paddlehub实现人物抠图换背景

2024-02-27 01:58
文章标签 实现 背景 paddlehub 人物 图换

本文主要是介绍paddlehub实现人物抠图换背景，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

文章目录

  • 前言
  • 简介
  • paddlehub安装
  • 功能实现
    • 引入库
    • 用到的hub库
    • 每帧的图像处理
    • 结果输出
  • 总结

前言

看完文章您将学会：

paddlehub的使用方法
如何用cv2加载图片并保存
如何用cv2逐帧加载视频以及将图片逐帧保存成视频
如何将png格式的图片放入另一张图片
本文涉及paddlehub的人脸检测、图像分割和图像生成三个部分
详细的文档请访问： https://www.paddlepaddle.org.cn/hub

简介

本项目通过人脸检测将人脸遮挡实现打马赛的功能，同时通过风格转换和抠图将人物放置在新的背景下实现换背景的效果。
处理后的图片效果图：
在这里插入图片描述

paddlehub安装

pip install paddlehub --upgrade -i https://mirror.baidu.com/pypi/simple
paddlehub 中的模型对版本有要求
请安装最新版本的paddlehub
或者根据需要指定安装版本：

hub install name==version

功能实现

引入库

代码如下：

import paddle
import paddlehub as hub
import numpy as np
from PIL import Image, ImageFilter, ImageDraw
import cv2, osimport matplotlib.pyplot as plt
%matplotlib inlineprint(paddle.__version__)

用到的hub库

代码如下：

#用于人脸检测
face_detection = hub.Module(name="ultra_light_fast_generic_face_detector_1mb_640")
#用于风格转换
stylepro_artistic = hub.Module(name="stylepro_artistic")
#用于扣出人物
humanseg = hub.Module(name="deeplabv3p_xception65_humanseg")

可以查看一下数据的输出格式，本文中默认只考虑一个物体的情况：

# 查看一下使用方法及输出格式， 这里默认一张图片中只有一个目标物
face_detection_res = face_detection.face_detection(images=[cv2.imread('./work/me1.jpg')],paths=None,batch_size=1,use_gpu=False,visualization=False,output_dir=None,confs_threshold=0.5)
# [0]['data']
result = stylepro_artistic.style_transfer( images=[{'content': cv2.imread('./dog.png'),'styles': [cv2.imread('./style/style1.jpg'), cv2.imread('./style/style2.jpg'),cv2.imread('./style/style3.jpg'),cv2.imread('./style/style4.jpg'),cv2.imread('./style/style5.jpg')]}],visualization=True)
# [0]['data']
seg_res = humanseg.segment(images=[cv2.imread('./work/me1.jpg')],paths=None,batch_size=1,use_gpu=False,visualization=True,output_dir='humanseg_output')
# [0]['data']

