基于OpenCV的面部交换

需要装python库

OpenCV

dlib

docopt(根据打开方式选择是否装)

# -*- coding: UTF-8
#本电脑试运行 命令 python F:python_projectswapswapface.py E:picturefacexx.jpg E:picturefaceangelababy.jpg
#声明编码格式 方便中文注释~
#实现命令行解析器 打开格式python 代码文件路径 图片1路径 图片2路径
"""
swapface.py
function:put one face's facial features onto another

based on OpenCV,dlib
this moudle used docopt

Usage: faceswap [options] <image1> [<image2>]

Options:
      -v --version      查看版本号
      -h --help         显示这个帮助文档
      -s --see          查看图片
      -c --combine      换脸
"""
#命令行参数解析说明  [options]指定特定选项 完成特定任务
import cv2   #导入调用opencv库
import dlib  #导入dlib库
import numpy as np   #以np别名导入docopt
from docopt import docopt #导入docopt包中的docopt到文件
__version__ = 'swapface 1.0'   #版本号

#以下是一些要用的常量及路径初始化部分
PREDICTOR_PATH = "F:/python_project/shape_predictor_68_face_landmarks.dat"   #训练模式的路径 注意斜杠别反了

#图像放缩因子
SCALE_FACTOR = 1
FEATHER_AMOUNT = 11

FACE_POINTS = list(range(17, 68))   #脸
MOUTH_POINTS = list(range(48, 61))   #嘴
RIGHT_BROW_POINTS = list(range(17, 22))   #右眉
LEFT_BROW_POINTS = list(range(22, 27))   #左眉
RIGHT_EYE_POINTS = list(range(36, 42))   #右眼
LEFT_EYE_POINTS = list(range(42, 48))   #左眼
NOSE_POINTS = list(range(27, 35))   #鼻
JAW_POINTS = list(range(0, 17))   #下巴
#元组 选取左右眉,左右眼,鼻子,嘴巴  位置的特征点索引
ALIGN_POINTS = (LEFT_BROW_POINTS + RIGHT_EYE_POINTS + LEFT_EYE_POINTS +
                               RIGHT_BROW_POINTS + NOSE_POINTS + MOUTH_POINTS)
#元组转列表 选取第二张脸对应面部特征用于覆盖到第一张脸
OVERLAY_POINTS = [
    LEFT_EYE_POINTS + RIGHT_EYE_POINTS + LEFT_BROW_POINTS + RIGHT_BROW_POINTS,
    NOSE_POINTS + MOUTH_POINTS,
]
#定义用于颜色矫正的模糊量，作为瞳孔距离的系数
COLOUR_CORRECT_BLUR_FRAC = 0.6

#实例化脸部检测器
detector = dlib.get_frontal_face_detector()

#根据路径加载训练模型 并 实例化特征提取器
predictor = dlib.shape_predictor(PREDICTOR_PATH)

#定义多脸和无脸类处理异常 以及 未打开异常
class TooManyFaces(Exception):
    pass

class NoFaces(Exception):
    pass

class OpenFailed(Exception):
    pass

#显示图片
def show_image(board,path,time):
    # 读取这个图片
    image = cv2.imread(path,cv2.IMREAD_COLOR)

    # 初始化一个名为Combine的窗口
    cv2.namedWindow(board, flags=0)

    # 显示图片
    cv2.imshow(board, image)

    # 等待按键释放窗口
    if(time == 0):
        cv2.waitKey(time)

#获取特征点函数
def get_landmarks(im):
    #特征检测器
    rects = detector(im, 1)

    #如果检测到多张脸 抛多脸异常
    if len(rects) > 1:
        raise TooManyFaces

    #如果没有检测到脸 抛无脸异常
    if len(rects) == 0:
        raise NoFaces

    #返回一个n*2维的矩阵，该矩阵由检测到的脸部特征点坐标组成 特征提取器predictor
    return np.matrix([[p.x, p.y] for p in predictor(im, rects[0]).parts()])

#绘制凸多边形
def draw_convex_hull(im, points, color):
    points = points.astype(np.int32)
    #检查一个曲线是否有凸性缺陷并纠正
    points = cv2.convexHull(points)

    #凸多边形填充成想要的颜色
    cv2.fillConvexPoly(im, points, color=color)

#获取面部的掩码
def get_face_mask(im, landmarks):
    im = np.zeros(im.shape[:2], dtype=np.float64)

    for group in OVERLAY_POINTS:
        draw_convex_hull(im,
                         landmarks[group],
                         color=1)

    im = np.array([im, im, im]).transpose((1,2,0))

    #应用高斯模糊
    im = (cv2.GaussianBlur(im, (FEATHER_AMOUNT, FEATHER_AMOUNT), 0) > 0) * 1.0
    im = cv2.GaussianBlur(im, (FEATHER_AMOUNT, FEATHER_AMOUNT), 0)

    return im

#使用普氏分析(Procrustes analysis)调整脸部 包括倾斜位置不同等等都可以调整
def transformation_from_points(points1,points2):
    #输入矩阵转换为64位float类型
    points1 = points1.astype(np.float64)
    points2 = points2.astype(np.float64)

