声明：此篇文章所用的明星照片只为用于演示代码的效果，无诋毁她人肖像之意

一、案例实现的思想

• 此案例的核心是基于人脸68个关键点检测模型来实现的，人脸68个关键带点检测后的效果如下：
  

• 通过对上图中红色区域的转换，来实现换脸的操作

• 参照以下链接文章，可以帮助对此片案例内容的理解

  • 基于 dlib 库的人脸68个关键点定位
    • https://blog.csdn.net/weixin_73504499/article/details/142990867?spm=1001.2014.3001.5501
  • 基于 dlib 库的人脸关键部位的轮廓轮廓检测
    • https://blog.csdn.net/weixin_73504499/article/details/143027371?spm=1001.2014.3001.5501

• 实现步骤与结果如下图：
  

二、编辑代码

步骤解析：

• 第一步：对人脸的关键部位在68个关键点中的点集确定下来，并将红框内的各部位的点击存储在一个列表中

  """ 根据人脸68个关键点检测模型，将脸部各部位对应的点集以列表形式存储 """
  JAW_POINTS = list(range(0, 17))
  RIGHT_BROW_POINTS = list(range(17, 22))
  LEFT_BROW_POINTS = list(range(22, 27))
  NOSE_POINTS = list(range(27, 35))
  RIGHT_EYE_POINTS = list(range(36, 42))
  LEFT_EYE_POINTS = list(range(42, 48))
  MOUTH_POINTS = list(range(48, 61))
  FACE_POINTS = list(range(17, 68))
  
  # 换脸的关键点集
  POINTS = [LEFT_BROW_POINTS + RIGHT_EYE_POINTS +
            LEFT_EYE_POINTS + RIGHT_BROW_POINTS + NOSE_POINTS + MOUTH_POINTS]
  
  # 处理为元组，后续使用方便
  POINTStuple = tuple(POINTS)
  

• 第二步：读取两张人脸图片，并获取两张人脸图片的68个关键点

  def getKeyPoints(im):  # 获取关键点
  	rects = detector(im, 1)  # 获取人脸方框位置
  	shape = predictor(im, rects[0])  # 获取关键点
  	s = np.matrix([[p.x, p.y] for p in shape.parts()])  # 将关键点转换为坐标(x,y)的形式
  	return s
  
  a = cv2.imread("dlrb_3.jpg")  # 换脸A图片
  b = cv2.imread("zly.jpg")  # 换脸B图片
  
  detector = dlib.get_frontal_face_detector()  # 构造脸部位置检测器
  predictor = dlib.shape_predictor("shape_predictor_68_face_landmarks.dat")  # 获取人脸关键点定位模型
  
  aKeyPoints = getKeyPoints(a)  # 获取A图片的68关键点
  bKeyPoints = getKeyPoints(b)  # 获取B图片的68关键点
  

• 第三步：分别获取两张人脸红色区域（上图中红色）的掩膜

  def getFaceMask(im, keyPoints):  # 根据关键点获取脸部掩膜
      im = np.zeros(im.shape[:2], dtype=np.float64)
      for p in POINTS:
          points = cv2.convexHull(keyPoints[p])  # 获取凸包
          cv2.fillConvexPoly(im, points, color=1)  # 填充凸包，数字在0~1之间
      # 单通道im构成3通道im(3，行，列)，改变形状(行、列、3)适应0penCV
      im = np.array([im, im, im]).transpose((1, 2, 0))
      im = cv2.GaussianBlur(im, (25, 25), 0)  # 需要根据具体调整
      return im
  
  aMask = getFaceMask(a, aKeyPoints)  # 获取图片A的人脸掩膜
  cv2.imshow('aMask', aMask)
  cv2.waitKey()
  
  bMask = getFaceMask(b, bKeyPoints)  # 获取图片B的人脸掩膜
  cv2.imshow('bMask', bMask)
  cv2.waitKey()
  

