前言

前面介绍了仅替换五官的方法，这里介绍整张脸的方法。

国际惯例，参考博客：

[图形算法]Delaunay三角剖分算法

维诺图（Voronoi Diagram）分析与实现

Delaunay Triangulation and Voronoi Diagram using OpenCV ( C++ / Python )

Face Swap using OpenCV ( C++ / Python )

learnopencv中的换脸源码

流程

整脸替换的流程与仅替换五官的时候，稍微有点区别，步骤为：

检测人脸关键点
依据人脸关键点的凸包进行人脸三角剖分
对两人人脸对应的三角网格进行变形对齐
使用seamlessclone柏松融合算法进行贴图

先加载必要的库

import cv2
import numpy as np
import matplotlib.pyplot as plt

检测人脸关键点

跟上一篇人脸替换的博客一样，代码直接贴过来了

cas = cv2.CascadeClassifier('./model/haarcascade_frontalface_alt2.xml')
obj = cv2.face.createFacemarkLBF()
obj.loadModel('./model/lbfmodel.yaml')
# opencv检测关键点
def detect_facepoint(img):img_gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)print(img_gray.shape)print(cas.detectMultiScale(img_gray,2,3,0,(30,30)))faces = cas.detectMultiScale(img_gray,2,3,0,(30,30))landmarks = obj.fit(img_gray,faces)assert landmarks[0],'no face detected'if(len(landmarks[1])>1):print('multi face detected,use the first')return faces[0],np.squeeze(landmarks[1][0])
#绘制人脸关键点
def draw_kps(img,face_box,kps,kpssize=3):img_show = img.copy()cv2.rectangle(img_show,(face_box[0],face_box[1]),(face_box[0]+face_box[2],face_box[1]+face_box[3]),(0,255,0),3)for i in range(kps.shape[0]):cv2.circle(img_show,(kps[i,0],kps[i,1]),kpssize,(0,0,255),-1)img_show = cv2.cvtColor(img_show,cv2.COLOR_BGR2RGB)return img_show

三角剖分

根据人脸关键点，提取人脸三角网格，流程是先提取人脸区域的凸包，参考这里，接下来使用getTriangleList函数提取人脸网格：

def get_triangle(img,facekpts):convex_kps = cv2.convexHull(facekpts,returnPoints=True)kps = np.squeeze(convex_kps)rect = (0,0,img.shape[1],img.shape[0])subdiv = cv2.Subdiv2D(rect)for i in range(kps.shape[0]):subdiv.insert((kps[i,0],kps[i,1]))triangleList = subdiv.getTriangleList()return triangleList

写一个画图函数，可视化三角网格

def draw_triangles(img,triangles):for t in triangles:pt1 = (t[0],t[1])pt2 = (t[2],t[3])pt3 = (t[4],t[5])cv2.line(img,pt1,pt2,(0,255,0),2,cv2.LINE_AA)cv2.line(img,pt1,pt3,(0,255,0),2,cv2.LINE_AA)cv2.line(img,pt2,pt3,(0,255,0),2,cv2.LINE_AA)img = cv2.cvtColor(img,cv2.COLOR_BGR2RGB)return img

可视化看看：

# 提取人脸关键点
img1 = cv2.imread('./images/hjh.jpg')
img2 = cv2.imread('./images/zly.jpg')
face_box1,face_kps1 = detect_facepoint(img1)
face_kps1=face_kps1.astype(int)
face_box2,face_kps2 = detect_facepoint(img2)
face_kps2=face_kps2.astype(int)
#获取三角网格
img_t1 = get_triangle(img1,face_kps1)
img_t2 = get_triangle(img2,face_kps2)
#可视化
plt.figure(figsize=(8,8))
plt.subplot(121)
plt.imshow(draw_triangles(img1.copy(),img_t1))
plt.axis('off')
plt.subplot(122)
plt.imshow(draw_triangles(img2.copy(),img_t2))
plt.axis('off')

