深度解密——沈腾版斯内普教授背后的AI换脸术

AI换脸技术是近两年大热的与人脸相关的应用。近期，随着《哈利·波特》在国内各大影院重映，一个名为《当斯内普教授换上了沈腾的脸》的视频迅速在网络走红。

视频用AI换脸技术将斯内普教授换成沈腾，全程毫无违和感，网友惊呼：“如果翻拍，斯内普教授不是沈腾来演，那我就拒绝！”

人脸关键点检测是人脸识别和分析领域中的关键一步，它是诸如表情分析、三维人脸重建等其它人脸相关问题的技术前提和突破口。

而人脸分割技术可以实现从不同背景的图像中自动提取出人体目标，为后续处理算法提供基本的执行条件。

计算机首先会通过人脸关键点检测将人脸的位置准确地框选出来，再将人脸五官不同模块语义进行分割，并在关键部位上对像素点进行变换，达成各种不同的效果，沈腾版斯内普教授就与大家见面了。

现代人离不开的修图美颜是对人脸关键点检测+人脸分割的一个典型应用。

当人们选出一张照片进行美颜时，首先就需借助人脸关键点检测+人脸分割实现对人脸轮廓以及五官特征的精准定位。

由于相机角度和人脸姿态的多变，有时选出的照片中人脸会出现大角度的倾斜。此时需要用人脸关键点检测算法定位人脸各个部分的位置进行角度修正，提高人脸识别算法的准确率。

此处是人脸图像处理算法的基础，也是最重要的部分，定位的准确度直接决定了后续图像美化精度和效果。

美颜之前首先要对人脸关键点进行定位

当人脸各个关键部分的精确位置已经确定，就可以将不同的美妆特效渲染到人脸图像上。

人脸美颜可以将美颜的效果精准映射到五官及人脸皮肤的各个位置；智能上妆可以将不同类型的妆容精确投射到脸上的不同位置，完成上妆。

人脸特效可以将特效智能映射到人脸的特定位置，比如眼部的二次元眼睛，脸部皮肤上腮红，脸边缘轮廓上的络腮胡子等。

除了修图美颜，跨年龄人脸识别也依赖于人脸关键点检测+人脸分割。

腾讯优图实验室跨年龄人脸识别技术就曾协助警方找到了四位走失近十年的孩子。十年中孩子的面部发生了巨大的变化，而根据一张三四岁甚至是三四个月时的照片，优图实验室的跨年龄人脸能识别技术居然成功地找回走失儿童。

跨年龄人脸识别首先也是需要借助人脸关键点检测对五官和面部轮廓进行定位。

下一步就可以将人脸在不同年龄段的外观变化，如皱纹、肤色、发色等、映射到图像中，获得不同年龄段的人脸。

跨年龄人脸识别示意图，图片来自优图实验室

人脸相关的应用做到商业化落地的中间自然离不开AI训练数据的支持。数据堂对海量人脸原始数据进行框选、提取、分类等一系列处理，将混杂数据转化为机器学习可识别的专业数据，为人脸识别、AI换脸、跨年龄人脸识别的发展提供助力。

15万张人脸106关键点标注数据

人脸106关键点标注数据样例，已获得被采集人授权

数据堂自有版权的《15万张人脸106关键点标注数据》覆盖了多人种、多年龄段的人脸数据。

综合考虑了不同场景、不同难度下的人脸特征，为了增加数据集分布的多样性，采集人员采集了多个角度的完整人脸数据以及局部遮挡人脸数据（戴墨镜或其他佩饰）。

数据还包括嘟嘴、惊讶、愤怒、蔑视等复杂表情，是一套相对完备的人脸关键点检测数据集。

70,846张人脸抠图数据

人脸抠图数据样例，已获得被采集人授权

数据堂自有版权的《70,846张人脸抠图数据》涵盖了多人种、多年龄段的人脸五官、身体及佩饰的语义分割数据。

该数据集部分原始数据与《15万张人脸106关键点标注数据》重合，同样考虑了不同角度、不同表情、不同佩饰下的人脸数据分布。

在标注方面，该数据集主要侧重对于人脸五官、身体、佩饰等24个局部模块的语义分割标注，是一套高质量的人脸分割数据集。

深度学习技术的出现使得人脸关键点检测和人脸分割算法性能不断提升，但是仍然存在一些难点，如面部遮挡。

虽然近年来出现了一些处理该问题的方法，但现有方法的精度距离实际应用还有较大差距。解决这些问题还应回归到训练数据，扩大数据的多样性成为相关AI企业持续努力的方向。