  • 效果如下：
    

• 第四步：求出b脸仿射变换到a脸的变换矩阵M

  • 图像的几何变换主要包括：平移、旋转、缩放、剪切、仿射、透视等。

  • 图像的几何变换主要分为：刚性变换、相似变换、仿射变换和透视变换（投影变换）

  • 刚性变换：平移+旋转

  • 相似变换：缩放+剪切

  • 仿射变换：从一个二维坐标系变换到另一个二维坐标系，属于线性变换。通过已知3对坐标点可以求得变换矩阵

  • 透视变换：从一个二维坐标系变换到一个三维坐标系，属于非线性变换。通过已知4对坐标点可以求得变换矩阵。
    

  • 下图中内容是对仿射变换的简单概述
    

  """ 求出b脸仿射变换到a脸的变换矩阵M,此处用到的算法难以理解，大家可直接跳过 """
  
  def getM(points1, points2):
      points1 = points1.astype(np.float64)  # int8转换为浮点数类型
      points2 = points2.astype(np.float64)  # 转换为浮点数类型
  
      c1 = np.mean(points1, axis=0)  # 归一化:(数值-均值)/标准差
      c2 = np.mean(points2, axis=0)  # 归一化:(数值-均值)/标准差，均值不同，主要是脸五官位置大小不同
      points1 -= c1  # 减去均值
      points2 -= c2  # 减去均值
      s1 = np.std(points1)  # 方差计算标准差
      s2 = np.std(points2)  # 方差计算标准差
  
      points1 /= s1  # 除标准差,计算出归一化的结果
      points2 /= s2  # 除标准差,计算出归一化的结果
  
      # 奇异值分解，Singular Value Decomposition
      U, S, Vt = np.linalg.svd(points1.T * points2)
      R = (U * Vt).T  # 通过U和Vt找到R
      return np.hstack(((s2 / s1) * R, c2.T - (s2 / s1) * R * c1.T))
  
  M = getM(aKeyPoints[POINTStuple], bKeyPoints[POINTStuple])
  

• 第五步：将b的脸部(bmask)根据M仿射变换到a上

  dsize = a.shape[:2][::-1]
  # 目标输出与图像a大小一致
  # 需要注意，shape是(行、列),warpAffine参数dsize是(列、行)
  # 使用a.shape[:2][::-1]，获取a的(列、行)
  
  # 函数warpAffine(src,M,dsize,dst=None, flags=None, borderMode=None, borderValue=None)
  # src:输入图像
  # M:运算矩阵，2行3列的，
  # dsize:运算后矩阵的大小，也就是输出图片的尺寸
  # dst:输出图像
  # flags:插值方法的组合，与resize函数中的插值一样，可以查看cv2.resize
  # borderMode:边界模式，BORDER_TRANSPARENT表示边界透明
  # borderValue:在恒定边框的情况下使用的borderValue值;默认情况下，它是 0
  bMaskWarp = cv2.warpAffine(bMask, M, dsize, borderMode=cv2.BORDER_TRANSPARENT, flags=cv2.WARP_INVERSE_MAP)
  cv2.imshow("bMaskWarp", bMaskWarp)
  cv2.waitKey()
  

  • 结果如下：
    

• 第六步：获取脸部最大值(两个脸模板相加)

  mask = np.max([aMask, bMaskWarp], axis=0)
  cv2.imshow("mask", mask)
  cv2.waitKey()
  

  • 结果如下：
    

• 第七步：使用仿射矩阵M，将b映射到a

  bWrap = cv2.warpAffine(b, M, dsize, borderMode=cv2.BORDER_TRANSPARENT, flags=cv2.WARP_INVERSE_MAP)
  cv2.imshow("bWrap", bWrap)
  cv2.waitKey()
  

  • 结果如下：
    

• 第八步：求b图片的仿射到图片a的颜色值，b的颜色值改为a的颜色

  def normalColor(a, b):
      ksize = (111, 111)  # 非常大的核，去噪等运算时为11就比较大了
      aGauss = cv2.GaussianBlur(a, ksize, 0)  # 对a进行高斯滤波
      bGauss = cv2.GaussianBlur(b, ksize, 0)  # 对b进行高斯滤波
      weight = aGauss / bGauss  # 计算目标图像调整颜色的权重值,存在除0警告，可忽略。
      where_are_inf = np.isinf(weight)
      weight[where_are_inf] = 0
      return b * weight
  
  bcolor = normalColor(a, bWrap)
  cv2.imshow("bcolor", bcolor)
  cv2.waitKey()
  

