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

Oracle查询优化之高效实现仅查询前10条记录的方法与实践

Oracle查询优化之高效实现仅查询前10条记录的方法与实践

《Oracle查询优化之高效实现仅查询前10条记录的方法与实践》：本文主要介绍Oracle查询优化之高效实现仅查询前10条记录的相关资料,包括使用ROWNUM、ROW_NUMBER()函数、FET... 目录1. 使用 ROWNUM 查询2. 使用 ROW_NUMBER() 函数3. 使用 FETCH FI
阅读更多...
Python脚本实现自动删除C盘临时文件夹

Python脚本实现自动删除C盘临时文件夹

《Python脚本实现自动删除C盘临时文件夹》在日常使用电脑的过程中,临时文件夹往往会积累大量的无用数据,占用宝贵的磁盘空间,下面我们就来看看Python如何通过脚本实现自动删除C盘临时文件夹吧... 目录一、准备工作二、python脚本编写三、脚本解析四、运行脚本五、案例演示六、注意事项七、总结在日常使用
阅读更多...
Java实现Excel与HTML互转

Java实现Excel与HTML互转

《Java实现Excel与HTML互转》Excel是一种电子表格格式,而HTM则是一种用于创建网页的标记语言,虽然两者在用途上存在差异,但有时我们需要将数据从一种格式转换为另一种格式,下面我们就来看看... Excel是一种电子表格格式，广泛用于数据处理和分析，而HTM则是一种用于创建网页的标记语言。虽然两
阅读更多...
Java中Springboot集成Kafka实现消息发送和接收功能

Java中Springboot集成Kafka实现消息发送和接收功能

《Java中Springboot集成Kafka实现消息发送和接收功能》Kafka是一个高吞吐量的分布式发布-订阅消息系统,主要用于处理大规模数据流,它由生产者、消费者、主题、分区和代理等组件构成,Ka... 目录一、Kafka 简介二、Kafka 功能三、POM依赖四、配置文件五、生产者六、消费者一、Kaf
阅读更多...
使用Python实现在Word中添加或删除超链接

使用Python实现在Word中添加或删除超链接

《使用Python实现在Word中添加或删除超链接》在Word文档中,超链接是一种将文本或图像连接到其他文档、网页或同一文档中不同部分的功能,本文将为大家介绍一下Python如何实现在Word中添加或... 在Word文档中，超链接是一种将文本或图像连接到其他文档、网页或同一文档中不同部分的功能。通过添加超
阅读更多...
windos server2022里的DFS配置的实现

windos server2022里的DFS配置的实现

《windosserver2022里的DFS配置的实现》DFS是WindowsServer操作系统提供的一种功能,用于在多台服务器上集中管理共享文件夹和文件的分布式存储解决方案,本文就来介绍一下wi... 目录什么是DFS？优势：应用场景：DFS配置步骤什么是DFS？DFS指的是分布式文件系统（Distr
阅读更多...
NFS实现多服务器文件的共享的方法步骤

NFS实现多服务器文件的共享的方法步骤

《NFS实现多服务器文件的共享的方法步骤》NFS允许网络中的计算机之间共享资源,客户端可以透明地读写远端NFS服务器上的文件,本文就来介绍一下NFS实现多服务器文件的共享的方法步骤,感兴趣的可以了解一... 目录一、简介二、部署1、准备1、服务端和客户端：安装nfs-utils2、服务端：创建共享目录3、服
阅读更多...
C#使用yield关键字实现提升迭代性能与效率

C#使用yield关键字实现提升迭代性能与效率

《C#使用yield关键字实现提升迭代性能与效率》yield关键字在C#中简化了数据迭代的方式,实现了按需生成数据,自动维护迭代状态,本文主要来聊聊如何使用yield关键字实现提升迭代性能与效率,感兴... 目录前言传统迭代和yield迭代方式对比yield延迟加载按需获取数据yield break显式示迭
阅读更多...
Python实现高效地读写大型文件

Python实现高效地读写大型文件

《Python实现高效地读写大型文件》Python如何读写的是大型文件,有没有什么方法来提高效率呢,这篇文章就来和大家聊聊如何在Python中高效地读写大型文件,需要的可以了解下... 目录一、逐行读取大型文件二、分块读取大型文件三、使用 mmap 模块进行内存映射文件操作（适用于大文件）四、使用 pand
阅读更多...
python实现pdf转word和excel的示例代码

python实现pdf转word和excel的示例代码

《python实现pdf转word和excel的示例代码》本文主要介绍了python实现pdf转word和excel的示例代码,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... 目录一、引言二、python编程1，PDF转Word2，PDF转Excel三、前端页面效果展示总结一
阅读更多...

Copyright China编程 23002807@qq.com

沪ICP备2023033072号-2