTOR = 1
FEATHER_AMOUNT = 11FACE_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#使用dlib提取面部标志
detector = dlib.get_frontal_face_detector()
predictor = dlib.shape_predictor(PREDICTOR_PATH)class TooManyFaces(Exception):passclass NoFaces(Exception):passdef get_landmarks(im):rects = detector(im, 1) #进行人脸检测if len(rects) > 1:raise TooManyFaces #在if条件下，raise抛出异常，表示检测到多个脸。if len(rects) == 0:raise NoFacesreturn numpy.matrix([[p.x, p.y] for p in predictor(im, rects[0]).parts()]) #进行人脸面部轮廓特征提取：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# 将图 2 的特征融合到图 1 中
def draw_convex_hull(im, points, color):points = cv2.convexHull(points) # 寻找凸包cv2.fillConvexPoly(im, points, color=color) # 填充凸包# 常规的 get_face_mask() 函数定义是：为一张图像和一个标志矩阵生成一个蒙版。蒙版会画出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，蒙版的边缘区域向外羽化 11 个像素，
# 这可以帮助消除剩下的不连续部分。
def get_face_mask(im, landmarks):im = numpy.zeros(im.shape[:2], dtype=numpy.float64) # 定制数据类型for group in OVERLAY_POINTS:draw_convex_hull(im,landmarks[group],color=1)# array([[[0, 1, 2],#         [3, 4, 5]],##        [[6, 7, 8],#         [9, 10, 11]]])## In[61]: arr1.shape  # 看形状# Out[61]: (2, 2, 3)  # 说明这是一个2*2*3的数组（矩阵），返回的是一个元组，可以对元组进行索引，也就是0,1,2# In[62]: arr1.transpose((1, 0, 2))# Out[62]:# array([[[0, 1, 2],#         [6, 7, 8]],##        [[3, 4, 5],#         [9, 10, 11]]])# 比如，数值6开始的索引是[1, 0, 0]，变换后变成了[0, 1, 0]。im = numpy.array([im, im, im]).transpose((1, 2, 0))im = (cv2.GaussianBlur(im, (FEATHER_AMOUNT, FEATHER_AMOUNT), 0) > 0) * 1.0im = cv2.GaussianBlur(im, (FEATHER_AMOUNT, FEATHER_AMOUNT), 0)return im#用普氏分析法（Procrustes Analysis）实现人脸对齐
def transformation_from_points(points1, points2): # 输入的是矩阵"""Return an affine transformation [s * R | T] such that:sum ||s*R*p1,i + T - p2,i||^2is minimized."""'''现在我们已经有两个面部标志矩阵，其中的每一行都含有某个面部特征的坐标（如第 30 行给出了鼻尖的坐标）。我们现在只要弄明白如何旋转、平移和缩放第一个向量的所有点，使其尽可能匹配第二个向量中的点。同理，同样的变换可用于将第二张图叠加在第一张图上。为使其更加数学化，我们设 T，s 和 R，并求如下等式最小值：  其中，R 是一个 2x2 的正交矩阵，s 是一个标量，T 是一个二维向量，pi 和 qi 是之前计算出的面部标志矩阵行标和列标。事实证明，这类问题用常规普氏分析法（Ordinary Procrustes Analysis）可以解决：'''points1 = points1.astype(numpy.float64) # 将输入矩阵转换为浮点型points2 = points2.astype(numpy.float64)c1 = numpy.mean(points1, axis=0) # 这里计算出了矩心c2 = numpy.mean(points2, axis=0)points1 -= c1points2 -= c2s1 = numpy.std(points1) # 计算标准差s2 = numpy.std(points2)points1 /= s1 # 除于标准差，这消除了缩放偏差points2 /= s2U, S, Vt = numpy.linalg.svd(points1.T * points2) # 使用奇异值分解（singular value decomposition）计算旋转部分。R = (U * Vt).T # .T应该是转置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): # 读取图片# 使用函数cv2.imread()# 读入图像。这幅图像应该在此程序的工作路径，或者给函数提供完整路径。# 第二个参数是要告诉函数应该如何读取这幅图片。# cv2.IMREAD_COLOR：读入一副彩色图像。图像的透明度会被忽略，这是默认参数。# cv2.IMREAD_GRAYSCALE：以灰度模式读入图像## import cv2# img = cv2.imread('lena.jpg', 0)## PS：调用opencv，就算图像的路径是错的，OpenCV# 也不会提醒你的，但是当你使用命令printimg时得到的结果是None。im = cv2.imread(fname, cv2.IMREAD_COLOR)# import cv2# image = cv2.imread("D:/shape.bmp")# print(image.shape[0])# print(image.shape[1])# print(image.shape[2])# 结果# 300# 200# 3# 其中shape.bmp是一张水平200像素，垂直300像素的彩色图im = cv2.resize(im, (im.shape[1] * SCALE_FACTOR,im.shape[0] * SCALE_FACTOR))s = get_landmarks(im)return im, sdef 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# 两幅图像之间不同的 肤色 和 光线 造成了覆盖区域边缘的不连续。所以我们尝试修正它：
def correct_colours(im1, im2, landmarks1):# blur_amount用来计算出高斯核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 += 1im1_blur = cv2.GaussianBlur(im1, (blur_amount, blur_amount), 0)im2_blur = cv2.GaussianBlur(im2, (blur_amount, blur_amount), 0)# 防止除于零的情况，为什么是乘以128不清楚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))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_maskcv2.imwrite('output.jpg', output_im)lena = mpimg.imread('output.jpg')
plt.imshow(lena)  # 显示图片
plt.axis('off')  # 不显示坐标轴
plt.show()