  • 结果如下：
    

• 第九步：换脸(mask区域用bcolor，非mask区城用a)

  # 换脸
  out = a * (1.0 - mask) + bcolor * mask
  
  # =========输出原始人脸、换脸结果===============
  cv2.imshow("a", a)
  cv2.imshow("b", bOriginal)
  cv2.imshow("out", out / 255)
  cv2.waitKey()
  cv2.destroyAllWindows()
  

  • 最终结果如下：
    

• 完整代码如下：

  import cv2
  import dlib
  import numpy as np
  
  """ 根据人脸68个关键点检测模型，将脸部各部位对应的点集以列表形式存储 """
  JAW_POINTS = list(range(0, 17))
  RIGHT_BROW_POINTS = list(range(17, 22))
  LEFT_BROW_POINTS = list(range(22, 27))
  NOSE_POINTS = list(range(27, 35))
  RIGHT_EYE_POINTS = list(range(36, 42))
  LEFT_EYE_POINTS = list(range(42, 48))
  MOUTH_POINTS = list(range(48, 61))
  FACE_POINTS = list(range(17, 68))
  
  # 换脸的关键点集
  POINTS = [LEFT_BROW_POINTS + RIGHT_EYE_POINTS +
            LEFT_EYE_POINTS + RIGHT_BROW_POINTS + NOSE_POINTS + MOUTH_POINTS]
  
  # 处理为元组，后续使用方便
  POINTStuple = tuple(POINTS)
  
  
  def getFaceMask(im, keyPoints):  # 根据关键点获取脸部掩膜
      im = np.zeros(im.shape[:2], dtype=np.float64)
      for p in POINTS:
          points = cv2.convexHull(keyPoints[p])  # 获取凸包
          cv2.fillConvexPoly(im, points, color=1)  # 填充凸包，数字在0~1之间
      # 单通道im构成3通道im(3，行，列)，改变形状(行、列、3)适应0penCV
      im = np.array([im, im, im]).transpose((1, 2, 0))
      im = cv2.GaussianBlur(im, (25, 25), 0)  # 需要根据具体调整
      return im
  
  
  """ 求出b脸仿射变换到a脸的变换矩阵M,此处用到的算法难以理解，大家可直接跳过 """
  
  
  def getM(points1, points2):
      points1 = points1.astype(np.float64)  # int8转换为浮点数类型
      points2 = points2.astype(np.float64)  # 转换为浮点数类型
  
      c1 = np.mean(points1, axis=0)  # 归一化:(数值-均值)/标准差
      c2 = np.mean(points2, axis=0)  # 归一化:(数值-均值)/标准差，均值不同，主要是脸五官位置大小不同
      points1 -= c1  # 减去均值
      points2 -= c2  # 减去均值
      s1 = np.std(points1)  # 方差计算标准差
      s2 = np.std(points2)  # 方差计算标准差
  
      points1 /= s1  # 除标准差,计算出归一化的结果
      points2 /= s2  # 除标准差,计算出归一化的结果
  
      # 奇异值分解，Singular Value Decomposition
      U, S, Vt = np.linalg.svd(points1.T * points2)
      R = (U * Vt).T  # 通过U和Vt找到R
      return np.hstack(((s2 / s1) * R, c2.T - (s2 / s1) * R * c1.T))
  
  
  def getKeyPoints(im):  # 获取关键点
      rects = detector(im, 1)  # 获取人脸方框位置
      shape = predictor(im, rects[0])  # 获取关键点
      s = np.matrix([[p.x, p.y] for p in shape.parts()])  # 将关键点转换为坐标(x,y)的形式
      return s
  
