虽然圣诞已过 诞气依在 用Python给头像加上圣诞帽 希望还用得上

引言

随着圣诞的到来,大家纷纷@官方微信给自己的头像加上一顶圣诞帽。当然这种事情用很多P图软件都可以做到。但是作为一个学习图像处理的技术人,还是觉得我们有必要写一个程序来做这件事情。而且这完全可以作为一个练手的小项目,工作量不大,而且很有意思。

用到的工具

OpenCV(毕竟我们主要的内容就是OpenCV...)

dlib(前一篇文章刚说过,dlib的人脸检测比OpenCV更好用,而且dlib有OpenCV没有的关键点检测。)

用到的语言为Python。但是完全可以改成C++版本,时间有限,就不写了。有兴趣的小伙伴可以拿来练手。

流程

一、素材准备

首先我们需要准备一个圣诞帽的素材,格式最好为PNG,因为PNG的话我们可以直接用Alpha通道作为掩膜使用。我们用到的圣诞帽如下图:

我们通过通道分离可以得到圣诞帽图像的alpha通道。代码如下:

r,g,b,a = cv2.split(hat_img)

rgb_hat = cv2.merge((r,g,b))

cv2.imwrite("hat_alpha.jpg",a)

为了能够与rgb通道的头像图片进行运算,我们把rgb三通道合成一张rgb的彩色帽子图。Alpha通道的图像如下图所示。

二、人脸检测与人脸关键点检测

我们用下面这张图作为我们的测试图片。

下面我们用dlib的正脸检测器进行人脸检测,用dlib提供的模型提取人脸的五个关键点。代码如下:

# dlib人脸关键点检测器

predictor_path = "shape_predictor_5_face_landmarks.dat"

predictor = dlib.shape_predictor(predictor_path)

# dlib正脸检测器

detector = dlib.get_frontal_face_detector()

# 正脸检测

dets = detector(img, 1)

# 如果检测到人脸

if len(dets)>0:

for d in dets:

x,y,w,h = d.left(),d.top(), d.right()-d.left(), d.bottom()-d.top()

# x,y,w,h = faceRect

cv2.rectangle(img,(x,y),(x+w,y+h),(255,0,0),2,8,0)

# 关键点检测,5个关键点

shape = predictor(img, d)

for point in shape.parts():

cv2.circle(img,(point.x,point.y),3,color=(0,255,0))

cv2.imshow("image",img)

cv2.waitKey()

三、调整帽子大小

我们选取两个眼角的点,求中心作为放置帽子的x方向的参考坐标,y方向的坐标用人脸框上线的y坐标表示。然后我们根据人脸检测得到的人脸的大小调整帽子的大小,使得帽子大小合适。

# 选取左右眼眼角的点

point1 = shape.part(0)

point2 = shape.part(2)

# 求两点中心

eyes_center = ((point1.x+point2.x)//2,(point1.y+point2.y)//2)

# cv2.circle(img,eyes_center,3,color=(0,255,0))

# cv2.imshow("image",img)

# cv2.waitKey()

# 根据人脸大小调整帽子大小

factor = 1.5

resized_hat_h = int(round(rgb_hat.shape[0]*w/rgb_hat.shape[1]*factor))

resized_hat_w = int(round(rgb_hat.shape[1]*w/rgb_hat.shape[1]*factor))

if resized_hat_h > y:

resized_hat_h = y-1

# 根据人脸大小调整帽子大小

resized_hat = cv2.resize(rgb_hat,(resized_hat_w,resized_hat_h))

四、提取帽子和需要添加帽子的区域

按照之前所述,去Alpha通道作为mask。并求反。这两个mask一个用于把帽子图中的帽子区域取出来,一个用于把人物图中需要填帽子的区域空出来。后面你将会看到。

# 用alpha通道作为mask

mask = cv2.resize(a,(resized_hat_w,resized_hat_h))

mask_inv = cv2.bitwise_not(mask)

从原图中取出需要添加帽子的区域,这里我们用的是位运算操作。

# 帽子相对与人脸框上线的偏移量

dh = 0

dw = 0

# 原图ROI

bg_roi = img[y+dh-resized_hat_h:y+dh,(eyes_center[0]-resized_hat_w//3):(eyes_center[0]+resized_hat_w//3*2)]

# 原图ROI中提取放帽子的区域

bg_roi = bg_roi.astype(float)

mask_inv = cv2.merge((mask_inv,mask_inv,mask_inv))

alpha = mask_inv.astype(float)/255

# 相乘之前保证两者大小一致(可能会由于四舍五入原因不一致)

alpha = cv2.resize(alpha,(bg_roi.shape[1],bg_roi.shape[0]))

