Python换脸术，不会AI也能get有趣有料的技术！

「2019 Python开发者日」全日程揭晓，请扫码咨询 ↑↑↑

作者 | 雇个城管打天下，理工男一枚。南京大学软件工程系硕士，一个还在做着拥有十万读者梦的互联网新人，或许一篇文章无法获得你的关注，但突然梦想觉醒的我还在努力着！

来源 | 01二进制（ID:gh_d1999add1857）

编辑 | Jane

【导语】前段时间“给朱茵换脸，杨幂穿越到 1994 年版的《射雕英雄传》出演黄蓉“的 AI换脸术引起了大家的热议，不过如果没有专业的 AI 研究背景是不是就搞不定了？那肯定不能，这次我们就带大家用 Python、OpenCV 等库体验一把”低配“换脸术。

作为一名coder，在看到这个视频之后我就很想知道这究竟是怎么做出来的，在查阅了一些资料后，我才发现最悲伤的事情莫过于，好不容易把源码找到了，数据集下载好了，结果显卡带不起来…

Tips：这里给出我之前找到的两个有关视频换脸的仓库，有兴趣的自己去了解下~

deepfakes_faceswap：

https://github.com/joshua-wu/deepfakes_faceswap

FaceIt：

https://github.com/goberoi/faceit

既然条件不允许，那我们只能降低成本，既然视频里的脸不好换，那就退而求其次，换一下图片里面的脸，果然在我的苦苦寻觅后，我找到了一个低配版的 Python 换脸大法：

《Switching Eds: Face swapping with Python, dlib, and OpenCV

https://matthewearl.github.io/2015/07/28/switching-eds-with-python/

以下内容均参考上述所标注的文章，在这感谢原作者

接下来我将会介绍如何通过一段简短的 Python 脚本（200行左右）将一张图片中面部特征自动替换为另外一张图片中的面部特征。

具体过程分为四个步骤

• 检测面部标志；

• 旋转、缩放和平移图 2 以适应图 1；

• 调整图 2 的白平衡以匹配图 1；

• 将图 2 的特征融合到图 1 中；

实验环境

• MacOS 10.14.3

• Python 3.7

• PyCharm

• 用到的库有：

• numpy

• dlib

• opencv-python

工具说明

• numpy大家应该都很熟悉了，这里我简单介绍下dlib和opencv。

• dlib官网介绍其为：A toolkit for making real world machine learning and data analysis applications，简单来说他就是一个开源的机器学习库，包含了很多机器学习的算法。同时对外提供了C++和Python的接口。使用dlib可以大大简化开发，比如人脸识别，特征点检测之类的工作都可以很轻松实现。同时也有很多基于dlib开发的应用和开源库，比如face_recogintion库（据说识别率高达93%，有兴趣的可以查阅相关资料）。python下的安装也很简单，执行 pip install dlib即可。

• OpenCV：Intel® 开源计算机视觉库。它由一系列 C 函数和少量 C++ 类构成，实现了图像处理和计算机视觉方面的很多通用算法。是计算机视觉领域非常重要的一个开源库。官网地址：https://opencv.org/

开始换脸

• 提取面部特征

既然要换脸，我们肯定要先在图片中找到人脸，dlib中有一个函数 get_frontal_face_detector()实现了面部特征提取，核心算法来自于 Vahid Kazemi 和 Josephine Sullivan 的论文《One Millisecond Face Alignment with an Ensemble of Regression Tree》，我也没有读过这篇论文就不解释了。提取面部特征的代码如下：

1# 面部检测器
2
3detector = dlib.get_frontal_face_detector()
4
5# 特征提取器
6
7predictor = dlib.shape_predictor('shape_predictor_68_face_landmarks.dat')
8
9
10
11def GetLandmarks(img_path):
12
13    img = cv2.imread(img_path, cv2.IMREAD_COLOR)
14
15    rects = detector(img, 1)
16
17    if len(rects) > 1:
18
19        print('[Warning]: More than one face in picture, only choose one randomly...')
20
21        rects = rects[0]
22
23    elif len(rects) == 0:
24
25        print('[Error]: No face detected...')
26
27        return None
28
29    return img, np.matrix([[p.x, p.y] for p in predictor(img, rects[0]).parts()])

get_landmarks() 函数接受一个图片，经过处理后以 numpy 数组的形式进行处理，并返回一个 68x2 的元素矩阵。矩阵的每一行与输入图像中特定特征点的 x，y 坐标相对应。

特征提取器（predictor）需要一个大概的边界框作为算法的输入。这将由传统的面部检测器（detector）提供。该面部检测器会返回一个矩形列表，其中每一个矩形与图像中的一张人脸相对应。

生成 predictor 需要预先训练好的模型。该模型可在微信公众号「01二进制」后台回复"AI换脸"获得。

• 人脸对齐

有了上述方法，我们就可以提取出图片中的人脸了，但是两张照片中的人脸方向肯定都是不一致的（毕竟你不能保证每张都是证件照啊），就像下面这两张图：

这两个人脸的方向明显不一致啊，所以我们还需要对人脸进行对齐。我们现在已经获取到每张图片中人脸矩形的坐标了，剩下的就是弄明白如何旋转、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就可以了。这里运用到了一个名为普氏分析法（Ordinary Procrustes Analysis）的方法解决这个问题的，数学能力有限，数学依据参考注释中的链接，这里就直接放出代码吧：

