点击左上方蓝字关注我们
【飞桨开发者说】Zohar：是个快秃顶的野生AI训练师，经常捕捉各类AI模型进行训练，励志在各大AI竞赛取得冠军。
项目背景
领略千年皮影戏魅力，传承正在消失的艺术。皮影戏的神奇，在于小小皮影在指尖上飞舞，时而刀光剑影、时而策马扬鞭、时而缠绵悱恻，千军万马是他，单打独斗也是他。皮影戏可谓是闻名中外，它是把光影声色做到极致的一门古老艺术。
先辈门通过手艺演绎着皮影戏，随着人工智能的浪潮，我们同样也可以通过AI方式来实现皮影戏的效果。通过PaddleHub提供的人体骨骼关键点检测预训练模型，我们就可以快速实现皮影戏的效果。
PaddleHub可以便捷地获取PaddlePaddle生态下的预训练模型，完成模型的管理和一键预测。配合使用Fine-tune API，可以基于大规模预训练模型快速完成迁移学习，让预训练模型能更好地服务于用户特定场景的应用。
效果展示
在PaddleHub获取到人体骨骼关键点模型之后，就可以对这些关键点进行连接，从而形成了人体姿态。然后我们将皮影素材映射到人体姿态身上，让皮影跟随人体姿态进行运动，就达到“皮影戏”的效果。下面我们来看一下实现的效果吧：
下面是对单张图片进行转换的效果，左边是含有人体的原始图片，并通过人体骨骼关键点检测后标注出了关键点位置，右边就是我们要实现皮影素材叠加的皮影：
在实现单张图片之后，我们就可以对视频中的每一帧进行处理，随着视频中的人物运动，皮影也会跟随着一起运动，最终达到“皮影戏“的效果!
我在b站上找了一个可爱小姐姐的舞蹈视频进行转换（别光看小姐姐跳舞哦！），效果如下：
具体实现
1. 安装依赖包和模型
首先我们需要通过pip安装PaddlePaddle和PaddleHub，安装完后，我们就可以通过PaddleHub来安装人体骨骼关键点检测模型 human_pose_estimation_resnet50_mpii。
! hub install human_pose_estimation_resnet50_mpii==1.1.1
选取一张含有人体姿态的作为输入，检测人体骨骼关键点信息。
import paddlehub as hub
pose_estimation = hub.Module(name="human_pose_estimation_resnet50_mpii")
pose_estimation.keypoint_detection(paths=['work/imgs/body01.jpg'], visualization=True, output_dir="work/output_pose/")
---------------------------------------------------------------------
image saved in work/output_pose/body01.jpg
[{'path': 'work/imgs/body01.jpg',
'data': OrderedDict([('left_ankle', [192, 679]),
('left_knee', [203, 521]),
('left_hip', [213, 347]),
('right_hip', [291, 347]),
('right_knee', [307, 521]),
('right_ankle', [307, 672]),
('pelvis', [255, 347]),
('thorax', [255, 166]),
('upper_neck', [255, 120]),
('head_top', [255, 22]),
('right_wrist', [161, 354]),
('right_elbow', [182, 264]),
('right_shoulder', [192, 166]),
('left_shoulder', [317, 166]),
('left_elbow', [333, 271]),
('left_wrist', [348, 362])])}]
从输出内容中我们可以看出，检测出来的人体骨骼关键点的信息包含肩膀，肘部，手腕，头顶等坐标点位，将这些信息分别标记到图像的人体中可以得到如下结果：
实现姿态映射
要实现皮影戏的效果，我们首先要解析人体各个骨骼关键点的位置信息，通过这些关键点的信息，计算人体的肢体长度，旋转角度，这样就可以将皮影的素材对应的缩放和旋转，并移动到指定位置，从而达到与人体动作同步的效果。具体的实现思路如下：
1. 首先解析某个部位相关骨骼关键点的，这里以手臂进行举例 ：在人体骨骼关键点解析结果中，想要获取手臂在图像中具体坐标位置信息，我们可以通过肩膀（shoulder）和肘部（elbow）关键点得到。
2. 通过两个骨骼关键点可以确认肢体的位置，长度和旋转角度，根据长度就可以对素材进行缩放，根据旋转角度，可以先对素材进行中心旋转，再结合骨骼关键点位置信息，最终得到素材旋转后需要位移的信息，就可以得到最终素材显示的位置。按照这种方法将各个素材图片映射到对应的肢体上，便可以达到人体姿态映射的效果。
3. 除了得到动作映射后的皮影人之外，我们还需要有一个合适的背景，将皮影人合并到背景图像中进行输出。了解实现思路后，我们就可以开始动手实践了：
def get_true_angel(value):
''' 转转得到角度值 '''
return value/np.pi*180
def get_angle(x1, y1, x2, y2):
''' 计算旋转角度 '''
dx = abs(x1- x2)
dy = abs(y1- y2)
result_angele = 0
if x1 == x2:
if y1 > y2:
result_angele = 180
else:
if y1!=y2:
the_angle = int(get_true_angel(np.arctan(dx/dy)))
if x1 < x2:
if y1>y2:
result_angele = -(180 - the_angle)
elif y1<y2:
result_angele = -the_angle
elif y1==y2:
result_angele = -90
elif x1 > x2:
if y1>y2:
result_angele = 180 - the_angle
elif y1<y2:
result_angele = the_angle
elif y1==y2:
result_angele = 90
if result_angele<0:
result_angele = 360 + result_angele
return result_angele
def rotate_bound(image, angle, key_point_y):
''' 旋转图像，并取得关节点偏移量 '''
(h,w) = image.shape[:2]
#旋转中心
(cx,cy) = (w/2,h/2)
# 关键点坐标
(kx,ky) = cx, key_point_y
d = abs(ky - cy)
#设置旋转矩阵
M = cv2.getRotationMatrix2D((cx,cy), -angle, 1.0)
cos = np.abs(M[0,0])
sin = np.abs(M[0,1])
# 计算图像旋转后的新边界
nW = int((h*sin)+(w*cos))
nH = int((h*cos)+(w*sin))
# 计算旋转后的相对位移
move_x = nW/2 + np.sin(angle/180*np.pi)*d
move_y = nH/2 - np.cos(angle/180*np.pi)*d
# 调整旋转矩阵的移动距离（t_{x}, t_{y}）
M[0,2] += (nW/2) - cx
M[1,2] += (nH/2) - cy
return cv2.warpAffine(image,M,(nW,nH)), int(move_x), int(move_y)
def get_distences(x1, y1, x2, y2):
''' 计算两个坐标点之间的距离 '''
return ((x1-x2)**2 + (y1-y2)**2)**0.5
def append_img_by_sk_points(img, append_img_path, key_point_y, first_point, second_point, append_img_reset_width=None, append_img_max_height_rate=1, middle_flip=False, append_img_max_height=None):
''' 将添加的素材图片进行缩放 '''
append_image = cv2.imdecode(np.fromfile(append_img_path, dtype=np.uint8), cv2.IMREAD_UNCHANGED)
# 根据长度进行缩放
sk_height = int(get_distences(first_point[0], first_point[1], second_point[0], second_point[1])*append_img_max_height_rate)
# 缩放制约
if append_img_max_height:
sk_height = min(sk_height, append_img_max_height)
sk_width = int(sk_height/append_image.shape[0]*append_image.shape[1]) if append_img_reset_width is None else int(append_img_reset_width)
if sk_width <= 0:
sk_width = 1
if sk_height <= 0:
sk_height = 1
# 关键点映射
key_point_y_new = int(key_point_y/append_image.shape[0]*append_image.shape[1])
# 缩放图片
append_image = cv2.resize(append_image, (sk_width, sk_height))
img_height, img_width, _ = img.shape
# 是否根据骨骼节点位置在 图像中间的左右来控制是否进行 左右翻转图片
# 主要处理头部的翻转, 默认头部是朝左
if middle_flip:
middle_x = int(img_width/2)
if first_point[0] < middle_x and second_point[0] < middle_x:
append_image = cv2.flip(append_image, 1)
# 旋转角度
angle = get_angle(first_point[0], first_point[1], second_point[0], second_point[1])
append_image, move_x, move_y = rotate_bound(append_image, angle=angle, key_point_y=key_point_y_new)
app_img_height, app_img_width, _ = append_image.shape
zero_x = first_point[0] - move_x
zero_y = first_point[1] - move_y
(b, g, r) = cv2.split(append_image)
for i in range(0, r.shape[0]):
for j in range(0, r.shape[1]):
if 230>r[i][j]>200 and 0<=zero_y+i<img_height and 0<=zero_x+j<img_width:
img[zero_y+i][zero_x+j] = append_image[i][j]
return img
def get_combine_img(img_path, pose_estimation, body_img_path_map, backgroup_img_path= 'work/background.jpg'):
''' 识别图片中的关节点，并将皮影的肢体进行对应，最后与原图像拼接后输出 '''
result = pose_estimation.keypoint_detection(paths=[img_path])
image=cv2.imread(img_path)
# 背景图片
backgroup_image = cv2.imread(backgroup_img_path)
image_flag = cv2.resize(backgroup_image, (image.shape[1], image.shape[0]))
