原文:深度学习AI美颜系列--人像动态贴纸算法实现- 2019.01.02

出处:OpenCV学堂 - 微信公众号(强烈推荐关注)
原创作者:胡耀武
作者QQ:1358009172
转载,以学习,记录,备忘.

人像静态/动态贴纸特效几乎已经是所有图像视频处理类/直播类app的必需品了,这个功能看起来复杂,实际上很简单,本文将给大家做个详细的讲解.

我们先来看一下FaceU的两张效果图:

image

这两张效果图中, 我们可以看到一些可爱的圣诞帽贴纸和小鹿形象贴纸,在人脸区域,自动贴上不同的贴纸,便会生成很多有趣的特效,这也是大家爱不释手的原因.

1. 算法详解

我们从静态贴纸讲起,动态贴纸实际上是静态贴纸的循环播放而已.

人像静态贴纸的鼻祖是in app,而后FaceU的动态贴纸风靡一时,现在静态/动态贴纸已经随处可见了. 它的算法分为两个部分:

[1] - 人脸检测与关键点识别;

[2] - 贴纸融合

1.1. 人脸检测与关键点识别

所谓人像贴纸,第一步必然是人脸检测与关键点识别.

在有人脸的情况下获取到必须的关键点,这样我们才能准确的打上贴纸. 现有的app中,比如FaceU和轻颜相机,当然他们是一家的,他们的贴纸基本上都是数十个人脸特征点的模板配置,也就是说,完成一个贴纸效果,需要数十个点位信息的支持. 不过,个人认为,最简单的贴纸,可以从三个点开始.

关于人脸特征点识别算法,相关的论文或者开源的代码工程,已经多如牛毛,这里不一一例举,本人这里以mtcnn为例,因为本文算法只需要三个点即可.

mtcnn 在检测到人脸的情况下,会给我们提供5个特征点,如下图所示:

image

mtcnn的算法详解大家也可以在网络资源中自行学习,这里我们仅仅给出网络结构示意图,如图所示.

image

对于上述三个网络,分别为三个阶段:

[1] - Stage 1 - P-Net

使用P-Net是一个全卷积网络,用来生成候选窗和边框回归向量(bounding box regression vectors).

使用Bounding box regression的方法来校正这些候选窗,使用非极大值抑制(NMS)合并重叠的候选框;

[2] - Stage 2 - R-Net
使用R-Net改善候选窗,将通过 P-Net的候选窗输入R-Net中,拒绝掉大部分false的窗口,继续使用Bounding box regression和NMS合并;

[3] - Stage 3 - O-Net

使用O-Net输出最终的人脸框和特征点位置. 和第二步类似,但是不同的是生成5个特征点位置;

本文使用NCNN调用MTCNN的模型,上层采用C#调用,代码如下:

/*************************************************
Copyright:  Copyright Trent.
Author:        Trent
Date:        2015-03-09
Description:MTCNN.
**************************************************/


#include"Trent.h"

#include "mtcnn.h"
#include <stdint.h>
static char* model_path = "C:/Desktop/mtcnn/TestDemo_C/models";
MTCNN* mtcnn;


int FD_Initialize()
{
    mtcnn = new MTCNN(model_path);
    return 0;
};
int FD_Process(unsigned char* srcData, 
               int width, 
               int height, 
               int stride, 
               int faceInfos[15])
{
    unsigned char* data = (unsigned char*)malloc(sizeof(unsigned char) * height * width * 3);
    unsigned char* pSrc = srcData;
    unsigned char* pData = data;
    for (int j = 0; j < height; j++)
    {
        for (int i = 0; i < width; i++)
        {
            pData[0] = pSrc[0];
            pData[1] = pSrc[1];
            pData[2] = pSrc[2];
            pData += 3;
            pSrc += 4;
        }

