基于PaddleHub的人脸美颜

随着各种美颜相机的出现，我们可以拍出各种胜似明星的照片，我们可以瘦脸、大眼、红唇以及增白，但这背后是如何实现的，你又了解多少呢？

AI美颜核心技术之一就是人脸关键点检测。PaddleHub已经开源了人脸关键点检测模型face_landmark_localization。人脸关键点检测是人脸识别和分析领域中的关键一步，它是诸如自动人脸识别、表情分析、三维人脸重建及三维动画等其它人脸相关问题的前提和突破口。该模型转换自 Github，支持同一张图中的多个人脸检测。它可以识别人脸中的68个关键点。

1、准备工作

（1）线上环境：百度AI Studio提供了线上一站式开发实训平台，直接可在该平台完成。
（2）本地实现：在本编译器中，需要提前安装PaddleHub库，pip安装即可，最好加上国内源。

pip install paddlehub==1.6.0 -i https://pypi.tuna.tsinghua.edu.cn/simple

2、实现步骤

（1）人脸关键点检测

import cv2
import paddlehub as hub
import matplotlib.pyplot as plt
import matplotlib.image as mpimg
import numpy as np
import mathsrc_img = cv2.imread('./test_sample.jpg')module = hub.Module(name="face_landmark_localization")
result = module.keypoint_detection(images=[src_img])tmp_img = src_img.copy()
for index, point in enumerate(result[0]['data'][0]):# cv2.putText(img, str(index), (int(point[0]), int(point[1])), cv2.FONT_HERSHEY_COMPLEX, 3, (0,0,255), -1)cv2.circle(tmp_img, (int(point[0]), int(point[1])), 2, (0, 0, 255), -1)res_img_path = 'face_landmark.jpg'
cv2.imwrite(res_img_path, tmp_img)img = mpimg.imread(res_img_path)
# 展示预测68个关键点结果
plt.figure(figsize=(10,10))
plt.imshow(img)
plt.axis('off')
plt.show()

可得出人脸的68个关键点图：

（2）瘦脸

利用识别到的68个关键点完成瘦脸功能。左右脸各瘦多少，可以根据图片和自己的满意度，改变参数 face_landmark[ ]。同时利用局部平移算法局部平移算法完成瘦脸.

import numpy as np
import math
'''1、瘦脸'''
def thin_face(image, face_landmark):"""实现自动人像瘦脸image： 人像图片face_landmark: 人脸关键点"""end_point = face_landmark[30]# 瘦左脸，3号点到5号点的距离作为瘦脸距离dist_left = np.linalg.norm(face_landmark[3] - face_landmark[5])image = local_traslation_warp(image, face_landmark[3], end_point, dist_left)# 瘦右脸，13号点到15号点的距离作为瘦脸距离dist_right = np.linalg.norm(face_landmark[13] - face_landmark[15])image = local_traslation_warp(image, face_landmark[13], end_point, dist_right)return imagedef local_traslation_warp(image, start_point, end_point, radius):"""局部平移算法"""radius_square = math.pow(radius, 2)image_cp = image.copy()dist_se = math.pow(np.linalg.norm(end_point - start_point), 2)height, width, channel = image.shapefor i in range(width):for j in range(height):# 计算该点是否在形变圆的范围之内# 优化，第一步，直接判断是会在（start_point[0], start_point[1])的矩阵框中if math.fabs(i - start_point[0]) > radius and math.fabs(j - start_point[1]) > radius:continuedistance = (i - start_point[0]) * (i - start_point[0]) + (j - start_point[1]) * (j - start_point[1])if (distance < radius_square):# 计算出（i,j）坐标的原坐标# 计算公式中右边平方号里的部分ratio = (radius_square - distance) / (radius_square - distance + dist_se)ratio = ratio * ratio# 映射原位置new_x = i - ratio * (end_point[0] - start_point[0])new_y = j - ratio * (end_point[1] - start_point[1])new_x = new_x if new_x >= 0 else 0new_x = new_x if new_x < height - 1 else height - 2new_y = new_y if new_y >= 0 else 0new_y = new_y if new_y < width - 1 else width - 2# 根据双线性插值法得到new_x, new_y的值image_cp[j, i] = bilinear_insert(image, new_x, new_y)return image_cpdef bilinear_insert(image, new_x, new_y):"""双线性插值法"""w, h, c = image.shapeif c == 3:x1 = int(new_x)x2 = x1 + 1y1 = int(new_y)y2 = y1 + 1part1 = image[y1, x1].astype(np.float) * (float(x2) - new_x) * (float(y2) - new_y)part2 = image[y1, x2].astype(np.float) * (new_x - float(x1)) * (float(y2) - new_y)part3 = image[y2, x1].astype(np.float) * (float(x2) - new_x) * (new_y - float(y1))part4 = image[y2, x2].astype(np.float) * (new_x - float(x1)) * (new_y - float(y1))insertValue = part1 + part2 + part3 + part4return insertValue.astype(np.int8)face_landmark = np.array(result[0]['data'][0], dtype='int')src_img = thin_face(src_img, face_landmark)res_img_path = 'res.jpg'
cv2.imwrite(res_img_path, src_img)img = mpimg.imread(res_img_path)
# 展示瘦脸图片
plt.figure(figsize=(10,10))
plt.imshow(img)
plt.axis('off')
plt.show()

