“照片分享”是社交场景中比重很大的一部分，当然现在来看视频(特别是短视频)也变得越来越多，而照片又以人像为主，所以我们看到如QQ空间、微博、微信朋友圈里，自拍、合影占据着大量的版面。人脸相关的应用也越来越多：如相机中嵌入人脸检测，拍照时实时将人脸标注出来；又比如一些相册应用，能根据人脸识别进行照片分类；再比如支付宝的扫脸登录，将人脸作为个人身份ID。

这些应用都以人脸检测、人脸识别技术为基础，检测指将人脸定位出来，找到人脸所在位置，而识别则是匹配出这个人脸是谁，不过通常我们将这两项技术统称为人脸识别。随着深度学习的应用，人脸识别的准确度得到了较大提升，也涌现出了一批相关的初创企业，典型的如旷视科技的Face++，识别准确度一直处于世界前列，产品合作也很多，应用广泛。

“变脸”应用也是以人脸识别为基础，通过对照片中的人脸进行一些操作(如形变、替换等)，从而达到趣味性的照片效果，总体上有如下几类：

一、效果分类

1、人脸拉伸形变

如图，拉伸形变效果相当于在照片上盖一个不规则的透镜，使得一些部位放大，一些部位缩小，或部位发生位移。技术上则是通过像素坐标的重映射来实现。

2、人脸贴图、部位替换

这类效果现在在很多app上都有应用，如美图秀秀、in、Snapchat等，在定位到人脸后，在某些位置贴图，从而形成趣味效果，特别是实时视频，贴图跟随人脸，甚至会有增强现实的体验。

3、人脸交换

人脸交换主要应用在合影上，先定位照片中的两个人脸，然后交换，并做一定的图像融合，使人脸与身体良好衔接。

4、动物、卡通、名画脸部交换

这种也是人脸的替换，只是替换目标是动物脸部或卡通、画作中的人脸。

5、人脸动画

这类应用可以看作是人脸形变与贴图的结合，并且是动态的，有着较强的视觉表现力。

二、Demo实现

前段时间研究了一下人脸替换的实现，并完成了一个简单的demo，效果如下：

即将中间图片的人脸替换到左边画作上的人脸，右边图像是替换结果，可以看出融合度还算不错。算法总体上可分为人脸检测、关键点定位、透视变换、区域提取、色彩转换、边缘融合等步骤。

1、人脸检测

人脸检测即在图像上定位出人脸所在区域，本demo采用DLib库进行人脸检测，代码如下：

dlib::frontal_face_detector detector = dlib::get_frontal_face_detector();
dlib::cv_image<dlib::rgb_pixel> img = cvImg;
std::vector<dlib::rectangle> faces = detector(img);

dlib::shape_predictor sp;

// 读入特征库
dlib::deserialize(LandMarksModelFile) >> sp;

// 取第一张人脸
dlib::full_object_detection shape = sp(img, faces[0]);
for (size_t i = 0; i < shape.num_parts(); i++) {
    dlib::point pt = shape.part(i);
    landmarks.push_back(pt);
}

{
    IdxRange jaw;       // [0 , 16]
    IdxRange rightBrow; // [17, 21]
    IdxRange leftBrow;  // [22, 26]
    IdxRange nose;      // [27, 35]
    IdxRange rightEye;  // [36, 41]
    IdxRange leftEye;   // [42, 47]
    IdxRange mouth;     // [48, 59]
    IdxRange mouth2;    // [60, 67]
}

// 根据landmark估计两个人脸间的单应变换
cv::Mat H = cv::findHomography(face1.landMarks, face2.landMarks);

// 对整个图像应用单应变换
cv::warpPerspective(im1, warpIm1, H, im2.size());

int blurAmount = 5;
cv::Mat maskBlur;
cv::GaussianBlur(histMask, maskBlur, cv::Size(blurAmount, blurAmount), 0);
cv::threshold(maskBlur, histMask, 0, 255, CV_THRESH_BINARY);