基于 Snapchat 的增强现实
胡子挂件融合
第一个项目中,我们将在检测到的脸上覆盖了一个小胡子。我们可以使用从摄像头捕获的连续视频帧,也可以使用单张测试图像。在进行实际讲解程序的关键步骤前,首先查看应用程序预期输出的结果图像:
项目的第一步是检测图像中的人脸。如上图所示,使用青色矩形绘制图像中检测到的人脸的位置和大小;接下来迭代图像中所有检测到的人脸,在其区域内搜索鼻子,粉红色矩形表示图像中检测到的鼻子;检测到鼻子之后,就要根据之前计算出的鼻子的位置和大小来调整我们想要覆盖“胡子”挂件的区域,蓝色矩形表示计算获得的胡须将被覆盖的区域位置。如果处理的目标是连续视频帧,在处理完成所有检测到的人脸后,将继续分析下一帧。
根据上述描述,程序应当首先检测图像中的人脸和鼻子。为了检测这些对象,创建了两个分类器,一个用于检测人脸,另一个用于检测鼻子:
# 用于人脸和鼻子检测的级联分类器 face_cascade = cv2.CascadeClassifier("haarcascade_frontalface_default.xml") nose_cascade = cv2.CascadeClassifier("haarcascade_mcs_nose.xml")
一旦创建了分类器,下一步就是使用 cv2.detectMultiScale() 函数检测图像中的这些对象。cv2.detectMultiScale() 函数检测输入灰度图像中不同大小的对象,并将检测到的对象作为矩形列表返回。例如,检测人脸时使用以下代码:
faces = face_cascade.detectMultiScale(gray, 1.3, 5)
接下来,遍历检测到的人脸,尝试检测鼻子:
# 遍历检测到的人脸 for (x, y, w, h) in faces: # 根据检测到的面大小创建感兴趣区域(ROI) roi_gray = gray[y:y + h, x:x + w] roi_color = frame[y:y + h, x:x + w] # 在检测到的人脸内检测鼻子 noses = nose_cascade.detectMultiScale(roi_gray)
检测到鼻子后,遍历所有检测到的鼻子,并计算将被“胡子”挂件覆盖的区域。过滤掉错误的鼻子位置后,将“胡子”挂件根据先前计算的区域覆盖在图像上:
for (nx, ny, nw, nh) in noses: # 计算将被“胡子”挂件覆盖的区域坐标 x1 = int(nx - nw / 2) x2 = int(nx + nw / 2 + nw) y1 = int(ny + nh / 2 + nh / 8) y2 = int(ny + nh + nh / 4 + nh / 6) if x1 < 0 or x2 < 0 or x2 > w or y2 > h: continue # 计算将被“胡子”挂件覆盖的区域尺寸 img_moustache_res_width = int(x2 - x1) img_moustache_res_height = int(y2 - y1) # 调整掩膜大小,使其与放置“胡子”挂件的区域相等 mask = cv2.resize(img_moustache_mask, (img_moustache_res_width, img_moustache_res_height)) # 翻转掩膜 mask_inv = cv2.bitwise_not(mask) # 将“胡子”挂件调整为所需区域 img = cv2.resize(img_moustache, (img_moustache_res_width, img_moustache_res_height)) # 获取原始图像的ROI roi = roi_color[y1:y2, x1:x2] # 创建ROI背景和ROI前景 roi_bakground = cv2.bitwise_and(roi, roi, mask=mask_inv) roi_foreground = cv2.bitwise_and(img, img, mask=mask) # 获取结果 res = cv2.add(roi_bakground, roi_foreground) # 将res置于原始图像中 roi_color[y1:y2, x1:x2] = res break
上述程序的关键在于 img_mustache_mask 图像。此图像是使用要融合的“胡子”图像的 Alpha 通道创建的,使用此图像,将可以只绘制叠加图像的前景,基于融合图像的 alpha 通道创建的“胡子”蒙版如下:
img_moustache = cv2.imread('moustache.png', -1) img_moustache_mask = img_moustache[:, :, 3] cv2.imshow("img moustache mask", img_moustache_mask)
获得的胡子蒙版,如下所示:
增强现实融合“胡子”挂件后的结果如下所示:
这里不再针对视频帧的处理进行讲解,因为其方法与单个图像相同,在接下来的完整代码中,给出对连续视频帧进行增强现实的代码。
完整代码
import cv2 # 用于人脸和鼻子检测的级联分类器 face_cascade = cv2.CascadeClassifier("haarcascade_frontalface_default.xml") nose_cascade = cv2.CascadeClassifier("haarcascade_mcs_nose.xml") # 加载胡子图像 img_moustache = cv2.imread('moustache.png', -1) # 创建胡子蒙版 img_moustache_mask = img_moustache[:, :, 3] # 将胡子图像转换为 BGR 图像 img_moustache = img_moustache[:, :, 0:3] # 创建 VideoCapture 对象 video_capture = cv2.VideoCapture(0) while True: # 从 VideoCapture 对象捕获帧 ret, frame = video_capture.read() # 将 frame 转换为灰度图像 gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY) # 检测人脸 faces = face_cascade.detectMultiScale(gray, 1.3, 5) # 迭代检测到的人脸 for (x, y, w, h) in faces: # 根据检测到的人脸大小创建ROI roi_gray = gray[y:y + h, x:x + w] roi_color = frame[y:y + h, x:x + w] # 在检测到的人脸中检测鼻子 noses = nose_cascade.detectMultiScale(roi_gray) for (nx, ny, nw, nh) in noses: # 计算将放置 “胡子” 挂件的坐标 x1 = int(nx - nw / 2) x2 = int(nx + nw / 2 + nw) y1 = int(ny + nh / 2 + nh / 8) y2 = int(ny + nh + nh / 4 + nh / 6) if x1 < 0 or x2 < 0 or x2 > w or y2 > h: continue # 计算“胡子”挂件区域的尺寸 img_moustache_res_width = int(x2 - x1) img_moustache_res_height = int(y2 - y1) # 根据挂件区域缩放“胡子”蒙版 mask = cv2.resize(img_moustache_mask, (img_moustache_res_width, img_moustache_res_height)) # 翻转蒙版 mask_inv = cv2.bitwise_not(mask) # 缩放“胡子”挂件 img = cv2.resize(img_moustache, (img_moustache_res_width, img_moustache_res_height)) # 从原始图像中获取ROI roi = roi_color[y1:y2, x1:x2] # 创建ROI前景和背景 roi_bakground = cv2.bitwise_and(roi, roi, mask=mask_inv) roi_foreground = cv2.bitwise_and(img, img, mask=mask) # roi_bakground 与 roi_foreground 加和获取结果 res = cv2.add(roi_bakground, roi_foreground) roi_color[y1:y2, x1:x2] = res break # 显示结果 cv2.imshow('Snapchat-based OpenCV moustache overlay', frame) # 按下 “q” 键退出 if cv2.waitKey(1) & 0xFF == ord('q'): break # 释放资源 video_capture.release() cv2.destroyAllWindows()
眼镜挂件融合
在这一实战程序中,我们将学习在检测到的面部眼睛区域上融合眼镜挂件。我们通过下图首次查看程序预期结果:
同样为了实现眼镜挂件融合,需要首先使用眼睛检测器检测图像中的眼睛:
eyepair_cascade= cv2.CascadeClassifier("haarcascade_mcs_eyepair_big.xml")
上图中青色矩形表示检测到的人脸在图像中的位置和大小;粉红色矩形表示图像中检测到的眼睛;黄色矩形表示眼镜将被覆盖的位置,其根据眼睛所在区域的位置和大小进行计算。
同时,为融合的眼镜眼镜挂件图像增加一些透明度,以使它们更逼真,眼镜图像蒙版如下所示:
融合后的结果图像如下图所示:
完整代码
基本代码与上例相同,因此不再进行赘述,需要注意的是“眼镜”挂件的融合区域计算。
import cv2 face_cascade = cv2.CascadeClassifier("haarcascade_frontalface_default.xml") eyepair_cascade = cv2.CascadeClassifier("haarcascade_mcs_eyepair_big.xml") img_glasses = cv2.imread('glasses.png', -1) img_glasses_mask = img_glasses[:, :, 3] img_glasses = img_glasses[:, :, 0:3] video_capture = cv2.VideoCapture(0) while True: ret, frame = video_capture.read() gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY) # 检测人脸 faces = face_cascade.detectMultiScale(gray, 1.3, 5) for (x, y, w, h) in faces: roi_gray = gray[y:y + h, x:x + w] roi_color = frame[y:y + h, x:x + w] # 在检测到的人脸中检测眼睛 eyepairs = eyepair_cascade.detectMultiScale(roi_gray) for (ex, ey, ew, eh) in eyepairs: # 计算“眼睛”挂件放置的坐标 x1 = int(ex - ew / 10) x2 = int((ex + ew) + ew / 10) y1 = int(ey) y2 = int(ey + eh + eh / 2) if x1 < 0 or x2 < 0 or x2 > w or y2 > h: continue # 计算“眼睛”挂件放置区域大小 img_glasses_res_width = int(x2 - x1) img_glasses_res_height = int(y2 - y1) mask = cv2.resize(img_glasses_mask, (img_glasses_res_width, img_glasses_res_height)) mask_inv = cv2.bitwise_not(mask) img = cv2.resize(img_glasses, (img_glasses_res_width, img_glasses_res_height)) roi = roi_color[y1:y2, x1:x2] roi_bakground = cv2.bitwise_and(roi, roi, mask=mask_inv) roi_foreground = cv2.bitwise_and(img, img, mask=mask) res = cv2.add(roi_bakground, roi_foreground): roi_color[y1:y2, x1:x2] = res break # 显示结果画面 cv2.imshow('Snapchat-based OpenCV glasses filter', frame) if cv2.waitKey(1) & 0xFF == ord('q'): break video_capture.release() cv2.destroyAllWindows()
以上就是Python实战之基于OpenCV的美颜挂件制作的详细内容,更多关于Python OpenCV的内容请关注服务器之家其它相关文章!
原文链接:https://blog.csdn.net/LOVEmy134611/article/details/120398198