# 最小宽度
min_width = int(get_distences(result[0]['data']['head_top'][0], result[0]['data']['head_top'][1], result[0]['data']['upper_neck'][0], result[0]['data']['upper_neck'][1])/3)
#右大腿
append_img_reset_width = max(int(get_distences(result[0]['data']['pelvis'][0], result[0]['data']['pelvis'][1],result[0]['data']['left_hip'][0], result[0]['data']['right_hip'][1])*1.6), min_width)
image_flag = append_img_by_sk_points(image_flag, body_img_path_map['right_hip'], key_point_y=10, first_point=result[0]['data']['right_hip'],second_point=result[0]['data']['right_knee'], append_img_reset_width=append_img_reset_width)
# 右小腿
append_img_reset_width = max(int(get_distences(result[0]['data']['pelvis'][0], result[0]['data']['pelvis'][1], result[0]['data']['left_hip'][0], result[0]['data']['right_hip'][1])*1.5), min_width)
image_flag = append_img_by_sk_points(image_flag, body_img_path_map['right_knee'], key_point_y=10, first_point=result[0]['data']['right_knee'],second_point=result[0]['data']['right_ankle'], append_img_reset_width=append_img_reset_width)
# 左大腿
append_img_reset_width = max(int(get_distences(result[0]['data']['pelvis'][0], result[0]['data']['pelvis'][1],result[0]['data']['left_hip'][0], result[0]['data']['left_hip'][1])*1.6), min_width)
image_flag = append_img_by_sk_points(image_flag, body_img_path_map['left_hip'], key_point_y=0, first_point=result[0]['data']['left_hip'],second_point=result[0]['data']['left_knee'], append_img_reset_width=append_img_reset_width)
# 左小腿
append_img_reset_width = max(int(get_distences(result[0]['data']['pelvis'][0], result[0]['data']['pelvis'][1],result[0]['data']['left_hip'][0], result[0]['data']['left_hip'][1])*1.5), min_width)
image_flag = append_img_by_sk_points(image_flag, body_img_path_map['left_knee'], key_point_y=10, first_point=result[0]['data']['left_knee'],second_point=result[0]['data']['left_ankle'], append_img_reset_width=append_img_reset_width)
# 右手臂
image_flag = append_img_by_sk_points(image_flag, body_img_path_map['left_elbow'], key_point_y=25, first_point=result[0]['data']['right_shoulder'],second_point=result[0]['data']['right_elbow'], append_img_max_height_rate=1.2)
# 右手肘
append_img_max_height = int(get_distences(result[0]['data']['right_shoulder'][0], result[0]['data']['right_shoulder'][1],result[0]['data']['right_elbow'][0], result[0]['data']['right_elbow'][1])*1.6)
image_flag = append_img_by_sk_points(image_flag, body_img_path_map['left_wrist'], key_point_y=10, first_point=result[0]['data']['right_elbow'],second_point=result[0]['data']['right_wrist'], append_img_max_height_rate=1.5, append_img_max_height=append_img_max_height)
# 左手臂
image_flag = append_img_by_sk_points(image_flag, body_img_path_map['right_elbow'], key_point_y=25, first_point=result[0]['data']['left_shoulder'], second_point=result[0]['data']['left_elbow'], append_img_max_height_rate=1.2)
