深度学习AI美颜系列----AI人像美妆算法初识

内容导读

互联网集市收集整理的这篇技术教程文章主要介绍了深度学习AI美颜系列----AI人像美妆算法初识，小编现在分享给大家，供广大互联网技能从业者学习和参考。文章包含13537字，纯文字阅读大概需要20分钟。

内容图文

原文链接：https://blog.csdn.net/Trent1985/article/details/81185763

https://blog.csdn.net/Trent1985/article/details/81185763

 

深度学习AI美颜系列----AI人像美妆算法初识

2018年07月24日 16:25:16 Trent1985 阅读数 5453更多

分类专栏： 深度学习AI美颜系列 SF图像滤镜/美颜/美妆算法详解与实战

版权声明：本文为博主原创文章，遵循?CC 4.0 BY-SA?版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.csdn.net/Trent1985/article/details/81185763

人像美妆是近几年来深受广大女孩儿群体喜欢的修图功能之一，目前市面中做的比较好的有美妆相机、玩美彩妆、天天P图等APP，当然还有一些PC专用的秀图软件，本文将给大家做个算法初识；

什么是人像美妆？通俗的看个样例图：

这个图中，由左边的原图，到右边的化妆效果图，就叫做人像美妆。

本人对AI美妆的一些看法如下：

1.妆容自然，逼真；

2.鲁棒性高，不受五官遮挡影响；

3.速度越快越好；

4.完全智能化，可以针对不同人像照片智能匹配最优妆容；

目前传统美妆的优缺点：

优点：

1.妆容种类丰富，可自由搭配，用户自主选择；

美妆相机和玩美彩妆两款App均提供了数十种不同的妆容效果，供用户自由选择；

2.上妆速度快，可以实时处理；

玩美彩妆、美妆相机、天天P图、无他相机、FaceU等APP均已支持实时上妆效果；

缺点：

1.妆容鲁棒性不高，被光线，五官遮挡影响较大；

2.逼真度不高；

3.无法完全智能化；

目前市面基于传统算法的美妆类APP均无法达到上述3点；

传统人像美妆算法流程：

1.妆容模版制作(Photoshop等编辑软件制作，由设计完成)

2.人脸检测，特征点识别；

这一步骤主要通过人脸检测+人脸对齐来获得N个特征点，目前开源的有Dlib，OpenCV等，商用版有商汤科技、旷世科技、虹软科技等，以及腾讯、美图等；

这里给出一个开源的人脸检测+对齐(68点位)的资源链接：https://github.com/XiuSdk/cnn-facial-landmark

3.基于人脸特征点，将模版变形，对齐到人脸五官区域；

变形算法有很多，仿射变换，IDW变换，MLS变换，RMLS变换等；

相关代码连接：

IDW

RMLS

MLS(MLS代码在博客内容中)

如果大家懒得看博客，这里给出MLS变形代码：

1. static void setSrcPoints(const vector<PointD> &qsrc, vector<PointD> &newDotL, int* nPoint) {

2. *nPoint = qsrc.size();

3. newDotL.clear();

4. newDotL.reserve(*nPoint);

5. for (size_t i = 0; i < qsrc.size(); i++)

6. newDotL.push_back(qsrc[i]);

7. }

8.  

9. static void setDstPoints(const vector<PointD> &qdst,vector<PointD> &oldDotL, int* nPoint) {

10. *nPoint = qdst.size();

11. oldDotL.clear();

12. oldDotL.reserve(*nPoint);

13.  

14. for (size_t i = 0; i < qdst.size(); i++) oldDotL.push_back(qdst[i]);

15. }

16. static double bilinear_interp(double x, double y, double v11, double v12,

17. double v21, double v22) {

18. return (v11 * (1 - y) + v12 * y) * (1 - x) + (v21 * (1 - y) + v22 * y) * x;

19. }

20.  

