【无标题】Speech Driven Talking Face Generation from a Single Image and an Emotion Condition 代码解读

思路： 

1、预先导入所需要的人脸识别模型；

2、遍历循环识别文件夹里面的图片，让模型“记住”人物的样子；

3、输入一张新的图像，与前一步文件夹里面的图片比对，返回最接近的结果

shape_predictor.dat：检测人脸的关键点，比如眼睛，嘴巴等等；

dlib_face_recognition.dat：在检测关键点的基础上，生成人脸的特征值。

使用dlib模块相当于调用某个神经网络，再把预先训练好的参数传给调用的神经网络。

OpenCV获取视频属性

import cv2
#path 视频的地址，加引号
cap=cv2.VideoCapture(path)
#get函数：参数按顺序对应下表（cap.get从0开始编号，比如为了获取视频的总帧数，在下表排第八）
frames_num=cap.get(7)
print(frames_num)

os.path.splitext()   将文件名和扩展名分开

os.path.split()       返回文件的路径和文件名

os.path.join()       路径拼接，避免使用字符串，避免斜杠写错；

numpy.moveaxis(a,source,destination)将数组的轴移动到新的位置，a:数组；source：要移动的轴的原始位置；destination：要移动的轴的目标位置

transforms用于图形变换，torchvision.transforms.Compose([ ts,ts,ts... ])ts为transforms操作，将一系列transforms操作链接起来

标准化: transforms.Normalize

torchvision.transforms.Normalize(mean, std)，用平均值和标准偏差归一化张量图像。

给定mean：(M1,…,Mn)和std：(S1,…,Sn)对于n通道，此变换将标准化输入的每个通道，torch.*Tensor即 input[channel] = (input[channel] - mean[channel]) / std[channel]

mean（sequence） - 每个通道的均值序列。

std（sequence） - 每个通道的标准偏差序列。

例如：

具体地说，对每个通道而言，Normalize执行以下操作：

image = (image - mean) / std，其中mean和std分别通过(0.5,0.5,0.5)和(0.5,0.5,0.5)进行指定。原来的0-1最小值0则变成(0-0.5)/0.5=-1，而最大值1则变成(1-0.5)/0.5=1。

参考：Pytorch学习笔记（3）———transforms变换_永不言弃的小颖子的博客-CSDN博客