前不久，社交媒体平台上一款名为“蚂蚁呀嘿”的特效火爆全网，许多网友都将自己的照片导入换脸软件Avatarify中，照片便可以被算法驱动，生成一段表情夸张扭曲且跟着节奏晃动的换脸短视频。
魔幻的特效让这类的视频迅速侵袭社交平台，网友惊呼：简直就像捅了蚂蚁窝。
例如：马云、马化腾、马斯克等大佬们，正在集体演唱神曲《蚂蚁呀嘿》。
例如，李开复老师便友情上演了一首《Only You》。
这项技术可以完成在给定一张源图片和一个目标动作视频，将目标视频的表情和动作迁移到源图片上，使得源图片中的人物做出目标视频相同的表情动作。
Faceswap
这种换脸的算法，其实有很多。
例如 Faceswap 、DeepFaceLab、Faceswap-GAN 等等。
本文以 star 量最多的 Faceswap 为例，进行说明。
算法原理
Faceswap 是一个名为 deepfakes 的 Github 用户开源的项目。
Deepfake 就是“Deep Machine Learning”（深度学习）和“Fake Photo”（假照片）组合而成的。
早期技术可以追溯到 2018 年，当时在构建模型的时候使用了 Encoder-Decoder 自编解码架构。
而 Faceswap 算法，在此之上又引入 GAN（生成对抗网络）技术，显著提升了换脸的效果。
总体上，「Faceswap」换脸主要分为以下三个过程：
- 人脸检测
- 特征提取
- 人脸转换
人脸检测
想要替换人脸，那首先得找到人脸的位置，这就需要用到人脸检测算法。
Faceswap 算法采用了 SSD 这类比较成熟的检测框架，同于提取面部图像。
与传统人脸检测略有不同的，Faceswap 算法需要裁剪的人脸边界框（bouding box, bbox）是正方形的，同时还会适当的向外扩充一些，以保证人脸都在 bbox 内。
特征提取
检测到人脸后，需要提取人脸的特征。
首先要做的就是，人脸关键点检测，也就是 landmark。
这些关键点，抽取了人脸的表情特征，同时大致描述了人脸的器官分布。
我们可以直接通过 dlib 和 OpenCV 等主流的工具包直接提取人脸的关键点。
当然，为了取得更好的定位精度，也可以使用 CNN 训练一个人脸关键点检测模型，简单好用。
人脸转换
人脸转换的思想，就是采用自编码器的原理。
简单来讲，就是将人脸图像压缩到短向量，再由短向量恢复到人脸图像。这些短向量包含了人脸的主要信息，例如该向量的元素可能表示人脸肤色、眉毛位置、眼睛大小等等。
所以如果我们用某个编码器学习所有人，那么它就能学习到人脸的共性；如果再用某个解码器学习特定的某个人，那么就能学习到这个人的特性。
简单而言，当我们用通用编码器编码人脸 A，再使用特定解码器 B 解码短向量，那么就能生成出拥有 A 的人脸表情，但却是 B 人脸的图像。
就好比，你摆出一个表情，我根据你睁眼的大小，嘴巴咧开的大小等面部特征，模仿出你的表情。
我们表情一样，但长相不一样。
人脸转换，除了自编码器的方法，还有一种 GAN 方法。
GAN 会利用提取的人脸特征点，使用生成器直接生成对应的目标人脸图像，这跟 StyleGAN 人脸生成算法很类似，但不同的是需要生成指定表情的人脸。
在生成的图片后，会接一个判别器，判断图片的逼真程度。
上述算法都是针对单张图片而言的，对于视频而言，就是多了一个视频拆分成图片，图片拼接成视频的过程。
DeepFakes 技术发展已久，2020 年有一篇发表的综述论文，包含了各种 DeepFakes 算法的概述，想了解更多的读者，可以去“啃”一下论文了。
论文地址：https://arxiv.org/pdf/2001.00179.pdf
预处理和后处理
大致思路就是这样，里面还有很多细节，我们称之为 Tricks ，这就需要通过阅读源码去学习了。
比如，在进行提取人脸特征之前，需要进行图像的预处理。
对数据进行规范化（Normalization），使训练的图像的分布信息尽可能相近：
训练的数据集是分为 A 数据集和 B 数据集的，如上图，A 数据集为川普，B 数据集为凯奇。
我们可以将 A 数据集（川普）加上两者数据集的平均差值（RGB三通道差值）来使两个输入图像图像的分布尽可以相近，这样我们的损失函数曲线下降会更快些。
用代码表示就是：
再比如，换脸之后，需要进行图像的后处理。
为了是生成的人脸效果更加，会进行诸如边缘融合、色彩均衡等处理方法。
想要了解算法背后的实现方法，那就得耐着性子看源码了。
▼
最后我们再简单解释一下换脸的基本原理：提取两个例子，分为A&B，进行以下三步：1.人脸侦测和识别。2.确定变换矩阵。3.人脸替换。对于视频中的每一帧信息重复以上操作直至结束即可！
声明：部分内容来源于网络，仅供读者学习、交流之目的。文章版权归原作者所有。如有不妥，请联系删除。
本文直接来源：新机器视觉