21. static double calcArea(const vector<PointD> &V) {

22. PointD lt, rb;

23. lt.x = lt.y = 1e10;

24. rb.x = rb.y = -1e10;

25. for (vector<PointD >::const_iterator i = V.begin(); i != V.end();

26. i++) {

27. if (i->x < lt.x) lt.x = i->x;

28. if (i->x > rb.x) rb.x = i->x;

29. if (i->y < lt.y) lt.y = i->y;

30. if (i->y > rb.y) rb.y = i->y;

31. }

32. return (rb.x - lt.x) * (rb.y - lt.y);

33. }

34. static void calcDelta_rigid(int srcW, int srcH, int tarW, int tarH, double alpha, int gridSize, int nPoint, int preScale, double *rDx, double *rDy, vector<PointD> &oldDotL, vector<PointD> &newDotL)

35. {

36. int i, j, k;

37. PointD swq, qstar, newP, tmpP;

38. double sw;

39.  

40. double ratio;

41.  

42. if (preScale) {

43. ratio = sqrt(calcArea(newDotL) / calcArea(oldDotL));

44. for (i = 0; i < nPoint; i++) {

45. newDotL[i].x *= 1 / ratio;

46. newDotL[i].y *= 1 / ratio;

47. }

48. }

49. double *w = new double[nPoint];

50.  

51. if (nPoint < 2) {

52. //rDx.setTo(0);

53. //rDy.setTo(0);

54. return;

55. }

56. PointD swp, pstar, curV, curVJ, Pi, PiJ, Qi;

57. double miu_r;

58.  

59. for (i = 0;; i += gridSize) {

60. if (i >= tarW && i < tarW + gridSize - 1)

61. i = tarW - 1;

62. else if (i >= tarW)

63. break;

64. for (j = 0;; j += gridSize) {

65. if (j >= tarH && j < tarH + gridSize - 1)

66. j = tarH - 1;

67. else if (j >= tarH)

68. break;

69. sw = 0;

70. swp.x = swp.y = 0;

71. swq.x = swq.y = 0;

72. newP.x = newP.y = 0;

73. curV.x = i;

74. curV.y = j;

75. for (k = 0; k < nPoint; k++) {

76. if ((i == oldDotL[k].x) && j == oldDotL[k].y) break;

77. if (alpha == 1)

78. w[k] = 1 / ((i - oldDotL[k].x) * (i - oldDotL[k].x) +

79. (j - oldDotL[k].y) * (j - oldDotL[k].y));

80. else

81. w[k] = pow((i - oldDotL[k].x) * (i - oldDotL[k].x) +

82. (j - oldDotL[k].y) * (j - oldDotL[k].y),

83. -alpha);

84. sw = sw + w[k];

85. swp.x = swp.x + w[k] * oldDotL[k].x;

86. swp.y = swp.y + w[k] * oldDotL[k].y;

87. swq.x = swq.x + w[k] * newDotL[k].x;

88. swq.y = swq.y + w[k] * newDotL[k].y;

89. }

90. if (k == nPoint) {

91. pstar.x = (1 / sw) * swp.x;

92. pstar.y = (1 / sw) * swp.y;

93. qstar.x = 1 / sw * swq.x;

94. qstar.y = 1 / sw * swq.y;

95. // Calc miu_r

96. double s1 = 0, s2 = 0;

97. for (k = 0; k < nPoint; k++) {

98. if (i == oldDotL[k].x && j == oldDotL[k].y) continue;

99. Pi.x = oldDotL[k].x - pstar.x;

100. Pi.y = oldDotL[k].y - pstar.y;

101. PiJ.x = -Pi.y, PiJ.y = Pi.x;

102. Qi.x = newDotL[k].x - qstar.x;

103. Qi.y = newDotL[k].y - qstar.y;

104. s1 += w[k] * (Qi.x*Pi.x+Qi.y*Pi.y);

105. s2 += w[k] * (Qi.x*PiJ.x+Qi.y*PiJ.y);

106. }

107. miu_r = sqrt(s1 * s1 + s2 * s2);

108. curV.x -= pstar.x;

109. curV.y -= pstar.y;

110.  

