自从天天P图出了疯狂变脸的特效之后，到现在为止已经近两年时间了，这两年时间，天天P图多次凭借换脸特效登上APP Store排行榜首，从小学生证件照到圣诞节梦幻妆再到后来的各种影视游戏特效，以及后来的军装照等等等等，5月4日青年节，天天P图的“前世青年照”又是传遍了朋友圈，火遍了排行榜。
在这里本人将这个换脸放到这个模块来讲，是因为这个技术，用深度学习来搞，个人认为潜力更大。下面简单将换脸分为深度学习方法和传统方法来讲。
[深度学习方法]
2016年的一篇论文Fast Face-swap Using Convolutional Neural Networks，通过卷积神经网络实现了换脸效果，如下图所示：
具体算法思路是：
1，人脸对齐(根据特征点将目标图像与模板图像中的人脸对齐)；
2，通过CNN进行换脸，网络结构如下：
3，定义内容损失/风格损失/光照损失/平滑损失代价函数，加入训练过程，来解决肤色光照不均，不平滑，内容不协调的问题；
损失函数如下：
该方法已经达到了一定的效果：
1，人脸融合自然；
2，侧脸效果要优于传统方法的效果；
但是仍然具有以下弊端：
1，每个模版照片需要单独训练网络，造成模型数据庞大，训练耗时，模型更改麻烦等诸多问题；
2，每个模型需要一个模板对应的多张不同姿态与光照条件的图像；
单单这一点就很不利于产品化，在大多数情况下，我们是无法提供多张不同姿态与光照下的模板图像的；
3，速度慢，本人的换脸算法是可以达到实时处理的；
关于这个基于卷积神经网络换脸算法的详情，可参考：点击打开链接
个人认为：基于深度学习的方法在多角度侧脸的情况下，具有很强的优势，在肤色融合方面与传统算法持平，在速度方面，未来将不是问题！
[传统方法]
本人主要研究基于传统图像算法的换脸，本人猜测天天P图基本上也是基于传统算法做的；
我们以天天P图效果举例来讲：
白百合的照片与右边的模板图相比，在脸型和五官位置上都发生了变化，也就是变的好看了很多，总结变化如下：
1，肤色变成了模板图的肤色；
2，脸型变成了模板图的脸型；
3，五官大小形状等发生了一定的变化；
据此推测，天天P图做了如下操作：
1，将白百合的肤色做了转换，换成了模板图的肤色；
2，将白百合的脸型包括五官做了变形，变成了接近模板图的形状；
注意，这里是接近模板图的形状，而并非是跟模板图完全一样的形状，网上很多做换脸的都是直接将人脸对齐到了模板中的形状，这是不行的，脸型差异过大时，会造成畸变，效果很差；
本人算法步骤：
1，根据人脸特征点(本人使用的是101个人脸特征点)，将模板和白百合的人脸同时变形到第三目标形状，变形算法使用MLS变形即可；
这一步骤可以分为如下两步：
①直接将白百合人脸点位对齐到模板点位；
②将对齐后的白百合人脸五官与脸型进行美化或称美型；
这一步可以参考论文《Data-Driven Face Cartoon Stylization》，当然这一步也可以使用深度学习来做，个人认为效果要比这篇论文效果更好，随后本人会另写博客专门介绍基于CNN的人脸美型；
MLS变形代码链接：点击打开链接
当然本人也有更好的变形：点击打开链接
本人美型算法效果图如下：
2，基于LAB颜色空间对白百合和模板人脸肤色进行换色+融合；
3，添加风格滤镜+美颜美妆；
对于美妆可以直接使用妆容迁移来做，效果很好，妆容迁移算链接：①点击打开链接，②点击打开链接
本人妆容迁移效果如下：
上面就是本人传统换脸算法的过程，本人尽量用最简单的算法去表现最好的效果，给出一个完整的算法过程效果图：
对于效果，大家可以使用白百合的测试图到本人的DEMO和天天P图中测试；
下面本人以5.4青年节最火的前世青年效果为例，给出本人算法与天天P图效果对比图，这里仅以一组图为例：
这里测试图在本人所给的DEMO中，大家可以自行测试；
最后，指出天天P图肤色融合的一些问题，对于某些照片，肤色融合之后会出现颜色偏绿问题，可能是某个颜色空间中颜色溢出导致，举例如下(左图为本人算法，右图为天天效果)：
最后，本人给出本人疯狂变脸效果的DEMO，以免大家耳听为虚，DEMO运行平台为WINDOWS 8以上，DEMO中给有TestPicture为测试图，FS为天天P图的模板，仅供测试，切勿商业用途，以免侵权，下载链接：点击打开链接
在给一个换脸资源集合：点击打开链接
本人QQ1358009172，DEMO中无人脸识别，因此仅限本人所给测试图有效！共勉！