本文涉及到的代码均已放置在我的github中
–>
链接
环境
Anaconda 集成 python 3.6.5
主要使用了 dlib numpy opencv (调用为cv2)os这四个库
录制+截屏：FSCapture 8.0
目的
将视频中的人脸更换为指定照片中的人脸，并且输出视频。
思路
首先使用opencv将一个视频分割为帧，将每一帧保存至origin文件夹内，然后利用transfer.py将每一帧图片转换并且保存至transfer文件夹内，然后继续使用opencv将每一帧的图片在转换为视频，最终保存新视频并且删除origin和 transfer内的缓存帧图。
步骤（以transfer为主）
在transfer.py里面主要使用了dlib库去提取人脸的68个特征点，通过特征点的重叠和转换以及色彩校正实现了换脸。（本项目改编自
此位大神
之手）
这个过程主要分以下四步：
1、检测脸部标记。
2、旋转、缩放、平移和第二张图片，以配合第一步。
3、调整第二张图片的色彩平衡，以适配第一张图片。
4、把第二张图像的特性混合在第一张图像中。
主要代码有：
1、检测脸部标记:（准备工作）
读取图片：
def read_im_and_landmarks(fname):
im = cv2.imread(fname, cv2.IMREAD_COLOR)
im = cv2.resize(im, (im.shape[1] * SCALE_FACTOR,
im.shape[0] * SCALE_FACTOR))
s = get_landmarks(im)
return im, s
已经训练好的模型路径（人脸的68个特征点）：（
下载链接
）
PREDICTOR_PATH = "shape_predictor_68_face_landmarks.dat"
人脸检测器：
detector = dlib.get_frontal_face_detector()
预测器：
predictor = dlib.shape_predictor(PREDICTOR_PATH)
预测大致人脸：
预测器需要粗略的边界框作为算法的输入，这是由检测器提供的，该检测器返回矩形列表，每个矩形对应图像中的面部，如果大于一个人脸则报出TooManyFaces错误，代码如下：
def get_landmarks(im):
rects = detector(im, 1)
if len(rects) > 1:
raise TooManyFaces
if len(rects) == 0:
raise NoFaces
return numpy.matrix([[p.x, p.y] for p in predictor(im, rects[0]).parts()])
2.用 Procrustes 分析调整脸部：
现在我们已经有了两个标记矩阵，每行有一组坐标对应一个特定的面部特征（如第30行的坐标对应于鼻头）。我们现在要解决如何旋转、翻译和缩放第一个向量，使它们尽可能适配第二个向量的点。一个想法是可以用相同的变换在第一个图像上覆盖第二个图像，其实最终是一个正交矩阵的解决办法，代码如下：（参考文档，
维基百科
）
def transformation_from_points(points1, points2):
points1 = points1.astype(numpy.float64)
points2 = points2.astype(numpy.float64)
c1 = numpy.mean(points1, axis=0)
c2 = numpy.mean(points2, axis=0)
points1 -= c1
points2 -= c2
s1 = numpy.std(points1)
s2 = numpy.std(points2)
points1 /= s1
points2 /= s2
U, S, Vt = numpy.linalg.svd(points1.T * points2)
R = (U * Vt).T
return numpy.vstack([numpy.hstack(((s2 / s1) * R,
c2.T - (s2 / s1) * R * c1.T)),
numpy.matrix([0., 0., 1.])])