111. curVJ.x = -curV.y, curVJ.y = curV.x;

112.  

113. for (k = 0; k < nPoint; k++) {

114. if (i == oldDotL[k].x && j == oldDotL[k].y) continue;

115. Pi.x = oldDotL[k].x - pstar.x;

116. Pi.y = oldDotL[k].y - pstar.y;

117. PiJ.x = -Pi.y, PiJ.y = Pi.x;

118. tmpP.x = (Pi.x*curV.x+Pi.y*curV.y)* newDotL[k].x -

119. (PiJ.x*curV.x+PiJ.y*curV.y)* newDotL[k].y;

120. tmpP.y = -(Pi.x*curVJ.x+Pi.y*curVJ.y) * newDotL[k].x +

121. (PiJ.x*curVJ.x+PiJ.y*curVJ.y) * newDotL[k].y;

122. tmpP.x *= w[k] / miu_r;

123. tmpP.y *= w[k] / miu_r;

124. newP.x += tmpP.x;

125. newP.y += tmpP.y;

126. }

127. newP.x += qstar.x;

128. newP.y += qstar.y;

129. } else {

130. newP = newDotL[k];

131. }

132.  

133. if (preScale) {

134. rDx[j * tarW + i] = newP.x * ratio - i;

135. rDy[j * tarW + i] = newP.y * ratio - j;

136. } else {

137. rDx[j * tarW + i] = newP.x - i;

138. rDy[j * tarW + i] = newP.y - j;

139. }

140. }

141. }

142. delete[] w;

143.  

144. if (preScale!=0) {

145. for (i = 0; i < nPoint; i++){

146. newDotL[i].x *= ratio;

147. newDotL[i].y *= ratio;

148. }

149. }

150. }

151. static void calcDelta_Similarity(int srcW, int srcH, int tarW, int tarH, double alpha, int gridSize, int nPoint, int preScale, double *rDx, double *rDy, vector<PointD> &oldDotL, vector<PointD> &newDotL)

152. {

153. int i, j, k;

154.  

155. PointD swq, qstar, newP, tmpP;

156. double sw;

157.  

158. double ratio;

159.  

160. if (preScale) {

161. ratio = sqrt(calcArea(newDotL) / calcArea(oldDotL));

162. for (i = 0; i < nPoint; i++) {

163. newDotL[i].x *= 1 / ratio;

164. newDotL[i].y *= 1 / ratio;

165. }

166. }

167. double *w = new double[nPoint];

168.  

169. if (nPoint < 2) {

170. return;

171. }

172.  

173. PointD swp, pstar, curV, curVJ, Pi, PiJ;

174. double miu_s;

175.  

176. for (i = 0;; i += gridSize) {

177. if (i >= tarW && i < tarW + gridSize - 1)

178. i = tarW - 1;

179. else if (i >= tarW)

180. break;

181. for (j = 0;; j += gridSize) {

182. if (j >= tarH && j < tarH + gridSize - 1)

183. j = tarH - 1;

184. else if (j >= tarH)

185. break;

186. sw = 0;

187. swp.x = swp.y = 0;

188. swq.x = swq.y = 0;

189. newP.x = newP.y = 0;

190. curV.x = i;

191. curV.y = j;

192. for (k = 0; k < nPoint; k++) {

193. if ((i == oldDotL[k].x) && j == oldDotL[k].y) break;

194. w[k] = 1 / ((i - oldDotL[k].x) * (i - oldDotL[k].x) +

195. (j - oldDotL[k].y) * (j - oldDotL[k].y));

196. sw = sw + w[k];

197. swp.x = swp.x + w[k] * oldDotL[k].x;

198. swp.y = swp.y + w[k] * oldDotL[k].y;

