搭建了一款GIF动图生成器，其中使用的是OpenCV

编者按：今天的介绍的教程轻松有趣，作者Adrian Rosebrock搭建了一款GIF动图生成器，其中使用的是OpenCV，这一过程中会提到以下几点技术：

如何用基于深度学习的方法进行人脸检测

如何用dlib库进行人脸标记检测并提取眼睛部分（因为动图会在眼睛区域添加眼镜）

如何计算旋转角度，让动图眼镜调整到合适位置

最后，如何用OpenCV生成动态GIF

想了解更多细节，就继续读下去吧！

准备工作和依赖环境

OpenCV和dlib

OpenCV是常用的人脸识别和基础图像处理工具，论智君此前也介绍过OpenCV，感兴趣的同学可以阅读：

当Node.js遇上OpenCV深度神经网络；

用OpenCV实现八种不同的目标跟踪算法

此外，Dlib是用来检测面部标志的工具，可以让我们定位眼睛在脸部的位置，并且让“眼镜”的图标下降到这一位置。dlib的安装教程：www.pyimagesearch.com/2018/01/22/install-dlib-easy-complete-guide/

ImageMagick

ImageMagick是一个跨平台的、基于命令行的工具，能提供多种图片处理功能，例如只用一行指令就能将PNG/JPG图像转换成PDF；多张图片可以集合在一份PDF中；还可以绘制多边形、线条或其他形状。利用ImageMagick，我们还可以用一系列输入图像生成GIF图片。

在Ununtu（或Raspbian）上用apt安装ImageMagick的指令如下：

$ sudo apt-get install imagemagick

如果你用的是macOS，可能会用到HomeBrew：

$ brew install imagemagick

imutils

Imutils是一些列基础图像处理功能，包括转换、旋转、缩放等等。安装指令：

$ pip install imutils

项目架构

我们的项目分为两个目录：

images/：也就是想要对其处理的原始图像。

assets/：这一文件夹包含了我们的人脸探测器、面部标志检测器和所有图像以及相关掩码。利用这些工具，我们会将“墨镜”和“Deal With It”的文字添加到输入图像中。

由于配置参数较多，我决定创建一个JSON配置文件，不仅能在编辑参数时更容易，命令行的参数也更少。在这一任务中我们所需的所有配置参数都包含在config.json中。

用OpenCV生成GIFs

了解JSON配置文件

首先，我们从JSON配置文件开始。打开config.json，插入以下命令：

第2行和第3行是OpenCV深度学习人脸探测器的模型文件，第四行是dlib的面部标志探测器的路径。

接下来我们打开一些图片文件路径：

5—8行是“墨镜”和文字“Deal With It”以及相关掩码的路径，如下所示：

墨镜

墨镜的掩码

文字

文字的掩码

掩码的作用是在照片上覆盖对应的图像。现在我们要对这个GIF生成器设置参数：

min_confidence表示人脸识别结果为正的最低概率。

steps表示生成的GIF所需要的帧数。每一个step我们都会将墨镜从上至下逐帧移动，直到达到目标位置（眼睛）。

delay表示各帧之间的时间延迟。

final_delay表示最后一针的时间延迟。

loop表示GIF是否循环播放。

temp_dir表示临时输出的目录，每一帧都会先存储在这个文件夹中，再创建最终的GIF图像。

开始创建

创建一个新文件夹，将其命名为create_gif.py，插入以下代码，载入imutils、dlib、OpenCV：

接着，定义overlay_image函数：

overlay_image函数是将前景图像（fg）覆盖在背景图像（bg）上，坐标coords通过（x, y）的坐标点表示。

之后，进行alpha合成完成重叠结果：

46—48行中，我们将前景、背景和alpha层转换为[0,1]之间的浮点。接着，我们在51和52行执行alpha合成。最后，添加前景和背景，得出输出，返回函数（37—40行）。

接着创建一个帮助函数，可以用ImageMagick从一系列图片路径中生成一个GIF：

create_gif函数可以处理一系列图片，将它们组合成一张GIF动图，并且还能在帧和帧之间设置一定的延迟或循环。具体来说，在这一函数中我们可以：

提取imagePaths（63行）

提取最后一张图像的路径，因为可能有分离的延迟（66行）

重新分配imagePaths，删除最后一张图片的路径（67行）

组合命令行，开始执行convert创建GIF（72—75行）

创建自己脚本的命令行参数：

下载配置文件和“墨镜”及其掩码：

将OpenCV深度学习人脸检测器载入内存中：

为了下载OpenCV的深度学习人脸检测，我们会调用cv2.dnn.readNetFromCaffe（101和102行）。dnn模块只能在OpenCV3.3及之后的版本中使用。人脸识别器会呈现出如下结果：

在103行，我们下载了dlib的人脸标志预测器，可以定位脸部以及各器官，例如眼睛、眉毛、鼻子、嘴巴、下巴等等：

接着，让我们开始检测脸部：

在这一部分，我们会：

下载输入的照片image（106行）

创建一个blob，输入进人脸检测神经网络（108和109行）

执行人脸检测（113和114行）

确定人脸检测的概率，检查置信区间（119—124行）。如果标准不符合，我们就简单地推出脚本（125行），反之则继续。

提取面部并计算人脸的标记：

得到眼睛的坐标后，我们就能计算将“墨镜”放置在哪里、应该怎样放置：

首先，计算每只眼睛的中心以及二者之间的角度（145—151行）。之后对“墨镜”进行旋转（155行）和尺寸缩放（161和162行）。

之后，还要对掩码进行移动，但是首先，我们需要将掩码转换成灰度并进行二值化运算（170和171行）。之后在进行旋转和缩放（172和173行）。

创建GIF的帧：

动图中，“墨镜”会从上至下落到图片中，所以每一帧都呈现的是墨镜逐渐靠近人脸的过程。利用JSON配置变量steps对墨镜位置进行调整。

最后一步是添加“DEAL WITH IT”的文字，这需要用另一个掩码逐帧操作：

生成结果

现在可以看看我们的表情包生成器结果怎样了，保证你已经下载了源代码（原文地址见文末），打开终端，执行以下命令：

$ python create_gif.py --config config.json --image images/adrian.jpg

--output adrian_out.gif

[INFO] loading models...

[INFO] computing object detections...

[INFO] creating GIF...

[INFO] cleaning up...

可以看到，生成器能在不同角度检测到眼睛的位置，结果比较理想！