編者按：今天的介紹的教程輕松有趣，作者Adrian Rosebrock搭建了一款GIF動圖生成器，其中使用的是OpenCV，這一過程中會提到以下幾點技術：

如何用基于深度學習的方法進行人臉檢測

如何用dlib庫進行人臉標記檢測并提取眼睛部分（因為動圖會在眼睛區域添加眼鏡）

如何計算旋轉角度，讓動圖眼鏡調整到合適位置

最后，如何用OpenCV生成動態GIF

想了解更多細節，就繼續讀下去吧！

準備工作和依賴環境

OpenCV和dlib

OpenCV是常用的人臉識別和基礎圖像處理工具，論智君此前也介紹過OpenCV，感興趣的同學可以閱讀：

當Node.js遇上OpenCV深度神經網絡；

用OpenCV實現八種不同的目標跟蹤算法

此外，Dlib是用來檢測面部標志的工具，可以讓我們定位眼睛在臉部的位置，并且讓“眼鏡”的圖標下降到這一位置。dlib的安裝教程：www.pyimagesearch.com/2018/01/22/install-dlib-easy-complete-guide/

ImageMagick

ImageMagick是一個跨平臺的、基于命令行的工具，能提供多種圖片處理功能，例如只用一行指令就能將PNG/JPG圖像轉換成PDF；多張圖片可以集合在一份PDF中；還可以繪制多邊形、線條或其他形狀。利用ImageMagick，我們還可以用一系列輸入圖像生成GIF圖片。

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

$ sudo apt-get install imagemagick

如果你用的是macOS，可能會用到HomeBrew：

$ brew install imagemagick

imutils

Imutils是一些列基礎圖像處理功能，包括轉換、旋轉、縮放等等。安裝指令：

$ pip install imutils

項目架構

我們的項目分為兩個目錄：

images/：也就是想要對其處理的原始圖像。

assets/：這一文件夾包含了我們的人臉探測器、面部標志檢測器和所有圖像以及相關掩碼。利用這些工具，我們會將“墨鏡”和“Deal With It”的文字添加到輸入圖像中。

由于配置參數較多，我決定創建一個JSON配置文件，不僅能在編輯參數時更容易，命令行的參數也更少。在這一任務中我們所需的所有配置參數都包含在config.json中。

用OpenCV生成GIFs

了解JSON配置文件

首先，我們從JSON配置文件開始。打開config.json，插入以下命令：

第2行和第3行是OpenCV深度學習人臉探測器的模型文件，第四行是dlib的面部標志探測器的路徑。

接下來我們打開一些圖片文件路徑：

5—8行是“墨鏡”和文字“Deal With It”以及相關掩碼的路徑，如下所示：

墨鏡

墨鏡的掩碼

文字

文字的掩碼

掩碼的作用是在照片上覆蓋對應的圖像。現在我們要對這個GIF生成器設置參數：

min_confidence表示人臉識別結果為正的最低概率。

steps表示生成的GIF所需要的幀數。每一個step我們都會將墨鏡從上至下逐幀移動，直到達到目標位置（眼睛）。

delay表示各幀之間的時間延遲。

final_delay表示最后一針的時間延遲。

loop表示GIF是否循環播放。

temp_dir表示臨時輸出的目錄，每一幀都會先存儲在這個文件夾中，再創建最終的GIF圖像。

開始創建

創建一個新文件夾，將其命名為create_gif.py，插入以下代碼，載入imutils、dlib、OpenCV：

接著，定義overlay_image函數：

overlay_image函數是將前景圖像（fg）覆蓋在背景圖像（bg）上，坐標coords通過（x, y）的坐標點表示。

之后，進行alpha合成完成重疊結果：

46—48行中，我們將前景、背景和alpha層轉換為[0,1]之間的浮點。接著，我們在51和52行執行alpha合成。最后，添加前景和背景，得出輸出，返回函數（37—40行）。

接著創建一個幫助函數，可以用ImageMagick從一系列圖片路徑中生成一個GIF：

create_gif函數可以處理一系列圖片，將它們組合成一張GIF動圖，并且還能在幀和幀之間設置一定的延遲或循環。具體來說，在這一函數中我們可以：

提取imagePaths（63行）

提取最后一張圖像的路徑，因為可能有分離的延遲（66行）

重新分配imagePaths，刪除最后一張圖片的路徑（67行）

組合命令行，開始執行convert創建GIF（72—75行）

創建自己腳本的命令行參數：

下載配置文件和“墨鏡”及其掩碼：

將OpenCV深度學習人臉檢測器載入內存中：

為了下載OpenCV的深度學習人臉檢測，我們會調用cv2.dnn.readNetFromCaffe（101和102行）。dnn模塊只能在OpenCV3.3及之后的版本中使用。人臉識別器會呈現出如下結果：

在103行，我們下載了dlib的人臉標志預測器，可以定位臉部以及各器官，例如眼睛、眉毛、鼻子、嘴巴、下巴等等：

接著，讓我們開始檢測臉部：

在這一部分，我們會：

下載輸入的照片image（106行）

創建一個blob，輸入進人臉檢測神經網絡（108和109行）

執行人臉檢測（113和114行）

確定人臉檢測的概率，檢查置信區間（119—124行）。如果標準不符合，我們就簡單地推出腳本（125行），反之則繼續。

提取面部并計算人臉的標記：

得到眼睛的坐標后，我們就能計算將“墨鏡”放置在哪里、應該怎樣放置：

首先，計算每只眼睛的中心以及二者之間的角度（145—151行）。之后對“墨鏡”進行旋轉（155行）和尺寸縮放（161和162行）。

之后，還要對掩碼進行移動，但是首先，我們需要將掩碼轉換成灰度并進行二值化運算（170和171行）。之后在進行旋轉和縮放（172和173行）。

創建GIF的幀：

動圖中，“墨鏡”會從上至下落到圖片中，所以每一幀都呈現的是墨鏡逐漸靠近人臉的過程。利用JSON配置變量steps對墨鏡位置進行調整。

最后一步是添加“DEAL WITH IT”的文字，這需要用另一個掩碼逐幀操作：

生成結果

現在可以看看我們的表情包生成器結果怎樣了，保證你已經下載了源代碼（原文地址見文末），打開終端，執行以下命令：

$ 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檢測到眼睛的位置，結果比較理想！