网格变形

目的是将第二个人脸分别用网格变形到第一个人脸对应的网格区域。

所以第二个人脸的网格没用，可以按照第一个人脸的网格分割第二个人脸。这两个人脸唯一对应的地方就是他们关键点的索引顺序相同，所以找到第一个网格每个顶点对应是哪个人脸关键点，就能用索引重新分割第二个人脸。

找第一个人脸的每个网格对应的人脸关键点

#找到三角网格对应的关键点索引
def get_nearest(img_t,face_kps):triangle_idx=[]for t in img_t:idx1=np.argmin(np.sum(abs(face_kps-np.array([[t[0],t[1]]])),axis=1))idx2=np.argmin(np.sum(abs(face_kps-np.array([[t[2],t[3]]])),axis=1))idx3=np.argmin(np.sum(abs(face_kps-np.array([[t[4],t[5]]])),axis=1))triangle_idx.append([idx1,idx2,idx3])return triangle_idx

接下来提取第二个图像的每一块进行变形，举个例子，比如第二块网格。流程是提取三角网格的外接矩形，把它切出来，并且把举行里面对应的三个关键点的坐标重新计算一下：

# 提取第一张图的所有三角网格对应的人脸关键点索引
wrap_idx = get_nearest(img_t1,face_kps1)
i=2 # 块索引
# 三角形的三个坐标
t1 = face_kps1[wrap_idx[i]]
t2 = face_kps2[wrap_idx[i]]
# 提取三角网格的外接矩形
patch_rect1 = cv2.boundingRect(t1)
patch_rect2 = cv2.boundingRect(t2)
# 重置关键点坐标
new_t1 = t1 - np.array([[ patch_rect1[0],patch_rect1[1] ]])
new_t2 = t2 - np.array([[ patch_rect2[0],patch_rect2[1] ]])
# 把第二张图像对应的图像块切分开
img_patch2 = img2[patch_rect2[1]:patch_rect2[1]+patch_rect2[3],patch_rect2[0]:patch_rect2[0]+patch_rect2[2]]

可视化看看当前的图像切块和关键点是不是对应，因为opencv里面经常出现坐标轴弄反的问题

#验证当前关键点是否正确
plt.figure(figsize=(8,8))
plt.subplot(131)
plt.imshow(cv2.cvtColor(img_patch2.copy(),cv2.COLOR_BGR2RGB))
plt.axis('off')
plt.subplot(132)
plt.imshow(draw_kps(img_patch2,(0,0,patch_rect2[2],patch_rect2[3]),new_t2))
plt.axis('off')
plt.subplot(133)
plt.imshow(draw_kps(img2.copy(),face_box2,t2,4))
plt.axis('off')

接下来将第二个图像的三角网格变形，使其能够贴到第一张图对应的三角区域，变形函数很简单难，就是利用opencv的计算变形矩阵函数getAffineTransform和应用变形函数warpAffine，将两个区域变形对齐：

def applyAffineTransform(src, srcTri, dstTri, size) : # 给定两个三角形，找到第一个到第二个的仿射变换矩阵warpMat = cv2.getAffineTransform( np.float32(srcTri), np.float32(dstTri) )    # 将第一个做仿射变换dst = cv2.warpAffine( src, warpMat, (size[0], size[1]), None, flags=cv2.INTER_LINEAR, borderMode=cv2.BORDER_REFLECT_101 )return dst

调用上面的函数，利用两个三角形的仿射变换矩阵，将图二的块变形

patch_affine2=applyAffineTransform(img_patch2,new_t2,new_t1,(patch_rect1[2],patch_rect1[3]))

可视化看看呗

plt.imshow(cv2.cvtColor(patch_affine2.copy(),cv2.COLOR_BGR2RGB))
plt.axis('off')