瘦脸图片展示：

（3）大眼

完成瘦脸之后，我们还可以对人像中的眼睛进行放大。在识别到的左右眼中的一个位置，对其进行缩放(图像局部缩放算法)，实现大眼。

'''2、大眼
完成瘦脸之后，我们还可以对人像中的眼睛进行放大。
在识别到的左右眼中的一个位置，对其进行缩放(图像局部缩放)，实现大眼。'''
import math
import numpy as npdef enlarge_eyes(image, face_landmark, radius=15, strength=10):"""放大眼睛image： 人像图片face_landmark: 人脸关键点radius: 眼睛放大范围半径strength：眼睛放大程度"""# 以左眼最低点和最高点之间的中点为圆心left_eye_top = face_landmark[37]left_eye_bottom = face_landmark[41]left_eye_center = (left_eye_top + left_eye_bottom)/2# 以右眼最低点和最高点之间的中点为圆心right_eye_top = face_landmark[43]right_eye_bottom = face_landmark[47]right_eye_center = (right_eye_top + right_eye_bottom)/2# 放大双眼local_zoom_warp(image, left_eye_center, radius=radius, strength=strength)local_zoom_warp(image, right_eye_center, radius=radius, strength=strength)def local_zoom_warp(image, point, radius, strength):"""图像局部缩放算法"""height = image.shape[0]width = image.shape[1]left =int(point[0] - radius) if point[0] - radius >= 0 else 0top = int(point[1] - radius) if point[1] - radius >= 0 else 0right = int(point[0] + radius) if point[0] + radius < width else width-1bottom = int(point[1] + radius) if point[1] + radius < height  else height-1radius_square = math.pow(radius, 2)for y in range(top, bottom):offset_y = y - point[1]for x in range(left, right):offset_x = x - point[0]dist_xy = offset_x * offset_x + offset_y * offset_yif dist_xy <= radius_square:scale = 1 - dist_xy / radius_squarescale = 1 - strength / 100 * scalenew_x = offset_x * scale + point[0]new_y = offset_y * scale + point[1]new_x = new_x if new_x >=0 else 0new_x = new_x if new_x < height-1 else height-2new_y = new_y if new_y >= 0 else 0new_y = new_y if new_y < width-1 else width-2image[y, x] = BilinearInsert(image, new_x, new_y)# 双线性插值法
def BilinearInsert(src, ux, uy):w, h, c = src.shapeif c == 3:x1 = int(ux)x2 = x1 + 1y1 = int(uy)y2 = y1 + 1part1 = src[y1, x1].astype(np.float) * (float(x2) - ux) * (float(y2) - uy)part2 = src[y1, x2].astype(np.float) * (ux - float(x1)) * (float(y2) - uy)part3 = src[y2, x1].astype(np.float) * (float(x2) - ux) * (uy - float(y1))part4 = src[y2, x2].astype(np.float) * (ux - float(x1)) * (uy - float(y1))insertValue = part1 + part2 + part3 + part4return insertValue.astype(np.int8)

'''在瘦脸的基础上，继续放大双眼'''
enlarge_eyes(src_img, face_landmark, radius=13, strength=13)
cv2.imwrite(res_img_path, src_img)
img = mpimg.imread(res_img_path)
plt.figure(figsize=(10, 10))
plt.imshow(img)
plt.axis('off')
plt.show()

大眼结果展示：

（4）红唇

目前已经叠加了瘦脸、大眼的美颜功能，我们还可以给人像增添气色，给人像画上红唇。我们只需将识别到的唇部位置给涂上红色即可达到相应的目的。

import cv2def rouge(image, face_landmark, ruby=True):"""自动涂口红image： 人像图片face_landmark: 人脸关键点ruby：是否需要深色口红"""image_cp = image.copy()if ruby:rouge_color = (0, 0, 255)else:rouge_color = (0, 0, 200)points = face_landmark[48:68]hull = cv2.convexHull(points)cv2.drawContours(image, [hull], -1, rouge_color, -1)cv2.addWeighted(image, 0.2, image_cp, 0.9, 0, image_cp)return image_cp

'''继续叠加红唇'''
src_img = rouge(src_img, face_landmark)
cv2.imwrite(res_img_path, src_img)
img = mpimg.imread(res_img_path)
plt.figure(figsize=(10, 10))
plt.imshow(img)
plt.axis('off')
plt.show()

