HandAI开源项目,拉近人和摄影的距离:基于手势识别完成不同的拍摄行为
- 2020 年 2 月 10 日
- 筆記
在12月初,我诞生了这个想法。现在的拍摄效果的转换都是人和机器通过物理接触完成,包括开始拍摄,各种拍摄效果等,几乎都是通过手指来完成。人类具有丰富的表达自我的能力,手势是表达自我的手段之一。无论是哪个地域的文化,一些手势都有其含义。在深度学习时代,我们完全可以用手势代替手指,告诉机器我们想做什么样的事情,想调换什么拍摄模式,因此HandAI诞生了。固然手指在更多的场合还是很方便,但我做这个事情,不想去探讨手势控制的价值以及实用性,我只是单纯想做这个事情。
效果演示视频:
友情提示:后半段视频声音略大,请调小音量
项目地址 随手赏个star吧((╹▽╹))。
https://github.com/shoutOutYangJie/HandAI/tree/master
项目功能
HandAI能识别 8 种手势。这八种手势是亚洲地区常用的手势,其意义都是积极或中性的,没有贬义手势。
one:背景虚化,实现景深效果,前景人物不虚化
two:背景变化
three:背景调成黑白模式,前景人物依然有色彩。
four:人脸贴纸
five:画面横向复制扩展
good:视频背景转换模式,当右上角出现红点之后,使用yeah手势(two),即可把背景换成视频数据,而不是单纯的图像。
eight:华丽防挡弹幕模式。
ok:结束录制
项目设计思路
项目包括三个深度学习模型,分别是手部关键点检测及识别(算统一的一个模型), 人像精细分割模型,人脸及五个关键点检测。
手部关键点检测以及识别:对每一帧都要运行该模型,用来判断手势的含义(8个类别之一)。
人像分割模型:也是每一帧都要运行,获得前景人物的掩码。用于做背景变化,背景虚化,背景黑白,防挡弹幕。
人脸及五个关键点检测:用于做人脸贴纸。
下面具体讲解,首先看整个项目的结构图,非常简单:
我使用了一个flags.py文件设置各种手势的当前状态。这些状态会保留并施加到下一帧上,所以每个手势都不是独立作用的。正如视频中描述,这些手势对应的效果能一起作用在同一帧上。
手势识别
在2019年8月,谷歌发布了一个能检测手部关键点的开源apk,详见:谷歌开源手势识别器,手机能用,运行流畅,还有现成的App,但是被我们玩坏了 。在他们开放的视频中,该开源模型可以检测手部21个关键点并且识别手势。但是遗憾的是,在开源的代码中,并没有识别手势的部分,仅仅有关键点检测。但是在谷歌发布的博客中,提到了他们识别手势的方法是,判断手部关节点的弯曲程度以及关系。在HandAI中,我使用了他们开源的网络检测手部关键点,根据他们的描述,复现了8种手势的识别。
如果判断手部弯曲程度: 计算指关节到指尖的向量,计算指关节到手掌底部的向量,再计算两个向量的余弦距离。根据余弦距离判断手指的弯曲程度。再把每个手指的状态(弯曲,伸直)映射到一组预定义的手势上即可。不需要在训练一个分类网络。
背景的虚化,变化,黑白效果
关于背景的虚化,变化,以及黑白效果。本质上就是得到了人像的mask,然后把mask迁移到另一张图像上罢了。不多介绍。
人脸贴纸的实现思路:
首先贴纸肯定要往脸上贴,所以需要一个人脸检测网络。还需要确保贴纸能贴到脸上的合理区域,比如猫耳朵不能把人眼睛覆盖了是吧。所以需要关键点检测。越是需要贴的准,贴的多样,就越需要检测多个关键点,一般98个关键点是很合适的,因为关键点还覆盖了头部,可以贴帽子。当然68个点也可以,只是需要根据面部比例算出头部的位置。
在我的项目中,我简化了操作。首先我在网上找到了这样的素材:
这个猫脸贴纸图包含了足够多的部分,所以我没有必要定位每个需要贴纸的位置,贴上合适的贴纸。我只要找到人脸鼻子的位置,和猫鼻子对应。然后计算合适的比例,对猫脸素材缩放,然后把素材的mask找到,算出相对坐标,直接覆盖在人脸上就ok了。
详细说下计算比例的问题。我使用centerFace检测人脸。centerFace还能输出人脸的眼部中心,鼻子,两个嘴角这五个位置的关键点。通过计算人脸鼻子到嘴角(左或者右)的距离,和猫脸素材的鼻子中心到嘴角(估计一下大概位置)的距离,这两个距离的比值,就是猫脸素材应该缩放的尺度。
然后在猫脸素材上求得所有像素点相对于鼻子中心的相对坐标,加上人脸鼻子的坐标,就是猫脸素材应该在人脸图像坐标上的具体位置。
其中,x,y是猫脸素材在猫脸图像坐标系下的坐标。通过函数f1,将坐标变换到人脸坐标系下。
画面扩展
如果检测到了5这个手势,flags将会设置对应的状态。首先会记录手掌中心的位置pospospos。然后后续帧在移动5的过程中,计算当前帧手掌中心和pospospos在x轴的距离,按照合理的比例求出当前画面有多宽的位置应该被扩展。包括画面的扩展,以及收回扩展画面,都是这样做的。
防挡弹幕
防挡弹幕,其中防挡的效果自然是用人像精细分割得到的mask来实现的,不多说。至于这个弹幕效果如何生成。哈哈。将每一条弹幕视作一个对象,加入到队列中。首先没有一个弹幕被发出,所有的弹幕都在一个队列中。每一帧都有弹幕发出,发出的弹幕出列,并进入另一个队列中。所以有两个队列,其中一个队列用来保存没有发出的弹幕,另一个队列用来保存发出的队列。对每一帧,都遍历保存发出的队列,弹幕这个对象中保存了弹幕应该出现的位置,然后draw出来,再把位置更新一下,就是x轴减去一个合理的数值,数值是和fps有关的。
项目例子
推荐先运行webCamera_demo.py看看效果。需要pytorch-GPU, tensorflow2.0等库。在我的电脑,CPU是intel i5-8300, GPU GTX1060(6GB)上,处理速度是5 fps。
同时我还提供了每个模型使用的例子,可以去example文件夹查看。
致谢
本项目受很多开源项目支撑。其中有谷歌的mediapipe,centerFace,PortraitNet。
https://github.com/google/mediapipe
https://github.com/Star-Clouds/CenterFacePortraitNet
https://github.com/dong-x16/PortraitNet
https://tech.sina.com.cn/csj/2019-08-23/doc-ihytcern3008248.shtml
https://github.com/metalwhale/hand_tracking
感谢这些开源项目,今后我也将会秉持开源精神,促进知识传播,共享技术,共同进步。
项目地址 随手赏个star吧((╹▽╹))。
https://github.com/shoutOutYangJie/HandAI/tree/master