    }
    ncnn::Mat ncnn_img = ncnn::Mat::from_pixels(data, ncnn::Mat::PIXEL_RGB, width, height);
    std::vector<Bbox> finalBbox;
    mtcnn->detect(ncnn_img, finalBbox);
    if(finalBbox.size() > 0)
    {
        faceInfos[0] = 1;
        faceInfos[1] = finalBbox[0].x1;
        faceInfos[2] = finalBbox[0].y1;
        faceInfos[3] = finalBbox[0].x2 - finalBbox[0].x1;
        faceInfos[4] = finalBbox[0].y2 - finalBbox[0].y1;
        faceInfos[5] = finalBbox[0].ppoint[0];
        faceInfos[6] = finalBbox[0].ppoint[5];
        faceInfos[7] = finalBbox[0].ppoint[1];
        faceInfos[8] = finalBbox[0].ppoint[6];
        faceInfos[9] = finalBbox[0].ppoint[2];
        faceInfos[10] = finalBbox[0].ppoint[7];
        faceInfos[11] = finalBbox[0].ppoint[3];
        faceInfos[12] = finalBbox[0].ppoint[8];
        faceInfos[13] = finalBbox[0].ppoint[4];
        faceInfos[14] = finalBbox[0].ppoint[9];
    }
    free(data);
    return 0;
};
void FD_Unitialize()
{
    if(model_path != NULL)
        free(model_path);
    delete(mtcnn);
}

拿到五个人脸特征点,这一步我们就完成了.

1.2. 贴纸融合

有了特征点,我们如何将贴纸融合到恰当的位置?

[1] - 计算基准点

我们从5个特征点中,计算得到三个关键点A,B,C;

其中,A为左眼中心点; B 为右眼中心点;C为嘴巴水平中心点;
对于一张人脸,它的这三个点变化比较小,同时又可以覆盖整个脸部区域,因此,具有整张脸的代表性.

[2] - 构建模特基准点

选取一张模特图,要求五官端正,比例协调,如下图所示;

image

在图中标定出三个人脸关键点位置A, B, C,如蓝色点所示,并记录位置信息.

[3] - 构建贴纸模板

我们使用如下两个贴纸,在PS中将贴纸放置到模特脸上合适的位置,然后保存两个贴纸模板为mask_a, mask_b,这样两个贴纸模板就制作完成了,模板如下图所示:

image

[4] - 贴图

对于任意一张用户照片,先使用MTCNN得到人脸5个关键点,计算出人脸关键点A, B, C,分别记做A0, B0, C0;
然后,使用仿射变换,公式如下图所示所示,将A0, B0, C0映射到模特图A, B, C三点,得到仿射变换矩阵H;

image

仿射变换H矩阵求解代码如下:

void GetTexTransMatrix(float x1, float y1, 
                       float x2, float y2, 
                       float x3, float y3,
                       float tx1, float ty1, 
                       float tx2, float ty2, 
                       float tx3, float ty3, 
                       float*texMatrix)
{
    float detA;
    detA = tx1*ty2 + tx2*ty3 + tx3*ty1 - tx3*ty2 - tx1*ty3 - tx2*ty1;
    float A11, A12, A13, A21, A22, A23, A31, A32, A33;
    A11 = ty2 - ty3;
    A21 = -(ty1 - ty3);
    A31 = ty1 - ty2;
    A12 = -(tx2 - tx3);
    A22 = tx1 - tx3;
    A32 = -(tx1 - tx2);
    A13 = tx2*ty3 - tx3*ty2;
    A23 = -(tx1*ty3 - tx3*ty1);
    A33 = tx1*ty2 - tx2*ty1;  
    texMatrix[0] = (x1*A11 + x2*A21 + x3*A31) / detA;  
    texMatrix[1] = (x1*A12 + x2*A22 + x3*A32) / detA;  
    texMatrix[2] = (x1*A13 + x2*A23 + x3*A33) / detA;  
    texMatrix[3] = (y1*A11 + y2*A21 + y3*A31) / detA; 
    texMatrix[4] = (y1*A12 + y2*A22 + y3*A32) / detA;       
    texMatrix[5] = (y1*A13 + y2*A23 + y3*A33) / detA;  
}

最后,根据H遍历用户照片,将用户照片像素映射到贴纸模板 mask_a 或者 mask_b 中,根据贴纸模板像素的透明度进行alpha混合,即可得到最终效果,如下图所示;

image

2. 完整的自动人像贴纸代码

最后给出完整的自动人像贴纸代码,仅仅50行左右,即可实现静态图贴纸效果,如果大家需要动态贴纸,可以循环播放不同贴纸即可,代码如下:

#include"Trent_Sticker.h"
#include"Trent.h"
void GetTexTransMatrix(float x1, float y1, 
                       float x2, float y2, 
                       float x3, float y3,
                       float tx1, float ty1, 
                       float tx2, float ty2, 
                       float tx3, float ty3, 
                       float*texMatrix)
{
    float detA;
    detA = tx1*ty2 + tx2*ty3 + tx3*ty1 - tx3*ty2 - tx1*ty3 - tx2*ty1;
    float A11, A12, A13, A21, A22, A23, A31, A32, A33;
    A11 = ty2 - ty3;
    A21 = -(ty1 - ty3);
    A31 = ty1 - ty2;
    A12 = -(tx2 - tx3);
    A22 = tx1 - tx3;
    A32 = -(tx1 - tx2);
    A13 = tx2*ty3 - tx3*ty2;
    A23 = -(tx1*ty3 - tx3*ty1);
    A33 = tx1*ty2 - tx2*ty1;  
    texMatrix[0] = (x1*A11 + x2*A21 + x3*A31) / detA;  
    texMatrix[1] = (x1*A12 + x2*A22 + x3*A32) / detA;  
    texMatrix[2] = (x1*A13 + x2*A23 + x3*A33) / detA;  
    texMatrix[3] = (y1*A11 + y2*A21 + y3*A31) / detA; 
    texMatrix[4] = (y1*A12 + y2*A22 + y3*A32) / detA;       
    texMatrix[5] = (y1*A13 + y2*A23 + y3*A33) / detA;  
}
int Trent_Sticker(unsigned char* srcData, 
                  int width, 
                  int height, 
                  int stride, 
                  unsigned char* mask, 
                  int maskWidth,
                  int maskHeight, 
                  int maskStride, 
                  int srcFacePoints[6], 
                  int maskFacePoints[6], 
                  int ratio)
{
    int ret = 0;
    float H[6];
    GetTexTransMatrix(
        maskFacePoints[0], maskFacePoints[1], 
        maskFacePoints[2], maskFacePoints[3], 
        maskFacePoints[4], maskFacePoints[5], 
        srcFacePoints[0], srcFacePoints[1], 
        srcFacePoints[2], srcFacePoints[3], 
        srcFacePoints[4], srcFacePoints[5], 
        H);
    for (int j = 0; j < height; j++)
    {
        for (int i = 0; i < width; i++)
        {
            float x = (float)i;
            float y = (float)j;
            float tx = 0;
            float ty = 0;
            tx = (int)((H[0] * (x)+H[1] * (y)+H[2]) + 0.5);
            ty = (int)((H[3] * (x)+H[4] * (y)+H[5]) + 0.5);
            tx = CLIP3(tx, 0, maskWidth - 1);
            ty = CLIP3(ty, 0, maskHeight - 1);          
            int mb = mask[(int)tx * 4 + (int)ty * maskStride];
            int mg = mask[(int)tx * 4 + (int)ty * maskStride + 1];
            int mr = mask[(int)tx * 4 + (int)ty * maskStride + 2];
            int alpha = mask[(int)tx * 4 + (int)ty * maskStride + 3];
            int b = srcData[i * 4 + j * stride];
            int g = srcData[i * 4 + j * stride + 1];
            int r = srcData[i * 4 + j * stride + 2];            
            srcData[(int)i * 4 + (int)j * stride] = CLIP3((b * (255 - alpha) + mb * alpha) / 255, 0, 255);
            srcData[(int)i * 4 + (int)j * stride + 1] = CLIP3((g * (255 - alpha) + mg * alpha) / 255, 0, 255);
            srcData[(int)i * 4 + (int)j * stride + 2] = CLIP3((r * (255 - alpha) + mr * alpha) / 255, 0, 255);
        }
    }
    return ret;
}

2.1. DEMO源码界面

最后,给出完整工程的源代码,包含MTCNN调用代码和静态贴纸代码:https://download.csdn.net/download/trent1985/10891121

注意,代码运行环境为VS2015,运行时需要把model_path修改为自己的本地路径即可.

image

Last modification:April 9th, 2019 at 03:58 pm