# 左手肘
append_img_max_height = int(get_distences(result[0]['data']['left_shoulder'][0], result[0]['data']['left_shoulder'][1],result[0]['data']['left_elbow'][0], result[0]['data']['left_elbow'][1])*1.6)
image_flag = append_img_by_sk_points(image_flag, body_img_path_map['right_wrist'], key_point_y=10, first_point=result[0]['data']['left_elbow'],second_point=result[0]['data']['left_wrist'], append_img_max_height_rate=1.5, append_img_max_height=append_img_max_height)
# 头
image_flag = append_img_by_sk_points(image_flag, body_img_path_map['head'], key_point_y=10, first_point=result[0]['data']['head_top'],second_point=result[0]['data']['upper_neck'], append_img_max_height_rate=1.2, middle_flip=True)
# 身体
append_img_reset_width = max(int(get_distences(result[0]['data']['left_shoulder'][0], result[0]['data']['left_shoulder'][1],result[0]['data']['right_shoulder'][0], result[0]['data']['right_shoulder'][1])*1.2), min_width*3)
image_flag = append_img_by_sk_points(image_flag, body_img_path_map['body'], key_point_y=20, first_point=result[0]['data']['upper_neck'],second_point=result[0]['data']['pelvis'], append_img_reset_width=append_img_reset_width, append_img_max_height_rate=1.2)
result_img = np.concatenate((image, image_flag), axis=1)
return result_img
def img_show_bgr(image,size=8):
''' 图片显示 '''
image=cv2.cvtColor(image,cv2.COLOR_BGR2RGB)
plt.figure(figsize=(size,size))
plt.imshow(image)
plt.axis("off")
plt.show()
# 素材图片的位置信息
body_img_path_map = {
"right_hip" : "./work/img_change/jpg/right_hip.jpg",
"right_knee" : "./work/img_change/jpg/right_knee.jpg",
"left_hip" : "./work/img_change/jpg/left_hip.jpg",
"left_knee" : "./work/img_change/jpg/left_knee.jpg",
"left_elbow" : "./work/img_change/jpg/left_elbow.jpg",
"left_wrist" : "./work/img_change/jpg/left_wrist.jpg",
"right_elbow" : "./work/img_change/jpg/right_elbow.jpg",
"right_wrist" : "./work/img_change/jpg/right_wrist.jpg",
"head" : "./work/img_change/jpg/head.jpg",
"body" : "./work/img_change/jpg/body.jpg"
}
pos_img_path = 'work/output_pose/body01.jpg'
result_img = get_combine_img(pos_img_path, pose_estimation, body_img_path_map)
img_show_bgr(result_img, size=10)
我们将前面的人体图像作为输入，就可以得到我们想要的效果了：
让皮影动起来
想要真正让皮影动起来，我们就需要对视频进行操作，具体实现思路如下：
1. 准备含有人体运动的视频素材;
2. 将视频中每一帧保存成图片;
3. 分析图片中的人体姿势, 并转换为皮影姿势，并保存;
4. 将转换后所有的合并图像到视频，得到最终的结果;
我们来看一下一些实现的效果吧：
由于篇幅有限，后续功能实现大家可到我在AI Studio公开的项目进行查看，欢迎大家Fork点赞和评论。
PS：想看视频教程的同学可以查看B站上教程 ：
总结
我们在学习AI知识的同时，弘扬了传统文化，这都得益于PaddleHub的简单易用，使得我们可以快速利用人体骨骼关键点位置信息，通过映射皮影素材完成“皮影戏”的效果，大家一起给飞桨团队和PaddleHub点个star吧！
如在使用过程中有问题，可加入飞桨官方QQ群进行交流：1108045677。
·飞桨PaddleHub项目地址·
GitHub: https://github.com/PaddlePaddle/PaddleHub
Gitee: https://gitee.com/paddlepaddle/PaddleHub
·飞桨官网地址·
https://www.paddlepaddle.org.cn/
扫描二维码 ｜ 关注我们
微信号 : PaddleOpenSource
END
明日活动
扫一扫
2046
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