    #对矩阵格列取均值，求矩心
    c1 = np.mean(points1,axis=0)
    c2 = np.mean(points2,axis=0)

    #每一个点集减去它的矩心。这两个矩心c1和c2可以用来找到完整的解决方案。
    points1 -= c1
    points2 -= c2

    #标准差
    s1 = np.std(points1)
    s2 = np.std(points2)

    #除去标准差 这消除了问题的组件缩放偏差。
    points1 /= s1
    points2 /= s2

    U, S, Vt = np.linalg.svd(points1.T * points2)

    R = (U * Vt).T

    #公式
    return np.vstack([np.hstack(((s2 / s1) * R,
                                 c2.T - (s2 / s1) * R * c1.T)),
                      np.matrix([0., 0., 1.])])

#读取图片文件并获取特征点
def read_im_and_landmarks(fname):
    #以RGB(红绿蓝)模式读取图片 就是读入彩色图片
    im = cv2.imread(fname,cv2.IMREAD_COLOR)

    if im is None:
        raise OpenFailed

    #对图片进行适当的放缩
    im = cv2.resize(im, (im.shape[1] * SCALE_FACTOR,
                         im.shape[0] * SCALE_FACTOR))

    #获取特征点
    s = get_landmarks(im)

    #返回图片和特征点组成的元组
    return im, s


#变换图像
def warp_im(im,M,dshape):
    output_im = np.zeros(dshape,dtype=im.dtype)

    #仿射函数，能对图像进行几何变换 三个参数 输入图像 变换矩阵np.float32类型 变换之后图像
    cv2.warpAffine(im,
                   M[:2],
                   (dshape[1],dshape[0]),
                   dst=output_im,
                   borderMode=cv2.BORDER_TRANSPARENT,
                   flags=cv2.WARP_INVERSE_MAP)
    return output_im

#修正颜色 使得两张图片拼接时显得更加自然
def correct_colours(im1,im2,landmarks1): #传入图1和图2以及图1的特征点
    blur_amount = COLOUR_CORRECT_BLUR_FRAC * np.linalg.norm(
        np.mean(landmarks1[LEFT_EYE_POINTS],axis=0) -
        np.mean(landmarks1[RIGHT_EYE_POINTS],axis=0))

    blur_amount = int(blur_amount)

    if blur_amount % 2 == 0:
        blur_amount += 1

    #高斯模糊
    im1_blur = cv2.GaussianBlur(im1,(blur_amount,blur_amount),0)
    im2_blur = cv2.GaussianBlur(im2,(blur_amount,blur_amount),0)

    #避免下面出现0除
    im2_blur += (128 * (im2_blur <= 1.0)).astype(im2_blur.dtype)

    return (im2.astype(np.float64) * im1_blur.astype(np.float64) / im2_blur.astype(np.float64))
#主过程函数
def main():
    arguments = docopt(__doc__, version=__version__)   #调用函数返回arguments字典型变量，记录了选项是否被选用了，参数的值是什么等信息，当程序从命令行运行时，我们就是根据arguments变量的记录来得知用户输入的选项和参数信息。

    if(arguments['--see'] != False):
        if(arguments['<image1>'] is not None):
            show_image('image1',arguments['<image1>'],1)
        if(arguments['<image2>'] is not None):
            show_image('image2',arguments['<image2>'],1)
    if(arguments['--combine'] == False):
        exit(0)
    # 1.获取图像与特征点
    im1,landmarks1 = read_im_and_landmarks(arguments['<image1>'])
    im2,landmarks2 = read_im_and_landmarks(arguments['<image2>'])

    # 2.选取两组图像特征矩阵中所需要的面部部位 计算转换信息 返回变换矩阵
    M = transformation_from_points(landmarks1[ALIGN_POINTS],landmarks2[ALIGN_POINTS])

    # 3.获取im2的面部掩码
    mask = get_face_mask(im2,landmarks2)

    # 4.将im2的掩码进行变化，使得与im1相符
    warped_mask = warp_im(mask,M,im1.shape)

    # 5.将二者的掩码进行连通
    combined_mask = np.max([get_face_mask(im1,landmarks1),warped_mask],axis=0)

    # 6.将第二幅图调整到与第一幅图相符
    warped_im2 = warp_im(im2,M,im1.shape)

    # 7.将im2的皮肤颜色进行修正，使其和im1的颜色尽量协调
    warped_corrected_im2 = correct_colours(im1,warped_im2,landmarks1)

    # 组合图像，获得结果
    output_im = im1 * (1.0 - combined_mask) + warped_corrected_im2 * combined_mask

    SavePath = 'F:/python_project/output.jpg'

    #保存图像 默认项目文件夹
    cv2.imwrite(SavePath,output_im)

    show_image('Combine',SavePath,0)

if __name__=='__main__':
    main()

命令行里运行 根据帮助文档 python 程序路径 -c 图片1路径 图片2路径