我们只需要将三角网格部分贴过去，而非贴上面的这个矩形区域，所以利用掩膜去贴三角区域

mask = np.zeros((patch_rect1[3],patch_rect1[2],3),dtype=np.uint8)
mask = cv2.fillConvexPoly(mask,new_t1,(1,1,1),16,0)
mask_img = patch_affine2*mask
img1[patch_rect1[1]:patch_rect1[1]+patch_rect1[3],patch_rect1[0]:patch_rect1[0]+patch_rect1[2]] = \img1[patch_rect1[1]:patch_rect1[1]+patch_rect1[3],patch_rect1[0]:patch_rect1[0]+patch_rect1[2]]*(1-mask)
img1[patch_rect1[1]:patch_rect1[1]+patch_rect1[3],patch_rect1[0]:patch_rect1[0]+patch_rect1[2]] = \img1[patch_rect1[1]:patch_rect1[1]+patch_rect1[3],patch_rect1[0]:patch_rect1[0]+patch_rect1[2]]+mask_img

可视化看看

plt.imshow(cv2.cvtColor(img1.copy(),cv2.COLOR_BGR2RGB))
plt.axis('off')

仔细看，下嘴唇下面有一道印，那个地方就是第2块三角网格的贴图结果。

这一块的整体函数是：

def warp_triangle(dst_img,src_img,img_tri1,kps1,kps2):# 提取第一张图的所有三角网格对应的人脸关键点索引wrap_idx = get_nearest(img_tri1,kps1)for i in range(len(wrap_idx)): #将第二个图的每个网格变形贴到第一张图的对应位置t1 = kps1[wrap_idx[i]]t2 = kps2[wrap_idx[i]]patch_rect1 = cv2.boundingRect(t1)patch_rect2 = cv2.boundingRect(t2)new_t1 = t1 - np.array([[ patch_rect1[0],patch_rect1[1] ]])new_t2 = t2 - np.array([[ patch_rect2[0],patch_rect2[1] ]])img_patch2 = src_img[patch_rect2[1]:patch_rect2[1]+patch_rect2[3],patch_rect2[0]:patch_rect2[0]+patch_rect2[2]]# 提取第二张图的网格图像patch_affine2=applyAffineTransform(img_patch2,new_t2,new_t1,(patch_rect1[2],patch_rect1[3])) #变形#将第二张图网格变形后贴到第一张图对应地方mask = np.zeros((patch_rect1[3],patch_rect1[2],3),dtype=np.uint8)mask = cv2.fillConvexPoly(mask,new_t1,(1,1,1),16,0)mask_img = patch_affine2*maskdst_img[patch_rect1[1]:patch_rect1[1]+patch_rect1[3],patch_rect1[0]:patch_rect1[0]+patch_rect1[2]] = \dst_img[patch_rect1[1]:patch_rect1[1]+patch_rect1[3],patch_rect1[0]:patch_rect1[0]+patch_rect1[2]]*(1-mask)dst_img[patch_rect1[1]:patch_rect1[1]+patch_rect1[3],patch_rect1[0]:patch_rect1[0]+patch_rect1[2]] = \dst_img[patch_rect1[1]:patch_rect1[1]+patch_rect1[3],patch_rect1[0]:patch_rect1[0]+patch_rect1[2]]+mask_imgreturn dst_img

所有的网格都变形以后的结果图：

# 对人脸网格进行变形
wrap_img = warp_triangle(img1.copy(),img2.copy(),img_t1,face_kps1,face_kps2)

可视化结果：

plt.imshow(cv2.cvtColor(wrap_img,cv2.COLOR_BGR2RGB))
plt.axis('off')

很明显遇到了颜色不一致问题，导致贴图痕迹明显。

颜色校正

上一章节我们引用的是一种高斯校正的方法，这里我们直接用opencv的seamlessClone()方法，使用泊松融合的方法矫正贴图痕迹过于明显的问题。

流程就是重新提取一次面部掩膜，利用此掩膜调用opencv函数贴图

# 对人脸进行重新贴图
convex1 = cv2.convexHull(face_kps1,returnPoints=True)
mask = np.zeros_like(img1)
mask = cv2.fillConvexPoly(mask,convex1,(255,255,255))
r=cv2.boundingRect(convex1)
center = ((r[0]+int(r[2]/2)),r[1]+int(r[3]/2))
result_img = cv2.seamlessClone(wrap_img,img1,mask,center,cv2.NORMAL_CLONE)

