教你用200行Python代碼“換臉”
本文將介紹如何編寫一個只有200行的Python腳本，為兩張肖像照上人物的“換臉”。
這個過程可分為四步：
?檢測面部標記。
?旋轉、縮放和轉換第二張圖像，使之與第一張圖像相適應。
?調整第二張圖像的色彩平衡，使之與第一個相匹配。
?把第二張圖像的特性混合在第一張圖像中。
完整的源代碼可以從這里下載: https://github.com/matthewearl/faceswap/blob/master/faceswap.py
1.使用dlib提取面部標記該腳本使用dlib的Python綁定來提取面部標記：
用Dlib實現了論文One Millisecond Face Alignment with an Ensemble of Regression Trees中的算法（ http://www.csc.kth.se/~vahidk/papers/KazemiCVPR14.pdf ，作者為Vahid Kazemi 和Josephine Sullivan） 。算法本身非常復雜，但dlib接口使用起來非常簡單：
get_landmarks()函數將一個圖像轉化成numpy數組，并返回一個68 x2元素矩陣，輸入圖像的每個特征點對應每行的一個x，y坐標。
特征提取器（predictor）要一個粗糙的邊界框作為算法輸入，由傳統的能返回一個矩形列表的人臉檢測器（detector）提供，其每個矩形列表在圖像中對應一個臉。
為了構建特征提取器，預訓練模型必不可少，相關模型可從dlib sourceforge庫下載( http://sourceforge.net/projects/dclib/files/dlib/v18.10/shape_predictor_68_face_landmarks.dat.bz2 )。
2．用普氏分析(Procrustes analysis)調整臉部現在我們已經有了兩個標記矩陣，每行有一組坐標對應一個特定的面部特征（如第30行給出的鼻子的坐標）。我們現在要搞清楚如何旋轉、翻譯和規模化第一個向量，使它們盡可能適合第二個向量的點。想法是，可以用相同的變換在第一個圖像上覆蓋第二個圖像。
把它們更數學化，尋找T，s和R，令下面這個表達式的結果最小：
R是個2 x2正交矩陣，s是標量，T是二維向量，pi和qi是上面標記矩陣的行。
事實證明，這類問題可以用“常規普氏分析法” (Ordinary Procrustes Analysis) 解決：
代碼分別實現了下面幾步：
1．將輸入矩陣轉換為浮點數。這是之后步驟的必要條件。
2．每一個點集減去它的矩心。一旦為這兩個新的點集找到了一個最佳的縮放和旋轉方法，這兩個矩心c1和c2就可以用來找到完整的解決方案。
3．同樣，每一個點集除以它的標準偏差。這消除了問題的組件縮放偏差。
4．使用Singular Value Decomposition計算旋轉部分。可以在維基百科上看到關于解決正交普氏問題的細節（ https://en.wikipedia.org/wiki/Orthogonal_Procrustes_problem ）。
5利用仿射變換矩陣（ https://en.wikipedia.org/wiki/Transformation_matrix#Affine_transformations ）返回完整的轉化。
之后，結果可以插入OpenCV的cv2.warpAffine函數，將圖像二映射到圖像一：
圖像對齊結果如下：
如果我們試圖直接覆蓋面部特征，很快就會看到一個問題：
兩幅圖像之間不同的膚色和光線造成了覆蓋區域的邊緣不連續。我們試著修正：
結果是這樣：
此函數試圖改變圖像2的顏色來匹配圖像1。它通過用im2除以im2的高斯模糊，然后乘以im1的高斯模糊。這里的想法是用RGB縮放校色，但是不是用所有圖像的整體常數比例因子，每個像素都有自己的局部比例因子。
用這種方法兩圖像之間光線的差異只能在某種程度上被修正。例如，如果圖像1是從一邊照亮，但圖像2是均勻照明的，色彩校正后圖像2也會出現未照亮邊暗一些的現象。
也就是說，這是一個相當粗糙的辦法，而且解決問題的關鍵是一個適當的高斯內核大小。如果太小，第一個圖像的面部特征將顯示在第二個圖像中。過大，內核之外區域像素被覆蓋，并發生變色。這里的內核用了一個0.6 *的瞳孔距離。
4．把第二張圖像的特性混合在第一張圖像中用一個遮罩來選擇圖像2和圖像1的哪些部分應該是最終顯示的圖像：
值為1(白色)的地方為圖像2應該顯示出的區域，值為0(黑色)的地方為圖像1應該顯示出的區域。值在0和1之間為圖像1和圖像2的混合區域。
這是生成上面那張圖的代碼：
我們把上述代碼分解：
?get_face_mask()的定義是為一張圖像和一個標記矩陣生成一個遮罩，它畫出了兩個白色的凸多邊形：一個是眼睛周圍的區域，一個是鼻子和嘴部周圍的區域。之后它由11個像素向遮罩的邊緣外部羽化擴展，可以幫助隱藏任何不連續的區域。
?這樣一個遮罩同時為這兩個圖像生成，使用與步驟2中相同的轉換，可以使圖像2的遮罩轉化為圖像1的坐標空間。
?之后，通過一個element-wise最大值，這兩個遮罩結合成一個。結合這兩個遮罩是為了確保圖像1被掩蓋，而顯現出圖像2的特性。
最后，應用遮罩，給出最終的圖像：
原文鏈接： http://matthewearl.github.io/2015/07/28/switching-eds-with-python/