每帧的图像处理

通过修改precess_img可以实现不同的处理效果。

def process_img(frame_bgr, index=0):'''输入一张图片shape=[H, W, C] 通道为bgr格式'''ratio = 1.4 y_offset = 30num_fps = 150t = 1h, w = frame_bgr.shape[:2]size = frame_bgr.shape[:2]face_detector = MyFaceDetector()face_detection_res = face_detector.face_detection(images=[frame_bgr], use_gpu=False, visualization=False)for box_dict in face_detection_res[0]['data']:box_xyxy = ( int(box_dict['left']), int(box_dict['top']), int(box_dict['right']), int(box_dict['bottom']) )box_xywh = int((box_xyxy[0]+box_xyxy[2])/2), int((box_xyxy[1]+box_xyxy[3])/2), box_xyxy[2]-box_xyxy[0], box_xyxy[3]-box_xyxy[1]correct_box_xywh = box_xywh[0], box_xywh[1]-y_offset, int(box_xywh[2]*ratio), int(box_xywh[3]*ratio)#真实框xyxybox = int(correct_box_xywh[0]-correct_box_xywh[2]/2) if int(correct_box_xywh[0]-correct_box_xywh[2]/2) >= 0 else 0, \int(correct_box_xywh[1]-correct_box_xywh[3]/2) if int(correct_box_xywh[1]-correct_box_xywh[3]/2) >= 0 else 0, \int(correct_box_xywh[0]+correct_box_xywh[2]/2) if int(correct_box_xywh[0]+correct_box_xywh[2]/2) <= size[1] else size[1], \int(correct_box_xywh[1]+correct_box_xywh[3]/2) if int(correct_box_xywh[1]+correct_box_xywh[3]/2) <= size[0] else size[0]dog = cv2.imread('./dog.png', -1) # -1 读取alpha通道dog = cv2.resize(dog, ( box[2]-box[0] if (box[2]-box[0])>0 else 1 , box[3]-box[1] if (box[3]-box[1])>0 else 1) )dog_alpha = dog[:,:,3] != 0dog_alpha = np.repeat(dog_alpha[:,:,np.newaxis], axis=2, repeats=3)human_alpha = humanseg.segmentation(images=[frame_bgr],paths=None,batch_size=1,use_gpu=False,visualization=False,output_dir='humanseg_output')[0]['data']human_alpha = np.repeat(human_alpha[:,:,np.newaxis], axis=2, repeats=3) != 0if index <= num_fps:bg = cv2.imread('./bg1.png')bg = cv2.resize(bg, (w, h))elif index > num_fps and index < (num_fps + t*30):beta = (index-num_fps)/30bg = beta * cv2.imread('./bg2.jpg')/255. + (1 - beta) * cv2.imread('./bg1.jpg')/255.bg = bg * 255bg = bg.astype('uint8')bg = cv2.resize(bg, (w, h))else:bg = cv2.imread('./bg2.png')bg = cv2.resize(bg, (w, h))# 加了这两项后运算时间会大大延长# frame_bgr = stylepro_artistic.style_transfer(images=[{'content': frame_bgr,#     'styles': [cv2.imread('./style/style1.jpg')]#                                                        }],  use_gpu=False,#                                                 visualization=False)[0]['data']# dog = stylepro_artistic.style_transfer(images=[{'content': dog[:,:,:3],#     'styles': [cv2.imread('./style/style1.jpg')]#                                                        }],  use_gpu=False,#                                                 visualization=False)[0]['data']bg[human_alpha] = frame_bgr[human_alpha] #根据alpah矩阵赋值bg[box[1]:box[1]+dog.shape[0], box[0]:box[0]+dog.shape[1], :][dog_alpha] = dog[:,:,:3][dog_alpha]#     dog = cv2.imread('./dog.png', -1)#     point_boxwh = (point[0], point[1] - (box[3]-box[1])//2 , box[2]-box[0], box[3]-box[1])
#
#     point_box = point_boxwh[0]-point_boxwh[2]//2 if (point_boxwh[0]-point_boxwh[2]//2) >= 0 else 0, \
#                 point_boxwh[1]-point_boxwh[3]//2 if (point_boxwh[1]-point_boxwh[3]//2) >= 0 else 0, \
#                 point_boxwh[0]+point_boxwh[2]//2 if (point_boxwh[0]+point_boxwh[2]//2) <= size[1] else size[1], \
#                 point_boxwh[1]+point_boxwh[3]//2 if (point_boxwh[1]+point_boxwh[3]//2) <= size[0] else size[0]
#     dog = cv2.resize(dog, ( point_box[2]-point_box[0] if (point_box[2]-point_box[0])>0 else 1,  point_box[3]-point_box[1] if (point_box[3]-point_box[1])>0 else 1) )
#     alpha_channel = dog[:,:,3] != 0
#     alpha_channel = np.repeat(alpha_channel[:,:,np.newaxis], axis=2, repeats=3)
# #     assert point_box[1]:point_box[1]+dog.shape[0], point_box[0]: point_box[0]+dog.shape[1]
#     frame_bgr[point_box[1]:point_box[1]+dog.shape[0], point_box[0]: point_box[0]+dog.shape[1],:][alpha_channel] = dog[:,:,:3][alpha_channel]return bgdef CutVideo2Image(video_path, img_path):#将视频输出为图像#video_path为输入视频文件路径#img_path为输出图像文件夹路径cap = cv2.VideoCapture(video_path)index = 0while(True):ret,frame = cap.read() if ret:cv2.imwrite(img_path+'/%d.jpg'%index, frame)index += 1else:breakcap.release()class MyFaceDetector(object):"""自定义人脸检测器基于PaddleHub人脸检测模型ultra_light_fast_generic_face_detector_1mb_640，加强稳定人脸检测框"""def __init__(self):self.module = hub.Module(name="ultra_light_fast_generic_face_detector_1mb_640")self.alpha = 0.75self.start_flag =1def face_detection(self,images, use_gpu=False, visualization=False):# 使用GPU运行，use_gpu=True，并且在运行整个教程代码之前设置CUDA_VISIBLE_DEVICES环境变量result = self.module.face_detection(images=images, use_gpu=use_gpu, visualization=visualization)if not result[0]['data']:return resultface = result[0]['data'][0]if self.start_flag == 1:self.left_s = result[0]['data'][0]['left']self.right_s = result[0]['data'][0]['right']self.top_s = result[0]['data'][0]['top']self.bottom_s = result[0]['data'][0]['bottom']self.start_flag=0else:# 加权平均上一帧和当前帧人脸检测框位置，以稳定人脸检测框self.left_s = self.alpha * self.left_s +  (1-self.alpha) * face['left'] self.right_s = self.alpha * self.right_s +  (1-self.alpha) * face['right'] self.top_s = self.alpha * self.top_s +  (1-self.alpha) * face['top']self.bottom_s = self.alpha * self.bottom_s + (1-self.alpha) * face['bottom'] result[0]['data'][0]['left'] = self.left_sresult[0]['data'][0]['right'] = self.right_sresult[0]['data'][0]['top'] = self.top_sresult[0]['data'][0]['bottom'] = self.bottom_sreturn result