可视化结果

plt.figure(figsize=(18,18))
plt.subplot(131)
plt.imshow(mask.astype(np.uint8))
plt.axis('off')
plt.subplot(132)
plt.imshow(cv2.cvtColor(wrap_img,cv2.COLOR_BGR2RGB))
plt.axis('off')
plt.subplot(133)
plt.imshow(cv2.cvtColor(result_img,cv2.COLOR_BGR2RGB))
plt.axis('off')

这个脸的方向看起来很怪，所以我们尽量让换脸的两个人的图面部朝向保持一致。用女神俞飞鸿和赵丽颖的图像做替换，效果如下：

好吧，反正我是看不出来左下角图片是赵丽颖。不要慌，算法多多，后面再想其他算法。

后记

本文是上一片只替换五官换脸方法的更进一步的替换方法，替换整张面部。

博客代码：

链接: https://pan.baidu.com/s/11syxp6yM96GVGi09FSGUwQ

提取码: e8ae

本文已经同步到微信公众号中，公众号与本博客将持续同步更新运动捕捉、机器学习、深度学习、计算机视觉算法，敬请关注

换脸系列——整脸替换相关推荐

换脸插件 php,换脸系列——整脸替换
前言前面介绍了仅替换五官的方法,这里介绍整张脸的方法. 国际惯例,参考博客: 流程整脸替换的流程与仅替换五官的时候,稍微有点区别,步骤为: 检测人脸关键点依据人脸关键点的凸包进行人脸三角剖分对 ...
换脸系列——眼鼻口替换
前言想着整理一下换脸相关的技术方法,免得以后忘记了,最近脑袋越来越不好使了.应该会包含三个系列: 仅换眼口鼻:换整个面部:3D换脸先看看2D换脸吧,网上已经有现成的教程了,这里拿过来整理一下,做个 ...
我试了下《复仇者联盟》AI换脸系列，当了英雄的我现在很慌...
大数据文摘出品作者:蒋宝尚 <复仇者联盟4:终局之战>上映已经有一段时间了,内地累计票房便已突破20亿.电影精彩之处离不开钢铁侠.雷神.美国队长等各位超级英雄的实力支撑. 每个英雄各具特 ...
linux sed 选取,linux sed 替换（整行替换，部分替换）、删除delete、新增add、选取...
sed命令行格式为: sed [-nefri] 'command' 输入文本常用选项: -n∶使用安静(silent)模式.在一般 sed 的用法中,所有来自 STDIN的资料一般都会被列出到萤幕上 ...
Python - 深度学习系列2-人脸比对 Siamese
说明使用Siamese网络进行目标的相似度比较,其好处在于避免了许多复杂的数学处理(仿射变换).本文参考了PyTorch练手项目四:孪生网络(Siamese Network),并结合github上的 ...
linux sed命令整行替换：将`PermitRootLogin`行替换成`PermitRootLogin yes`
将PermitRootLogin行替换成PermitRootLogin yes sed -i '/PermitRootLogin /c PermitRootLogin yes' /etc/ssh/ss ...
润乾服务器的授权文件,V4.0系列软件如何替换授权文件
润乾报表的授权文件大致分为两类:设计器授权和服务器授权.服务器授权又分了3类,如下图: 授权文件的作用就不用我多说了,这里主要讲一下如何替换授权文件. 有一部分客户在授权到期之后拿到了新的授权文件,但 ...
【linux系列】vi替换字符串
1. 基本的替换 :s/vivian/sky/ 替换当前行第一个 vivian 为 sky :s/vivian/sky/g 替换当前行所有 vivian 为 sky :n,$s/vivian/sky/ ...
实战c++中的string系列--string的替换、查找(一些与路径相关的操作)
今天继续写一些string操作. string给我们提供了很多的方法,但是每在使用的时候,就要费些周折. 场景1: 得到一个std::string full_path = "D:\progr ...

换脸系列——整脸替换

前言

流程

检测人脸关键点

三角剖分

网格变形

颜色校正

后记

换脸系列——整脸替换相关推荐

最新文章

热门文章