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

SwapFace.py

# !/usr/bin/python# -*- coding: utf-8 -*-import cv2import dlibimport numpyimport 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", "F:/PycharmProjects/TensorFlow/head.jpg", "F:/PycharmProjects/TensorFlow/face.jpg"]PREDICTOR_PATH = "E:/Python/shape_predictor_68_face_landmarks/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 = 1FEATHER_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 NoFaces return 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) * 1.0 im = 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||^2 is 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 -= c1 points2 -= c2 s1 = 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 /= s2 U, 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 += 1 im1_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()

head.jpg 是原图，需要换的脸的图片，face.jpg要换成的脸

也就是用face.jpg中的脸，去把head.jpg中的脸换掉。

shape_predictor_68_face_landmarks.dat 是训练好的模型需要自己下载

face.jpg

替换后，输出的脸

head.jpg