结果输出

def generate_image():# 打开摄像头# capture  = cv2.VideoCapture(0) capture  = cv2.VideoCapture('./test.mp4')fps = capture.get(cv2.CAP_PROP_FPS)size = (int(capture.get(cv2.CAP_PROP_FRAME_WIDTH)),int(capture.get(cv2.CAP_PROP_FRAME_HEIGHT)))# 将预测结果写成视频video_writer = cv2.VideoWriter('result.mp4', cv2.VideoWriter_fourcc(*'mp4v'), fps, size)print(f'fps={fps}, size={size}')index = 0while True:# frame_rgb即视频的一帧数据ret, frame_bgr = capture.read() #从capture中读取帧# 按q键即可退出# cv2.imwrite('./work/me1.jpg', frame_bgr)# breakif cv2.waitKey(1) & 0xFF == ord('q'):breakif frame_bgr is None:break# cv2.imwrite('./work'+'/%d.jpg'%index, frame_bgr)index += 1#图像处理frame_bgr = process_img(frame_bgr, index)video_writer.write(frame_bgr) #写入帧# frame_rgb = cv2.cvtColor(frame_bgr, cv2.COLOR_RGB2BGR)  # cv2.COLOR_RGB2BGR就是把0, 2 通道互换# yield frame_rgbcapture.release()video_writer.release()cv2.destroyAllWindows()generate_image()

总结

视频中人物的抠图效果需要提升，可以通过在cv2中进一步处理提升画面效果。
另外声音需要后期合成后单独加入，后续我会想办法把声音加上。

总的来看，paddlehub将一些主流的模型集成起来做成相应的接口，当需要时直接调用即可，使用起来也非常方便。这极大的降低了网络的使用门槛，只需要少量的代码即可实现复杂的功能。

这篇关于paddlehub实现人物抠图换背景的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！


http://www.chinasem.cn/article/750880。

相关文章

SpringBoot集成redisson实现延时队列教程

SpringBoot集成redisson实现延时队列教程

《SpringBoot集成redisson实现延时队列教程》文章介绍了使用Redisson实现延迟队列的完整步骤,包括依赖导入、Redis配置、工具类封装、业务枚举定义、执行器实现、Bean创建、消费... 目录1、先给项目导入Redisson依赖2、配置redis3、创建 RedissonConfig 配
阅读更多...
Python的Darts库实现时间序列预测