1# refer:
2
3#     https://en.wikipedia.org/wiki/Procrustes_analysis#Ordinary_Procrustes_analysis
4
5def TransferPoints(points1, points2):
6
7    points1 = points1.astype(np.float64)
8
9    points2 = points2.astype(np.float64)
10
11    c1 = np.mean(points1, axis=0)
12
13    c2 = np.mean(points2, axis=0)
14
15    points1 -= c1
16
17    points2 -= c2
18
19    s1 = np.std(points1)
20
21    s2 = np.std(points2)
22
23    points1 /= s1
24
25    points2 /= s2
26
27    # 奇异值分解
28
29    U, S, Vt = np.linalg.svd(points1.T * points2)
30
31    R = (U * Vt).T
32
33    return np.vstack([np.hstack(((s2 / s1) * R, c2.T - (s2 / s1) * R * c1.T)), np.matrix([0., 0., 1.])])

之后我们再把对齐的结果利用 OpenCV 的 cv2.warpAffine 函数，将第二个图片映射到第一个图片上：

1def WarpImg(img, M, dshape):
2
3    output_img = np.zeros(dshape, dtype=img.dtype)
4
5    cv2.warpAffine(img,
6
7                   M[:2],
8
9                   (dshape[1], dshape[0]),
10
11                   dst=output_img,
12
13                   borderMode=cv2.BORDER_TRANSPARENT,
14
15                   flags=cv2.WARP_INVERSE_MAP)
16
17    return output_img

• 校正图片颜色

两张图片由于不同的肤色和光线造成了覆盖区域边缘的不连续。所以我们需要修正它：

1def ModifyColor(img1, img2, landmarks1):
2
3    blur_amount = 0.6 * np.linalg.norm(
4
5        np.mean(landmarks1[LEFT_EYE_POINTS], axis=0) - np.mean(landmarks1[RIGHT_EYE_POINTS], axis=0))
6
7    blur_amount = int(blur_amount)
8
9    if blur_amount % 2 == 0:
10
11        blur_amount += 1
12
13    img1_blur = cv2.GaussianBlur(img1, (blur_amount, blur_amount), 0)
14
15    img2_blur = cv2.GaussianBlur(img2, (blur_amount, blur_amount), 0)
16
17    img2_blur += (128 * (img2_blur <= 1.0)).astype(img2_blur.dtype)
18
19    return (img2.astype(np.float64) * img1_blur.astype(np.float64) / img2_blur.astype(np.float64))

• 图片融合

用一个蒙版（mask）来选择图 2 和图 1 应被最终显示的部分：

值为 1 (白色)的地方为图 2 应显示的区域，值为 0 (黑色)的地方为图 1 应显示的区域。值在 0 和 1 之间的地方为图 1 图 2 的混合区域。

1这是生成上述内容的代码：
2
3def GetFaceMask(img, landmarks):
4
5    img = np.zeros(img.shape[:2], dtype=np.float64)
6
7    groups = [
8
9        LEFT_EYE_POINTS + RIGHT_EYE_POINTS + LEFT_BROW_POINTS + RIGHT_BROW_POINTS,
10
11        NOSE_POINTS + MOUTH_POINTS,
12
13    ]
14
15    for group in groups:
16
17        DrawConvexHull(img, landmarks[group], color=1)
18
19    img = np.array([img, img, img]).transpose((1, 2, 0))
20
21    img = (cv2.GaussianBlur(img, (11, 11), 0) > 0) * 1.0
22
23    img = cv2.GaussianBlur(img, (11, 11), 0)
24
25    return img
26
27
28
29def DrawConvexHull(img, points, color):
30
31    points = cv2.convexHull(points)
32
33    cv2.fillConvexPoly(img, points, color=color)
34
35
36
37def ModifyColor(img1, img2, landmarks1):
38
39    blur_amount = 0.6 * np.linalg.norm(
40
41        np.mean(landmarks1[LEFT_EYE_POINTS], axis=0) - np.mean(landmarks1[RIGHT_EYE_POINTS], axis=0))
42
43    blur_amount = int(blur_amount)
44
45    if blur_amount % 2 == 0:
46
47        blur_amount += 1
48
49    img1_blur = cv2.GaussianBlur(img1, (blur_amount, blur_amount), 0)
50
51    img2_blur = cv2.GaussianBlur(img2, (blur_amount, blur_amount), 0)
52
53    img2_blur += (128 * (img2_blur <= 1.0)).astype(img2_blur.dtype)
54
55    return (img2.astype(np.float64) * img1_blur.astype(np.float64) / img2_blur.astype(np.float64))

GetFaceMask()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。

至此，一个低配版的AI换脸就完成了，结果就如开头那样。此次实验虽然已有换脸的雏形，但是精度还远远不够，而且这种换脸如果用到视频中肯定是不堪入目的，毕竟做得好的已经是下面这样了：

本文参考了下述文章：

• 《Switching Eds: Face swapping with Python, dlib, and OpenCV》

• 《萌新如何用Python实现人脸替换？》

（*本文仅代表作者观点，转载请联系原作者）

◆

精彩推荐

◆

「2019 Python开发者日」全日程揭晓！这一次我们依然“只讲技术，拒绝空谈”10余位一线Python技术专家共同打造一场硬核技术大会。更有深度培训实操环节，为开发者们带来更多深度实战机会。更多详细信息请咨询13581782348（微信同号）。