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，我们可以看到一些可爱的圣诞帽贴纸和小鹿形象贴纸，在人脸区域，自动贴上不同的贴纸，便会生成很多有趣的特效，这也是大家爱不释手的原因。

我们从静态贴纸讲起，动态贴纸实际上是静态贴纸的循环播放而已。人像静态贴纸的鼻祖是in app，而后FaceU的动态贴纸风靡一时，现在静态/动态贴纸已经随处可见了。它的算法分为两个部分：

1，人脸检测与关键点识别；

所谓人像贴纸，第一步必然是人脸检测与关键点识别。在有人脸的情况下获取到必须的关键点，这样我们才能准确的打上贴纸。现有的app中，比如FaceU和轻颜相机，当然他们是一家的，他们的贴纸基本上都是数十个人脸特征点的模板配置，也就是说，完成一个贴纸效果，需要数十个点位信息的支持。不过，个人认为，最简单的贴纸，可以从三个点开始。

关于人脸特征点识别算法，相关的论文或者开源的代码工程，已经多如牛毛，这里我不一一例举，本人这里以mtcnn为例，因为本文算法只需要三个点即可。mtcnn在检测到人脸的情况下，会给我们提供5个特征点，如下图所示：

mtcnn的算法详解大家也可以在网络资源中自行学习，这里我们仅仅给出网络结构示意图，如图所示。

对于上述三个网络，分别为三个阶段：

Stage 1：使用P-Net是一个全卷积网络，用来生成候选窗和边框回归向量(bounding box regression vectors)。使用Bounding box regression的方法来校正这些候选窗，使用非极大值抑制（NMS）合并重叠的候选框；

Stage 2：使用N-Net改善候选窗，将通过P-Net的候选窗输入R-Net中，拒绝掉大部分false的窗口，继续使用Bounding box regression和NMS合并；

Stage 3：使用O-Net输出最终的人脸框和特征点位置。和第二步类似，但是不同的是生成5个特征点位置；

本文使用NCNN调用MTCNN的模型，上层采用C#调用，代码如下：

/*************************************************
Copyright:  Copyright Trent.
Author:     Trent
Date:       2015-03-09
Description:MTCNN.
**************************************************/#include"Trent.h"#include "mtcnn.h"
#include <stdint.h>
static char* model_path = "C:/Users/Administrator/Desktop/mtcnn/001_TestDemo/TestDemo/TestDemo_C/models";
MTCNN* mtcnn;int FD_Initialize()
{mtcnn = new MTCNN(model_path);return 0;
};
int FD_Process(unsigned char* srcData, int width, int height, int stride, int faceInfos[15])
{unsigned char* data = (unsigned char*)malloc(sizeof(unsigned char) * height * width * 3);unsigned char* pSrc = srcData;unsigned char* pData = data;for (int j = 0; j < height; j++){for (int i = 0; i < width; i++){pData[0] = pSrc[0];pData[1] = pSrc[1];pData[2] = pSrc[2];pData += 3;pSrc += 4;}}ncnn::Mat ncnn_img = ncnn::Mat::from_pixels(data, ncnn::Mat::PIXEL_RGB, width, height);std::vector<Bbox> finalBbox;mtcnn->detect(ncnn_img, finalBbox);if(finalBbox.size() > 0){faceInfos[0] = 1;faceInfos[1] = finalBbox[0].x1;faceInfos[2] = finalBbox[0].y1;faceInfos[3] = finalBbox[0].x2 - finalBbox[0].x1;faceInfos[4] = finalBbox[0].y2 - finalBbox[0].y1;faceInfos[5] = finalBbox[0].ppoint[0];faceInfos[6] = finalBbox[0].ppoint[5];faceInfos[7] = finalBbox[0].ppoint[1];faceInfos[8] = finalBbox[0].ppoint[6];faceInfos[9] = finalBbox[0].ppoint[2];faceInfos[10] = finalBbox[0].ppoint[7];faceInfos[11] = finalBbox[0].ppoint[3];faceInfos[12] = finalBbox[0].ppoint[8];faceInfos[13] = finalBbox[0].ppoint[4];faceInfos[14] = finalBbox[0].ppoint[9];}free(data);return 0;
};
void FD_Unitialize()
{if(model_path != NULL)free(model_path);delete(mtcnn);
}

