快捷導(dǎo)航

Python給你的頭像加上圣誕帽

更新時(shí)間：2018年01月04日 14:35:45 作者：冰不語(yǔ)

這篇文章主要為大家詳細(xì)介紹了Python給你的頭像加上圣誕帽，文中示例代碼介紹的非常詳細(xì)，具有一定的參考價(jià)值，感興趣的小伙伴們可以參考一下

引言

隨著圣誕的到來，大家紛紛@官方微信給自己的頭像加上一頂圣誕帽。當(dāng)然這種事情用很多P圖軟件都可以做到。但是作為一個(gè)學(xué)習(xí)圖像處理的技術(shù)人，還是覺得我們有必要寫一個(gè)程序來做這件事情。而且這完全可以作為一個(gè)練手的小項(xiàng)目，工作量不大，而且很有意思。

用到的工具

OpenCV（畢竟我們主要的內(nèi)容就是OpenCV…）

dlib（前一篇文章剛說過，dlib的人臉檢測(cè)比OpenCV更好用，而且dlib有OpenCV沒有的關(guān)鍵點(diǎn)檢測(cè)。）

用到的語(yǔ)言為Python。但是完全可以改成C++版本，時(shí)間有限，就不寫了。有興趣的小伙伴可以拿來練手。

流程一、素材準(zhǔn)備

首先我們需要準(zhǔn)備一個(gè)圣誕帽的素材，格式最好為PNG，因?yàn)镻NG的話我們可以直接用Alpha通道作為掩膜使用。我們用到的圣誕帽如下圖：

我們通過通道分離可以得到圣誕帽圖像的alpha通道。代碼如下：

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

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

為了能夠與rgb通道的頭像圖片進(jìn)行運(yùn)算，我們把rgb三通道合成一張rgb的彩色帽子圖。Alpha通道的圖像如下圖所示。

二、人臉檢測(cè)與人臉關(guān)鍵點(diǎn)檢測(cè)

我們用下面這張圖作為我們的測(cè)試圖片。

下面我們用dlib的正臉檢測(cè)器進(jìn)行人臉檢測(cè)，用dlib提供的模型提取人臉的五個(gè)關(guān)鍵點(diǎn)。代碼如下：

 # dlib人臉關(guān)鍵點(diǎn)檢測(cè)器
 predictor_path = "shape_predictor_5_face_landmarks.dat"
 predictor = dlib.shape_predictor(predictor_path) 

 # dlib正臉檢測(cè)器
 detector = dlib.get_frontal_face_detector()

 # 正臉檢測(cè)
 dets = detector(img, 1)

 # 如果檢測(cè)到人臉
 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)

   # 關(guān)鍵點(diǎn)檢測(cè)，5個(gè)關(guān)鍵點(diǎn)
   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()

這部分效果如下圖：

三、調(diào)整帽子大小

我們選取兩個(gè)眼角的點(diǎn)，求中心作為放置帽子的x方向的參考坐標(biāo)，y方向的坐標(biāo)用人臉框上線的y坐標(biāo)表示。然后我們根據(jù)人臉檢測(cè)得到的人臉的大小調(diào)整帽子的大小，使得帽子大小合適。

# 選取左右眼眼角的點(diǎn)
 point1 = shape.part(0)
 point2 = shape.part(2)

 # 求兩點(diǎn)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()

 # 根據(jù)人臉大小調(diào)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

 # 根據(jù)人臉大小調(diào)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區(qū)域

按照之前所述，去Alpha通道作為mask。并求反。這兩個(gè)mask一個(gè)用于把帽子圖中的帽子區(qū)域取出來，一個(gè)用于把人物圖中需要填帽子的區(qū)域空出來。后面你將會(huì)看到。

# 用alpha通道作為mask
mask = cv2.resize(a,(resized_hat_w,resized_hat_h))
mask_inv = cv2.bitwise_not(mask)

從原圖中取出需要添加帽子的區(qū)域，這里我們用的是位運(yùn)算操作。

 # 帽子相對(duì)與人臉框上線的偏移量
 dh = 0
 dw = 0
 # 原圖ROI
 # bg_roi = img[y+dh-resized_hat_h:y+dh, x+dw:x+dw+resized_hat_w]
 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)]

 # 原圖ROI中提取放帽子的區(qū)域
 bg_roi = bg_roi.astype(float)
 mask_inv = cv2.merge((mask_inv,mask_inv,mask_inv))
 alpha = mask_inv.astype(float)/255

 # 相乘之前保證兩者大小一致（可能會(huì)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')

這是的背景區(qū)域（bg）如下圖所示。可以看到，剛好是需要填充帽子的區(qū)域缺失了。

然后我們提取帽子區(qū)域。

# 提取帽子區(qū)域
hat = cv2.bitwise_and(resized_hat,resized_hat,mask = mask)

提取得到的帽子區(qū)域如下圖。帽子區(qū)域正好與上一個(gè)背景區(qū)域互補(bǔ)。

五、添加圣誕帽

最后我們把兩個(gè)區(qū)域相加。再放回到原圖中去，就可以得到我們想要的圣誕帽圖了。這里需要注意的就是，相加之前resize一下保證兩者大小一致，因?yàn)榭赡軙?huì)由于四舍五入原因不一致。

# 相加之前保證兩者大小一致（可能會(huì)由于四舍五入原因不一致）
  hat = cv2.resize(hat,(bg_roi.shape[1],bg_roi.shape[0]))
  # 兩個(gè)ROI區(qū)域相加
  add_hat = cv2.add(bg,hat)
  # cv2.imshow("add_hat",add_hat) 

  # 把添加好帽子的區(qū)域放回原圖
 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

最后我們得到的效果圖如下所示。