（含有源码和训练好的数据模型）教程地址：https://edu.csdn.net/course/detail/26812

Python简单换脸程序改进输出图片相关推荐

python语言编写一个生成九宫格图片的代码_python基础教程python简单实现9宫格图片实例...
在日常生活中我们经常在朋友圈看到有人发九宫格图片,其实质就是将一张图片切成九份,然后在微信中一起发这九张图. 那么我们如何自己动手实现呢? 说到切图Python 就可以实现,主要用到的 Python ...
python opencv把32位的灰度图变成8位的灰度图_python简单换脸程序
环境 windows 10 64位 Python 3.6 PyCharm 开发工具 dlib 19.6.1 numpy 1.15.4 opencv-python 3.4.5.20 需要的模型特征提取 ...
STM32 OV7725摄像头模块的颜色处理和简单物体识别(串口输出图片)
目录前言一.摄像头采集数据流程二.如何将图像显示到电脑上三.图像二值化 1.什么是RGB? 2.RGB565转RGB888 I.RGB565和RGB888的区别 II.代码 3.RGB转HSL ...
python简单爬虫程序分析_[Python专题学习]-python开发简单爬虫
掌握开发轻量级爬虫,这里的案例是不需要登录的静态网页抓取.涉及爬虫简介.简单爬虫架构.URL管理器.网页下载器(urllib2).网页解析器(BeautifulSoup) 一.爬虫简介以及爬虫的技术价 ...
python简单图画程序_用Python的Turtple画图形
不知道各位是否还记得在小学或者初中的时候,我们接触过一种语言叫做logo语言,这个语言可以画正方形,画三角形,画圆.而用Python画图形也有点类似logo语言的意思. 在画图之前,我们需要启动一个模 ...
python简单爬取斗图图片（自学第十天）
一.前期准备 (一).我们要爬取的页面 1,我们要爬取的网站为:https://www.doutula.com/photo/list/?page=1 2,获取请求头,来模拟浏览器浏览,不让网站直接就暴 ...
python简单游戏程序-python基础练习之几个简单的游戏
文档介绍利用python写"猜数字","猜词语","谁是卧底"这三个游戏,从而快速掌握python编程的入门知识,包括python语法/列 ...
python简单小程序之猜词语游戏
今天给大家分享一个利用python写的简单小游戏程序.猜词语. 下面看代码段 import time num = int(input('有多少组玩家\n')) guessWord = [] corre ...
使用opencv-python和dlib实现的简单换脸程序
资源下载地址:https://download.csdn.net/download/sheziqiong/85709816 准备 pip安装opencv-python.dlib 下载dlib人脸形状检 ...

Python简单换脸程序改进输出图片

Python简单换脸程序改进输出图片

环境

需要的模型

代码

Python简单换脸程序改进输出图片相关推荐

最新文章

热门文章