# print("alpha size: ",alpha.shape)

# print("bg_roi size: ",bg_roi.shape)

bg = cv2.multiply(alpha, bg_roi)

bg = bg.astype('uint8')

这是的背景区域(bg)如下图所示。可以看到,刚好是需要填充帽子的区域缺失了。

然后我们提取帽子区域。

# 提取帽子区域

hat = cv2.bitwise_and(resized_hat,resized_hat,mask = mask)

提取得到的帽子区域如下图。帽子区域正好与上一个背景区域互补。

五、添加圣诞帽

最后我们把两个区域相加。再放回到原图中去,就可以得到我们想要的圣诞帽图了。这里需要注意的就是,相加之前resize一下保证两者大小一致,因为可能会由于四舍五入原因不一致。

# 相加之前保证两者大小一致(可能会由于四舍五入原因不一致)

hat = cv2.resize(hat,(bg_roi.shape[1],bg_roi.shape[0]))

# 两个ROI区域相加

add_hat = cv2.add(bg,hat)

# cv2.imshow("add_hat",add_hat)

# 把添加好帽子的区域放回原图

img[y+dh-resized_hat_h:y+dh,(eyes_center[0]-resized_hat_w//3):(eyes_center[0]+resized_hat_w//3*2)] = add_hat

最后我们得到的效果图如下所示。

本文来自企鹅号 - 鲁滨逊媒体

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏大数据挖掘DT机器学习

滴滴大数据算法大赛Di-Tech2016参赛总结

---- 写在前面 题目描述 建模方法 特征工程 我的几次提升方法 从其他队伍那里学习到的提升方法 总结和感想 神经网络方法的一点思考 大数据量与分布式计算...

51215
来自专栏机器学习算法与Python学习

干货 | 数据挖掘中的十大实用方法,可能你并不一定都熟悉!

关键字全网搜索最新排名 【机器学习算法】:排名第一 【机器学习】:排名第二 【Python】:排名第三 【算法】:排名第四 目录 基于历史的MBR分析 购物...

3695
来自专栏AI科技评论

学界 | FAIR 田渊栋:2017 年的一些研究和探索

今年的主要研究方向是两个:一是强化学习及其在游戏上的应用,二是深度学习理论分析的探索。 今年理论方向我们做了一些文章,主要内容是分析浅层网络梯度下降非凸优化的收...

2224
来自专栏挖掘大数据

10种受欢迎的数据挖掘的实用分析方法

数据挖掘又称数据库中的知识发现,是目前人工智能和数据库领域研究的热点问题,本文将介绍数据挖掘中十种实用分析方法。

1825
来自专栏企鹅号快讯

别@微信团队了,我用Python给自己戴上了圣诞帽!

引言 大家纷纷@官方微信 给自己的头像加上一顶圣诞帽。当然这种事情用很多P图软件都可以做到。但是作为一个学习图像处理的技术人,还是觉得我们有必要写一个程序来做这...

18110
来自专栏AI科技评论

ICML论文|阿尔法狗CTO讲座: AI如何用新型强化学习玩转围棋扑克游戏

6月19日(美国时间)在纽约举行的国际机器学习大会(ICML)上,来自谷歌、Facebook以及顶尖研究学府的科学家们通过论文和讲座,分享了最尖端的机器学习研究...

2616
来自专栏数据科学与人工智能

【统计学习】统计学教会我们的10件事

在数据统计中,有10个概念与大数据分析密切相关。这10个概念聚焦在数据预测准确性,交互分析等方面。 在之前的帖子中,我曾指出大数据中一个关键问题,即忽略了应用统...

1956
来自专栏大数据挖掘DT机器学习

文本分类实战: 机器学习vs深度学习算法对比(附代码)

这几周因为在做竞赛所以没怎么看论文刷题写博客,今天抽时间把竞赛用到的东西总结一下。先试水了一个很小众的比赛–文因互联,由AI100举办,参赛队不足20个,赛题...

7079
来自专栏自然语言处理

本体:一文读懂领域本体构建

定义:源于哲学的概念,知识工程学者借 用了这个概念,在开发知识系统时用于领域知识的获取。本体是用于描述一个领域的术语集合,其组织结构是层次结构化的,可以作为一个...

1204
来自专栏AI研习社

IJCAI 2018 广告算法大赛落下帷幕,Top 3 方案出炉

雷锋网 AI 研习社消息,IJCAI-18 阿里妈妈搜索广告转化预测比赛近日落下帷幕,本次比赛为阿里妈妈与 IJCAI2018、天池平台联合举办,总奖池 370...

953

扫码关注云+社区