拿到五个人脸特征点，这一步我们就完成了。

2，贴纸融合；

有了特征点，我们如何将贴纸融合到恰当的位置？

①计算基准点

我们从5个特征点中，计算得到三个关键点A,B,C；

A为左眼中心点；

B为右眼中心点；

C为嘴巴水平中心点；

对于一张人脸，它的这三个点变化比较小，同时又可以覆盖整个脸部区域，因此，具有整张脸的代表性。

②构建模特基准点

选取一张模特图，要求五官端正，比例协调，如下图所示；

在图中标定出三个人脸关键点位置A,B,C，如蓝色点所示，并记录位置信息；

③构建贴纸模板

我们使用如下两个贴纸，在PS中将贴纸放置到模特脸上合适的位置，然后保存两个贴纸模板为mask_a,mask_b，这样两个贴纸模板就制作完成了，模板如下图所示：

③贴图

对于任意一张用户照片，先使用MTCNN得到人脸5个关键点，计算出人脸关键点A,B,C，我们记做A0,B0,C0；

然后，使用仿射变换，公式如下图所示所示，将A0,B0,C0映射到模特图A,B,C三点，得到仿射变换矩阵H；

仿射变换H矩阵求解代码如下：

void GetTexTransMatrix(float x1, float y1, float x2, float y2, float x3, float y3,float tx1, float ty1, float tx2, float ty2, float tx3, float ty3, float*texMatrix)
{float detA;detA = tx1*ty2 + tx2*ty3 + tx3*ty1 - tx3*ty2 - tx1*ty3 - tx2*ty1;float A11, A12, A13, A21, A22, A23, A31, A32, A33;A11 = ty2 - ty3;A21 = -(ty1 - ty3);A31 = ty1 - ty2;A12 = -(tx2 - tx3);A22 = tx1 - tx3;A32 = -(tx1 - tx2);A13 = tx2*ty3 - tx3*ty2;A23 = -(tx1*ty3 - tx3*ty1);A33 = tx1*ty2 - tx2*ty1;  texMatrix[0] = (x1*A11 + x2*A21 + x3*A31) / detA;  texMatrix[1] = (x1*A12 + x2*A22 + x3*A32) / detA;  texMatrix[2] = (x1*A13 + x2*A23 + x3*A33) / detA;  texMatrix[3] = (y1*A11 + y2*A21 + y3*A31) / detA; texMatrix[4] = (y1*A12 + y2*A22 + y3*A32) / detA;       texMatrix[5] = (y1*A13 + y2*A23 + y3*A33) / detA;
}

