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