使用 MediaPipe 和 OpenCV 快速生成人脸掩膜（Face Mask）

在实际项目中，尤其是涉及人脸识别、换脸、图像修复等任务时，我们经常需要生成人脸区域的掩膜（mask）。这篇文章分享一个简单易用的小工具，利用 MediaPipe 和 OpenCV，快速提取人脸轮廓并生成二值掩膜图像。

下面是完整代码，配合详细讲解，适合初学者和需要快速上手的小伙伴！

环境准备

首先，需要安装以下 Python 库（如果尚未安装，可以用 pip 安装）：

pip install opencv-python mediapipe pillow numpy

核心代码

import cv2
import numpy as np
import mediapipe as mp
from PIL import Image

def generate_face_mask(image_path, save_path=None, show=False):
    # 初始化 MediaPipe 的 FaceMesh 模型
    mp_face_mesh = mp.solutions.face_mesh
    face_mesh = mp_face_mesh.FaceMesh(static_image_mode=True, refine_landmarks=True)

    # 读取图像
    img = cv2.imread(image_path)
    h, w, _ = img.shape

    # 人脸检测与关键点提取
    results = face_mesh.process(cv2.cvtColor(img, cv2.COLOR_BGR2RGB))

    # 初始化黑色背景的 mask
    mask = np.zeros((h, w), dtype=np.uint8)

    # 如果检测到人脸
    if results.multi_face_landmarks:
        for face_landmarks in results.multi_face_landmarks:
            # 获取人脸关键点坐标
            points = [(int(p.x * w), int(p.y * h)) for p in face_landmarks.landmark]
            # 使用凸包（convex hull）拟合整个脸部区域
            hull = cv2.convexHull(np.array(points))
            # 将凸包区域填充为白色
            cv2.fillConvexPoly(mask, hull, 255)

    # 可选：展示生成的 mask
    if show:
        cv2.imshow("Mask", mask)
        cv2.waitKey(0)

    # 保存 mask 到本地
    if save_path:
        cv2.imwrite(save_path, mask)

    return mask

# 使用示例
generate_face_mask(
    image_path="face.png",  # 替换为你的图像路径
    save_path="face_mask.png",
    # show=True  # 如果想看效果可以打开
)

代码讲解

• MediaPipe FaceMesh：

  • MediaPipe 提供了轻量级的人脸关键点检测（共468个关键点），非常适合快速处理。
  • refine_landmarks=True 参数会进一步优化面部区域，如眼睛轮廓、嘴唇轮廓。

• 提取关键点并绘制凸包（Convex Hull）：

  • 为了保证 mask 的完整性，不直接用单个关键点连线，而是用 OpenCV 的 convexHull 函数，将人脸外围自动拟合成一个封闭轮廓。
  • 这样能确保 mask 覆盖整个脸部，即便脸部角度有倾斜或旋转。

• 保存掩膜（mask）：

  • 最后生成的是一张黑白二值图，白色部分为人脸区域，黑色为背景，非常适合后续做图像分割、融合等任务。

效果示例

输入图片：

生成的人脸掩膜：

应用场景

• 换脸（Face Swap）：掩膜用于融合不同人脸区域。
• 肖像图像处理：美颜、磨皮、特效。
• 图像修复（Inpainting）：只修复人脸区域，背景保持不变。
• 身份保护：打码或模糊特定人脸区域。

小结

这个方法虽然简单，但实用性非常高，适用于各种需要人脸掩膜的小项目。如果需要更精细的面部特征（比如眼睛、嘴巴分开处理），还可以在此基础上扩展 —— 例如结合不同 landmark 区域单独提取。

希望这篇分享能帮到你，动手试试看吧！👍