代码实现了这几步：
-
将输入矩阵转换为浮点数。这是后续操作的基础。
-
每一个点集减去它的矩心。一旦为点集找到了一个最佳的缩放和旋转方法，这两个矩心 c1 和 c2 就可以用来找到完整的解决方案。
-
同样，每一个点集除以它的标准偏差。这会消除组件缩放偏差的问题。
-
使用奇异值分解计算旋转部分。可以在维基百科上看到关于解决正交 Procrustes 问题的细节。
-
利用仿射变换矩阵返回完整的转化。
3、色彩校正
两幅图像之间不同的肤色和光线造成了覆盖区域的边缘不连续，若无此步，则制作的图片色彩不均匀。
此函数试图改变 im2（第二张图） 的颜色来适配 im1。它通过用 im2 除以 im2 的高斯模糊值，然后乘以im1的高斯模糊值。代码如下：
def correct_colors(im1, im2, landmarks1,landmarks2): #修改
blur_amount = COLOUR_CORRECT_BLUR_FRAC * numpy.linalg.norm(
numpy.mean(landmarks1[LEFT_EYE_POINTS], axis=0) -
numpy.mean(landmarks2[RIGHT_EYE_POINTS], axis=0))
blur_amount = int(blur_amount)
if blur_amount % 2 == 0:
blur_amount += 1
im1_blur = cv2.GaussianBlur(im1, (blur_amount, blur_amount), 0)
im2_blur = cv2.GaussianBlur(im2, (blur_amount, blur_amount), 0)
# Avoid divide-by-zero errors:
im2_blur += (128 * (im2_blur <= 1.0)).astype(im2_blur.dtype)
return (im2.astype(numpy.float64) * im1_blur.astype(numpy.float64) /
im2_blur.astype(numpy.float64))
4、第二张图特征混合在第一张图
def get_face_mask(im, landmarks):
im = numpy.zeros(im.shape[:2], dtype=numpy.float64)
for group in OVERLAY_POINTS:
draw_convex_hull(im,
landmarks[group],
color=1)
im = numpy.array([im, im, im]).transpose((1, 2, 0))
im = (cv2.GaussianBlur(im, (FEATURE_AMOUNT, FEATURE_AMOUNT), 0) > 0) * 1.0
im = cv2.GaussianBlur(im, (FEATURE_AMOUNT, FEATURE_AMOUNT), 0)
return im
get_face_mask()的定义是为一张图像和一个标记矩阵生成一个遮罩，它画出了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。之后它由11个像素向遮罩的边缘外部羽化扩展，可以帮助隐藏任何不连续的区域。最终返回优化过后的图像。
其余代码
分解视频帧代码
注意此步骤文件名必须命名为
PythonCv2.py
！！！不知道别的环境如何，我这里必须这样命名才能运行程序（卡了我两天哎！???）最终找到原因是在Google上搜到的stackowerflow上的办法
改名字
，附上
这位大神
|
官方的
解决办法
，emmmmm
Make sure proper versions of ffmpeg or gstreamer is installed. Sometimes, it is a headache to work with Video Capture mostly due to wrong installation of ffmpeg/gstreamer.
然而安装了ffmpeg也并没什么卵用，还是民间高手多，也或许是我错误类型不一样呢，反正是这样解决了，如果有类似情况的小伙伴也可以尝试一下，说不定就好了呢。
除了这个名字比较坑爹，代码比较简单：
def save_img(videofilepath,originpath):
vc = cv2.VideoCapture(videofilepath)
c=1
if vc.isOpened():
rval , frame=vc.read()
else:
rval = False
timeF=1 #由于视频帧数过多 用此变量作为测试使用 正常使用时值为 1
while rval:
rval,frame=vc.read()
if(c%timeF == 0):
cv2.imwrite(originpath +str(c) + '.jpg' , frame)
c=c+1
cv2.waitKey(1)
vc.release()
转换视频帧
- 即为上文叙述的transfer.py，不再赘述
合并视频帧
此处注意视频分解得到的帧必须要和准备替换的图片大小一致，否则程序无法正常运行
def size(transferpath):#获取图片像素的大小
filelist = os.listdir(transferpath)
img = Image.open(transferpath + filelist[0])
return img.size
def mergevideo(transferpath):
img_root = transferpath #这里写你的文件夹路径，比如：/home/youname/data/img/,注意最后一个文件夹要有斜杠
fps = 24 #保存视频的FPS，可以适当调整