199. swq.x = swq.x + w[k] * newDotL[k].x;

200. swq.y = swq.y + w[k] * newDotL[k].y;

201. }

202. if (k == nPoint) {

203. pstar.x = (1 / sw) * swp.x;

204. pstar.y = (1 / sw) * swp.y;

205. qstar.x = 1 / sw * swq.x;

206. qstar.y = 1 / sw * swq.y;

207. // Calc miu_s

208. miu_s = 0;

209. for (k = 0; k < nPoint; k++) {

210. if (i == oldDotL[k].x && j == oldDotL[k].y) continue;

211.  

212. Pi.x = oldDotL[k].x - pstar.x;

213. Pi.y = oldDotL[k].y - pstar.y;

214. miu_s += w[k] * (Pi.x*Pi.x+Pi.y*Pi.y);

215. }

216.  

217. curV.x -= pstar.x;

218. curV.y -= pstar.y;

219. curVJ.x = -curV.y, curVJ.y = curV.x;

220.  

221. for (k = 0; k < nPoint; k++) {

222. if (i == oldDotL[k].x && j == oldDotL[k].y) continue;

223.  

224. Pi.x = oldDotL[k].x - pstar.x;

225. Pi.y = oldDotL[k].y - pstar.y;

226. PiJ.x = -Pi.y, PiJ.y = Pi.x;

227.  

228. tmpP.x = (Pi.x*curV.x+Pi.y*curV.y) * newDotL[k].x -

229. (PiJ.x*curV.x+PiJ.y*curV.y) * newDotL[k].y;

230. tmpP.y = -(Pi.x*curVJ.x+Pi.y*curVJ.y) * newDotL[k].x +

231. (PiJ.x*curVJ.x+PiJ.y*curVJ.y) * newDotL[k].y;

232. tmpP.x *= w[k] / miu_s;

233. tmpP.y *= w[k] / miu_s;

234. newP.x += tmpP.x;

235. newP.y += tmpP.y;

236. }

237. newP.x += qstar.x;

238. newP.y += qstar.y;

239. } else {

240. newP = newDotL[k];

241. }

242.  

243. rDx[j * tarW + i] = newP.x - i;

244. rDy[j * tarW + i] = newP.y - j;

245. }

246. }

247.  

248. delete[] w;

249. if (preScale!=0) {

250. for (i = 0; i < nPoint; i++){

251. newDotL[i].x *= ratio;

252. newDotL[i].y *= ratio;

253. }

254. }

255. }

256. static int GetNewImg(unsigned char* oriImg, int width, int height, int stride, unsigned char* tarImg, int tarW, int tarH, int tarStride, int gridSize, double* rDx, double* rDy, double transRatio)

257. {

258. int i, j;

259. double di, dj;

260. double nx, ny;

261. int nxi, nyi, nxi1, nyi1;

262. double deltaX, deltaY;

263. double w, h;

264. int ni, nj;

265. int pos, posa, posb, posc, posd;

266. for (i = 0; i < tarH; i += gridSize)

267. for (j = 0; j < tarW; j += gridSize) {

268. ni = i + gridSize, nj = j + gridSize;

269. w = h = gridSize;

270. if (ni >= tarH) ni = tarH - 1, h = ni - i + 1;

271. if (nj >= tarW) nj = tarW - 1, w = nj - j + 1;

272. for (di = 0; di < h; di++)

273. for (dj = 0; dj < w; dj++) {

274. deltaX =

275. bilinear_interp(di / h, dj / w, rDx[i * tarW + j], rDx[i * tarW + nj],

276. rDx[ni * tarW + j], rDx[ni * tarW + nj]);

277. deltaY =

278. bilinear_interp(di / h, dj / w, rDy[i * tarW + j], rDy[i * tarW + nj],

279. rDy[ni * tarW + j], rDy[ni * tarW + nj]);

280. nx = j + dj + deltaX * transRatio;