Python的Darts库实现时间序列预测

《Python的Darts库实现时间序列预测》Darts一个集统计、机器学习与深度学习模型于一体的Python时间序列预测库,本文主要介绍了Python的Darts库实现时间序列预测,感兴趣的可以了解... 目录目录一、什么是 Darts？二、安装与基本配置安装 Darts导入基础模块三、时间序列数据结构与
阅读更多...
Python使用FastAPI实现大文件分片上传与断点续传功能

Python使用FastAPI实现大文件分片上传与断点续传功能

《Python使用FastAPI实现大文件分片上传与断点续传功能》大文件直传常遇到超时、网络抖动失败、失败后只能重传的问题,分片上传+断点续传可以把大文件拆成若干小块逐个上传,并在中断后从已完成分片继... 目录一、接口设计二、服务端实现（FastAPI）2.1 运行环境2.2 目录结构建议2.3 serv
阅读更多...
C#实现千万数据秒级导入的代码

C#实现千万数据秒级导入的代码

《C#实现千万数据秒级导入的代码》在实际开发中excel导入很常见,现代社会中很容易遇到大数据处理业务,所以本文我就给大家分享一下千万数据秒级导入怎么实现,文中有详细的代码示例供大家参考,需要的朋友可... 目录前言一、数据存储二、处理逻辑优化前代码处理逻辑优化后的代码总结前言在实际开发中excel导入很
阅读更多...
SpringBoot+RustFS 实现文件切片极速上传的实例代码

SpringBoot+RustFS 实现文件切片极速上传的实例代码

《SpringBoot+RustFS实现文件切片极速上传的实例代码》本文介绍利用SpringBoot和RustFS构建高性能文件切片上传系统,实现大文件秒传、断点续传和分片上传等功能,具有一定的参考... 目录一、为什么选择 RustFS + SpringBoot？二、环境准备与部署2.1 安装 RustF
阅读更多...
Nginx部署HTTP/3的实现步骤

Nginx部署HTTP/3的实现步骤

《Nginx部署HTTP/3的实现步骤》本文介绍了在Nginx中部署HTTP/3的详细步骤,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友们下面随着小编来一起学... 目录前提条件第一步：安装必要的依赖库第二步：获取并构建 BoringSSL第三步：获取 Nginx
阅读更多...
MyBatis Plus实现时间字段自动填充的完整方案

MyBatis Plus实现时间字段自动填充的完整方案

《MyBatisPlus实现时间字段自动填充的完整方案》在日常开发中,我们经常需要记录数据的创建时间和更新时间,传统的做法是在每次插入或更新操作时手动设置这些时间字段,这种方式不仅繁琐,还容易遗漏,... 目录前言解决目标技术栈实现步骤1. 实体类注解配置2. 创建元数据处理器3. 服务层代码优化填充机制详
阅读更多...
Python实现Excel批量样式修改器(附完整代码)

Python实现Excel批量样式修改器(附完整代码)

《Python实现Excel批量样式修改器(附完整代码)》这篇文章主要为大家详细介绍了如何使用Python实现一个Excel批量样式修改器,文中的示例代码讲解详细,感兴趣的小伙伴可以跟随小编一起学习一... 目录前言功能特性核心功能界面特性系统要求安装说明使用指南基本操作流程高级功能技术实现核心技术栈关键函
阅读更多...
Java实现字节字符转bcd编码

Java实现字节字符转bcd编码

《Java实现字节字符转bcd编码》BCD是一种将十进制数字编码为二进制的表示方式,常用于数字显示和存储,本文将介绍如何在Java中实现字节字符转BCD码的过程,需要的小伙伴可以了解下... 目录前言BCD码是什么Java实现字节转bcd编码方法补充总结前言BCD码（Binary-Coded Decima
阅读更多...
SpringBoot全局域名替换的实现

SpringBoot全局域名替换的实现

《SpringBoot全局域名替换的实现》本文主要介绍了SpringBoot全局域名替换的实现,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友们下面随着小编来一... 目录 项目结构⚙️ 配置文件application.yml️ 配置类AppProperties.Ja
阅读更多...

Copyright China编程 23002807@qq.com

沪ICP备2023033072号-2