filelist = os.listdir(transferpath) #得到所有帧的文件名，在循环中使用到文件数目
#可以用(*'DVIX')或(*'X264'),如果都不行先装ffmepg
fourcc = cv2.VideoWriter_fourcc(*'MJPG')
s=size(transferpath) #获取图片像素的大小
videoWriter = cv2.VideoWriter('saveVideo.avi',fourcc,fps,s)#最后一个是保存图片的尺寸
for i in range(len(filelist)):
frame = cv2.imread(img_root+str(i+1)+'.jpg')
videoWriter.write(frame)
videoWriter.release()
删除帧缓存
在origin和transfer会存储大量的帧缓存，设置此步骤为了清除缓存，当然在main.py运行时会提示你是否删除，你也可以选择不删除
def del_file(path):
ls = os.listdir(path)
for i in ls:
c_path = os.path.join(path, i)
if os.path.isdir(c_path):
del_file(c_path)
else:
os.remove(c_path)
main.py
最终我是使用的main.py去循环读取图片并且将其更改，最终合并视频删除缓存，大致流程和思想就是这样了
from transfer import *
from newvideo import mergevideo
from PythonCv2 import save_img
from deletecache import del_file
import os
count = 1
originpath = 'origin/'
transferpath = 'transfer/' #原始帧的路径和转换后帧的路径 一定要加 /
videofilepath = 'trump.mp4' #文件路径和名称可自己定义
save_img(videofilepath,originpath)
print('视频的每一帧分离完成，开始转换')
filelist=os.listdir(originpath)
num = len(filelist)
os.remove(originpath + str(num) +'.jpg')
#删除最后一个乱码帧 不知道为啥会出现这样的帧 ...
newlist = os.listdir(originpath)
print('视频一共有：'+ str(num-1) + '帧')
im2, landmarks2 = read_im_and_landmarks("1.jpg") #人物模型，将要替换到视频中的人
#在同级目录下，如果更换，请定义路径
#写到for循环外边 减少了建立模型的时间，稍微快了那么一丢丢
for i in newlist: #获得文件数目进行逐帧转换
im1, landmarks1 = read_im_and_landmarks(originpath + i )
M = transformation_from_points(landmarks1[ALIGN_POINTS],
landmarks2[ALIGN_POINTS])
mask = get_face_mask(im2, landmarks2)
warped_mask = warp_im(mask, M, im1.shape)
combined_mask = numpy.max([get_face_mask(im1, landmarks1), warped_mask],axis=0)
warped_im2 = warp_im(im2, M, im1.shape)
warped_corrected_im2 = correct_colors(im1, warped_im2, landmarks1,landmarks2)
output_im = im1 * (1.0 - combined_mask) + warped_corrected_im2 * combined_mask
cv2.imwrite(transferpath + i, output_im)
count = count + 1
if (count%100 ==0):
print('已完成'+str(count)+'帧')
print('逐帧转换完成，开始合并视频：')
mergevideo(transferpath)
print('视频转换完成，请确认是否清除图片缓存')
m = input('是否删除缓存 y/n')
if (m == 'y'):
del_file(originpath)
del_file(transferpath)
print('删除成功')
else:
print('缓存未删除')
print ('Done！！！')
总结
除了这个命名比较恶心，别的还是比较容易的，看看随后再使用别的算法做不同的尝试，或者使用机器学习重新构建模型，还有很多可拓展的空间，那样或许会更好点吧
附上常用视频的编码格式
CV_FOURCC('P','I','M','1') = MPEG-1 codec
CV_FOURCC('M','J','P','G') = motion-jpeg codec
CV_FOURCC('M', 'P', '4', '2') = MPEG-4.2 codec
CV_FOURCC('D', 'I', 'V', '3') = MPEG-4.3 codec
CV_FOURCC('D', 'I', 'V', 'X') = MPEG-4 codec
CV_FOURCC('U', '2', '6', '3') = H263 codec
CV_FOURCC('I', '2', '6', '3') = H263I codec
CV_FOURCC('F', 'L', 'V', '1') = FLV1 codec