281. ny = i + di + deltaY * transRatio;

282. if (nx > width - 1) nx = width - 1;

283. if (ny > height - 1) ny = height - 1;

284. if (nx < 0) nx = 0;

285. if (ny < 0) ny = 0;

286. nxi = int(nx);

287. nyi = int(ny);

288. nxi1 = ceil(nx);

289. nyi1 = ceil(ny);

290. pos = (int)(i + di) * tarStride + ((int)(j + dj) << 2);

291. posa = nyi * stride + (nxi << 2);

292. posb = nyi * stride + (nxi1 << 2);

293. posc = nyi1 * stride + (nxi << 2);

294. posd = nyi1 * stride + (nxi1 << 2);

295. tarImg[pos] = (unsigned char)bilinear_interp(ny - nyi, nx - nxi, oriImg[posa], oriImg[posb], oriImg[posc], oriImg[posd]);

296. tarImg[pos + 1] = (unsigned char)bilinear_interp(ny - nyi, nx - nxi, oriImg[posa + 1],oriImg[posb + 1], oriImg[posc + 1], oriImg[posd + 1]);

297. tarImg[pos + 2] = (unsigned char)bilinear_interp(ny - nyi, nx - nxi, oriImg[posa + 2],oriImg[posb + 2], oriImg[posc + 2], oriImg[posd + 2]);

298. tarImg[pos + 3] = (unsigned char)bilinear_interp(ny - nyi, nx - nxi, oriImg[posa + 3],oriImg[posb + 3], oriImg[posc + 3], oriImg[posd + 3]);

299. }

300. }

301. return 0;

302. };

303.  

304. static void MLSImageWrapping(unsigned char* oriImg,int width, int height, int stride,const vector<PointD > &qsrc, const vector<PointD > &qdst, unsigned char* tarImg, int outW, int outH, int outStride, double transRatio, int preScale, int gridSize, int method)

305. {

306. int srcW = width;

307. int srcH = height;

308. int tarW = outW;

309. int tarH = outH;

310. double alpha = 1;

311. int nPoint;

312. int len = tarH * tarW;

313. vector<PointD> oldDotL, newDotL;

314. double *rDx = NULL,*rDy = NULL;

315. setSrcPoints(qsrc,newDotL,&nPoint);

316. setDstPoints(qdst,oldDotL,&nPoint);

317. rDx = (double*)malloc(sizeof(double) * len);

318. rDy = (double*)malloc(sizeof(double) * len);

319. memset(rDx, 0, sizeof(double) * len);

320. memset(rDy, 0, sizeof(double) * len);

321. if(method!=0)

322. calcDelta_Similarity(srcW, srcH, tarW, tarH, alpha, gridSize, nPoint, preScale, rDx, rDy, oldDotL, newDotL);

323. else

324. calcDelta_rigid(srcW, srcH, tarW, tarH, alpha, gridSize, nPoint, preScale, rDx, rDy, oldDotL, newDotL);

325. GetNewImg(oriImg, srcW, srcH, stride, tarImg, tarW, tarH, outStride, gridSize, rDx, rDy, transRatio);

326. if(rDx != NULL)

327. free(rDx);

328. if(rDy != NULL)

329. free(rDy);

330. };

331. int f_TMLSImagewarpping(unsigned char* srcData, int width ,int height, int stride, unsigned char* dstData, int outW, int outH, int outStride, int srcPoint[], int dragPoint[], int pointNum, double intensity, int preScale, int gridSize, int method)

332. {

333. int res = 0;

334. vector<PointD> qDst;

335. vector<PointD> qSrc;

336. PointD point = {0};

337. int len = 0;

338. for(int i = 0; i < pointNum; i++)

339. {

340. len = (i << 1);

341. point.x = srcPoint[len];

342. point.y = srcPoint[len + 1];

343. qSrc.push_back(point);

344. point.x = dragPoint[len];