最后，根据H遍历用户照片，将用户照片像素映射到贴纸模板mask_a或者mask_b中，根据贴纸模板像素的透明度进行alpha混合，即可得到最终效果，如下图所示；

最后给出完整的自动人像贴纸代码，仅仅50行左右，即可实现静态图贴纸效果，如果大家需要动态贴纸，可以循环播放不同贴纸即可，代码如下：

#include"Trent_Sticker.h"
#include"Trent.h"
void GetTexTransMatrix(float x1, float y1, float x2, float y2, float x3, float y3,float tx1, float ty1, float tx2, float ty2, float tx3, float ty3, float*texMatrix)
{float detA;detA = tx1*ty2 + tx2*ty3 + tx3*ty1 - tx3*ty2 - tx1*ty3 - tx2*ty1;float A11, A12, A13, A21, A22, A23, A31, A32, A33;A11 = ty2 - ty3;A21 = -(ty1 - ty3);A31 = ty1 - ty2;A12 = -(tx2 - tx3);A22 = tx1 - tx3;A32 = -(tx1 - tx2);A13 = tx2*ty3 - tx3*ty2;A23 = -(tx1*ty3 - tx3*ty1);A33 = tx1*ty2 - tx2*ty1;  texMatrix[0] = (x1*A11 + x2*A21 + x3*A31) / detA;  texMatrix[1] = (x1*A12 + x2*A22 + x3*A32) / detA;  texMatrix[2] = (x1*A13 + x2*A23 + x3*A33) / detA;  texMatrix[3] = (y1*A11 + y2*A21 + y3*A31) / detA; texMatrix[4] = (y1*A12 + y2*A22 + y3*A32) / detA;       texMatrix[5] = (y1*A13 + y2*A23 + y3*A33) / detA;
}
int Trent_Sticker(unsigned char* srcData, int width, int height, int stride, unsigned char* mask, int maskWidth, int maskHeight, int maskStride, int srcFacePoints[6], int maskFacePoints[6], int ratio)
{int ret = 0;float H[6];GetTexTransMatrix(maskFacePoints[0], maskFacePoints[1], maskFacePoints[2], maskFacePoints[3], maskFacePoints[4], maskFacePoints[5], srcFacePoints[0], srcFacePoints[1], srcFacePoints[2], srcFacePoints[3], srcFacePoints[4], srcFacePoints[5], H);for (int j = 0; j < height; j++){for (int i = 0; i < width; i++){float x = (float)i;float y = (float)j;float tx = 0;float ty = 0;tx = (int)((H[0] * (x)+H[1] * (y)+H[2]) + 0.5);ty = (int)((H[3] * (x)+H[4] * (y)+H[5]) + 0.5);tx = CLIP3(tx, 0, maskWidth - 1);ty = CLIP3(ty, 0, maskHeight - 1);            int mb = mask[(int)tx * 4 + (int)ty * maskStride];int mg = mask[(int)tx * 4 + (int)ty * maskStride + 1];int mr = mask[(int)tx * 4 + (int)ty * maskStride + 2];int alpha = mask[(int)tx * 4 + (int)ty * maskStride + 3];int b = srcData[i * 4 + j * stride];int g = srcData[i * 4 + j * stride + 1];int r = srcData[i * 4 + j * stride + 2];          srcData[(int)i * 4 + (int)j * stride] = CLIP3((b * (255 - alpha) + mb * alpha) / 255, 0, 255);srcData[(int)i * 4 + (int)j * stride + 1] = CLIP3((g * (255 - alpha) + mg * alpha) / 255, 0, 255);srcData[(int)i * 4 + (int)j * stride + 2] = CLIP3((r * (255 - alpha) + mr * alpha) / 255, 0, 255);}}return ret;
};

最后，给出完整工程的源代码，包含MTCNN调用代码和静态贴纸代码：https://download.csdn.net/download/trent1985/10891121

注意，代码运行环境为VS2015，运行时需要把model_path修改为自己的本地路径即可。

DEMO源码界面如下：

本人正在参加2018博客之星，顺便拉个选票，如果觉得本文写的还凑合，还望拉个票，博客之星22号，Trent1985,谢谢！地址：博客之星

如有问题，欢迎联系，本人QQ1358009172

深度学习AI美颜系列----人像静态/动态贴纸特效算法实现相关推荐

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---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 ...
深度学习AI美颜系列---人像审美
美颜是个常见的话题,暗藏了一个基础性的问题,什么是美,也就是人像之审美. 中国人审美的标准: 1,面部轮廓--"三庭五眼": 2,人脸正中垂直轴上--"四高三低" ...
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---AI滤镜特效算法
滤镜是图像美化中必不可少的步骤, 所谓滤镜,最初是指安装在相机镜头前过滤自然光的附加镜头,用来实现调色和添加效果.我们做的滤镜算法又叫做软件滤镜,是对大部分镜头滤镜进行的模拟,当然,误差也就再所难免, ...

深度学习AI美颜系列----人像静态/动态贴纸特效算法实现

深度学习AI美颜系列----人像静态/动态贴纸特效算法实现相关推荐

最新文章

热门文章