红唇结果展示：

（5）美白

我们还可以加上美肤功能。由于标记出来的68个关键点没有涵盖额头的位置，我们需要预估额头位置。为了简单估计二头所在区域，本教程以0号、16号点所在线段为直径的半圆为额头位置。

import cv2
import numpy as npdef whitening(img, face_landmark):"""美白"""# 简单估计额头所在区域# 根据0号、16号点画出额头(以0号、16号点所在线段为直径的半圆)radius=(np.linalg.norm(face_landmark[0] - face_landmark[16]) / 2).astype('int32')center_abs=tuple(((face_landmark[0] + face_landmark[16]) / 2).astype('int32'))angle=np.degrees(np.arctan((lambda l:l[1]/l[0])(face_landmark[16]-face_landmark[0]))).astype('int32')face = np.zeros_like(img)cv2.ellipse(face,center_abs,(radius,radius),angle,180,360,(255,255,255),2)points=face_landmark[0:17]hull = cv2.convexHull(points)cv2.polylines(face, [hull], True, (255,255,255), 2)index = face >0face[index] = img[index]dst = np.zeros_like(face)# v1:磨皮程度v1 = 3# v2: 细节程度v2 = 2tmp1 = cv2.bilateralFilter(face, v1 * 5, v1 * 12.5, v1 * 12.5)tmp1 = cv2.subtract(tmp1,face)tmp1 = cv2.add(tmp1,(10,10,10,128))tmp1 = cv2.GaussianBlur(tmp1,(2*v2-1, 2*v2-1),0)tmp1 = cv2.add(img,tmp1)dst = cv2.addWeighted(img, 0.1, tmp1, 0.9, 0.0)dst = cv2.add(dst,(10, 10, 10,255))index = dst>0img[index] = dst[index]return img

    '''美白'''src_img = whitening(src_img, face_landmark)cv2.imwrite(res_img_path, src_img)img = mpimg.imread(res_img_path)plt.figure(figsize=(10, 10))plt.imshow(img)plt.axis('off')plt.savefig('result_pic_test2.png')plt.show()

美白后的图片：

3、后续

经过前面几步，大体的美颜工作已经完成，同时我们可以在美白后的基础上继续一些处理，比如描眉、去痘等等。

同时，需要注意的是瘦脸时的，点一定要选好，不然图片中人脸会变形。

人脸美颜——飞桨PaddleHub实战相关推荐

一键人物抠图、人物图片背景替换——飞桨PaddleHub实战
PaddleHub一键抠图并替换背景抠图模型千千万,而我就用DeepLabv3+.DeepLabv3+ 是Google DeepLab语义分割系列网络的最新作,其前作有 DeepLabv1,Deep ...
当飞桨PaddleHub遇到微信小程序，AI也能指物作诗
点击左上方蓝字关注我们 [飞桨开发者说]刘建建,飞桨开发者,现工作于西部某厂,从事管理工作. 项目构想最近飞桨PaddleHub大火,吸引无数开发者眼球,作为俗人的我也不例外,被看图写诗和艺术风格迁 ...
飞桨PaddleHub实现皮影戏
飞桨(PaddlePaddle)是集深度学习核心框架.工具组件和服务平台为一体的技术先进.功能完备的开源深度学习平台,已被中国企业广泛使用,深度契合企业应用需求,拥有活跃的开发者社区生态.提供丰富的官 ...
使用飞桨PaddleHub实现将视频动作转化为皮影戏
前言飞桨(PaddlePaddle)是集深度学习核心框架.工具组件和服务平台为一体的技术先进.功能完备的开源深度学习平台,已被中国企业广泛使用,深度契合企业应用需求,拥有活跃的开发者社区生态.提供丰 ...
Linux系统安装飞桨PaddleHub+LAC实现词法分析实现加载自定义词典分词（解决Lac服务启动报错问题、解决自定义词典空格无法分词问题）
1.先上链接:飞桨PaddlePaddle-源于产业实践的开源深度学习平台 2.LAC模型简介:Lexical Analysis of Chinese,简称 LAC,是一个联合的词法分析模型,能整体性 ...
超有范，使用飞桨paddleHub抠图制作任意形状的词云（学习心得）
文章目录 1 抠图代码 2 抠图效果 3 绘制词云图 4 词云效果图 5 项目链接链接 1 抠图代码 # 同时添加如下代码, 这样每次环境(kernel)启动的时候只要运行下方代码即可: # Als ...
双服务器架构实战飞桨部署-自动上色和老相片修复
双服务器架构实战飞桨部署-自动上色和老相片修复宋朱熹 <即事有怀寄彦辅仲宗二兄>诗之二:"闻说双飞桨,翩然下广津. 飞桨功能强大,部署非常简单方便(对我这个不熟练的人,并不是 ...
截屏就可以转文字？飞桨带您体验OCR超轻量中英文识别模型
[飞桨开发者说]陈千鹤,华中科技大学计算机科学与技术学院大一在读任务背景目前很多实用小工具都趋向收费模式,即使免费,不是功能不完整,就是有很多约束条件,在应用时效果无法达到我们的预期.于是我萌生一 ...
“OpenI/O 2020启智开发者大会”共话开源，百度飞桨引领行业发展
点击左上方蓝字关注我们 2020年12月2日,"OpenI/O 2020启智开发者大会"在北京国家会议中心召开.大会以"启智筑梦开源先行"为主题,立足于国际国 ...

人脸美颜——飞桨PaddleHub实战