345. point.y = dragPoint[len + 1];

346. qDst.push_back(point);

347. }

348. MLSImageWrapping(srcData, width, height, stride, qSrc, qDst, dstData, outW, outH, outStride, intensity, preScale,gridSize, method);

349. return res;

350. };

4.将模版与人脸五官图像进行融合；

融合算法主要有alpha融合，Photoshop图层混合，泊松融合等；

alpha融合： S * alpha + D*(1-alpha)

图层混合公式如下：

泊松融合：算法详解

上述过程即传统算法流程，其中对美妆效果起决定性的是人脸特征点识别，如果没有准确的特征点，再好的妆容模版，上妆效果也出不来；

比如下面的例子：

图1中，由于眼睛特征点位置不准确，睫毛妆容已经偏离了眼睛区域；

图2中，由于拍照光线较暗，腮红明显，逼真度过低；

图3中，由于人眼和眉毛被部分遮挡，因此，传统算法的睫毛和眉毛效果悬浮在了头发之上；

目前传统算法相关的论文资料如下：

Rule-Based Facial Makeup Recommendation System.

Example-Based Cosmetic Transfer.

Region-based Face Makeup using example face images.

Simulating Makeup through Physics-based Manipulation of Intrinsic Image Layers.

A Visual Representation for editing face images.

Digital Face Makeup By Example.

在传统算法中，有一种妆容迁移算法，该算法可以直接将一张妆容效果图中的妆容特征，迁移到任意一张人像照片中去，实际上也是与人脸特征点密不可分，具体连接可参考：https://blog.csdn.net/trent1985/article/details/70226779

目前AI美妆相关的论文资料如下：

Makeup Like a Superstar Deep Localized Makeup Transfer Network.

Examples-Rules Guided Deep Neural Network for Makeup Recommendation.

上述两篇基于深度学习的美妆算法论文主要思想有两个：

1，对于第一篇论文主要是对人像进行五官分析，获取肤色，眉毛颜色，唇色等等信息，然后进行不同妆容的最佳匹配，最后上妆；

框架如下：

2，对五官进行分别提取分类成不同的style，依据样例数据的特征style，进行最优匹配并上妆；

框架如下：

上述两篇算法论文，依旧是建立在人脸特征点的基础上研究的。

本人针对传统美妆算法，结合深度学习，做了如下改进：

1.只需要人脸检测框，不依赖于人脸特征点；

2.不受五官遮挡和光线影响；

3.妆容效果逼真度提高；

本人算法框架：

1.人脸检测，得到正方形人脸框，包含五官区域；

2.基于全卷积网络，以人脸框图像作为输入，上妆之后的人脸五官效果图作为输出，进行学习训练；

妆容模版使用如下模版：

在Fig.4模板妆容中，分别进行了眉毛处理，眼影、睫毛和唇彩的上妆，整体肤色以及其他内容均无调整；

训练中迭代10次，训练集和验证集准确率均达到了94%-95%，本人训练样本选取了500张，数据比较少，这里仅仅探讨可行性与方法分析；

3.使用2中的训练模型，对测试图进行上妆；

效果图如下：

上述效果图中我们可以看到，基于深度学习的美妆效果，避免了五官遮挡的影响，同时上妆效果更加自然，对环境光的鲁棒性也较高，本文这里未给出具体的网络模型与参数，不过思路大家已经可以借鉴！目前算法处于研究测试阶段，后续本人将公布完整的DEMO！

内容总结

以上是互联网集市为您收集整理的深度学习AI美颜系列----AI人像美妆算法初识全部内容，希望文章能够帮你解决深度学习AI美颜系列----AI人像美妆算法初识所遇到的程序开发问题。 如果觉得互联网集市技术教程内容还不错，欢迎将互联网集市网站推荐给程序员好友。

内容备注

版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 gblab@vip.qq.com 举报，一经查实，本站将立刻删除。

内容手机端

---