  
  """ 修改b图的颜色值，与a图相同 """
  
  
  def normalColor(a, b):
      ksize = (111, 111)  # 非常大的核，去噪等运算时为11就比较大了
      aGauss = cv2.GaussianBlur(a, ksize, 0)  # 对a进行高斯滤波
      bGauss = cv2.GaussianBlur(b, ksize, 0)  # 对b进行高斯滤波
      weight = aGauss / bGauss  # 计算目标图像调整颜色的权重值,存在除0警告，可忽略。
      where_are_inf = np.isinf(weight)
      weight[where_are_inf] = 0
      return b * weight
  
  
  """ 读取两张人脸图片，并获取两张人脸图片的68个关键点 """
  a = cv2.imread("dlrb_3.jpg")  # 换脸A图片
  b = cv2.imread("zly.jpg")  # 换脸B图片
  
  detector = dlib.get_frontal_face_detector()  # 构造脸部位置检测器
  predictor = dlib.shape_predictor("shape_predictor_68_face_landmarks.dat")  # 获取人脸关键点定位模型
  
  aKeyPoints = getKeyPoints(a)  # 获取A图片的68关键点
  bKeyPoints = getKeyPoints(b)  # 获取B图片的68关键点
  
  bOriginal = b.copy()  # 不对原来的图片b进行破坏和修改
  
  """ 分别获取两张人脸的掩膜 """
  aMask = getFaceMask(a, aKeyPoints)  # 获取图片A的人脸掩膜
  cv2.imshow('aMask', aMask)
  cv2.waitKey()
  
  bMask = getFaceMask(b, bKeyPoints)  # 获取图片B的人脸掩膜
  cv2.imshow('bMask', bMask)
  cv2.waitKey()
  
  """求出b脸仿射变换到a脸的变换矩阵M"""
  M = getM(aKeyPoints[POINTStuple], bKeyPoints[POINTStuple])
  
  """将b的脸部(bmask)根据M仿射变换到a上"""
  dsize = a.shape[:2][::-1]
  # 目标输出与图像a大小一致
  # 需要注意，shape是(行、列),warpAffine参数dsize是(列、行)
  # 使用a.shape[:2][::-1]，获取a的(列、行)
  
  # 函数warpAffine(src,M,dsize,dst=None, flags=None, borderMode=None, borderValue=None)
  # src:输入图像
  # M:运算矩阵，2行3列的，
  # dsize:运算后矩阵的大小，也就是输出图片的尺寸
  # dst:输出图像
  # flags:插值方法的组合，与resize函数中的插值一样，可以查看cv2.resize
  # borderMode:边界模式，BORDER_TRANSPARENT表示边界透明
  # borderValue:在恒定边框的情况下使用的borderValue值;默认情况下，它是 0
  bMaskWarp = cv2.warpAffine(bMask, M, dsize, borderMode=cv2.BORDER_TRANSPARENT, flags=cv2.WARP_INVERSE_MAP)
  cv2.imshow("bMaskWarp", bMaskWarp)
  cv2.waitKey()
  
  """获取脸部最大值(两个脸模板相加)"""
  mask = np.max([aMask, bMaskWarp], axis=0)
  cv2.imshow("mask", mask)
  cv2.waitKey()
  
  """ 使用仿射矩阵M，将b映射到a """
  bWrap = cv2.warpAffine(b, M, dsize, borderMode=cv2.BORDER_TRANSPARENT, flags=cv2.WARP_INVERSE_MAP)
  cv2.imshow("bWrap", bWrap)
  cv2.waitKey()
  
  """ 求b图片的仿射到图片a的颜色值，b的颜色值改为a的颜色 """
  bcolor = normalColor(a, bWrap)
  cv2.imshow("bcolor", bcolor)
  cv2.waitKey()
  
  """ ===========换脸(mask区域用bcolor，非mask区城用a)============= """
  out = a * (1.0 - mask) + bcolor * mask
  
  # =========输出原始人脸、换脸结果===============
  cv2.imshow("a", a)
  cv2.imshow("b", bOriginal)
  cv2.imshow("out", out / 255)
  cv2.waitKey()
  cv2.destroyAllWindows()