使用 MediaPipe 和 OpenCV 快速生成人脸掩膜(Face Mask)

在实际项目中,尤其是涉及人脸识别、换脸、图像修复等任务时,我们经常需要生成人脸区域的掩膜(mask) 。这篇文章分享一个简单易用的小工具,利用 MediaPipe 和 OpenCV,快速提取人脸轮廓并生成二值掩膜图像。

下面是完整代码,配合详细讲解,适合初学者和需要快速上手的小伙伴!

环境准备

首先,需要安装以下 Python 库(如果尚未安装,可以用 pip 安装):

bash 复制代码
pip install opencv-python mediapipe pillow numpy

核心代码

python 复制代码
import cv2
import numpy as np
import mediapipe as mp
from PIL import Image

def generate_face_mask(image_path, save_path=None, show=False):
    # 初始化 MediaPipe 的 FaceMesh 模型
    mp_face_mesh = mp.solutions.face_mesh
    face_mesh = mp_face_mesh.FaceMesh(static_image_mode=True, refine_landmarks=True)

    # 读取图像
    img = cv2.imread(image_path)
    h, w, _ = img.shape

    # 人脸检测与关键点提取
    results = face_mesh.process(cv2.cvtColor(img, cv2.COLOR_BGR2RGB))

    # 初始化黑色背景的 mask
    mask = np.zeros((h, w), dtype=np.uint8)

    # 如果检测到人脸
    if results.multi_face_landmarks:
        for face_landmarks in results.multi_face_landmarks:
            # 获取人脸关键点坐标
            points = [(int(p.x * w), int(p.y * h)) for p in face_landmarks.landmark]
            # 使用凸包(convex hull)拟合整个脸部区域
            hull = cv2.convexHull(np.array(points))
            # 将凸包区域填充为白色
            cv2.fillConvexPoly(mask, hull, 255)

    # 可选:展示生成的 mask
    if show:
        cv2.imshow("Mask", mask)
        cv2.waitKey(0)

    # 保存 mask 到本地
    if save_path:
        cv2.imwrite(save_path, mask)

    return mask

# 使用示例
generate_face_mask(
    image_path="face.png",  # 替换为你的图像路径
    save_path="face_mask.png",
    # show=True  # 如果想看效果可以打开
)

代码讲解

  • MediaPipe FaceMesh

    • MediaPipe 提供了轻量级的人脸关键点检测(共468个关键点),非常适合快速处理。
    • refine_landmarks=True 参数会进一步优化面部区域,如眼睛轮廓、嘴唇轮廓。
  • 提取关键点并绘制凸包(Convex Hull)

    • 为了保证 mask 的完整性,不直接用单个关键点连线,而是用 OpenCV 的 convexHull 函数,将人脸外围自动拟合成一个封闭轮廓。
    • 这样能确保 mask 覆盖整个脸部,即便脸部角度有倾斜或旋转。
  • 保存掩膜(mask)

    • 最后生成的是一张黑白二值图,白色部分为人脸区域,黑色为背景,非常适合后续做图像分割、融合等任务。

效果示例

输入图片:

生成的人脸掩膜:

应用场景

  • 换脸(Face Swap):掩膜用于融合不同人脸区域。
  • 肖像图像处理:美颜、磨皮、特效。
  • 图像修复(Inpainting):只修复人脸区域,背景保持不变。
  • 身份保护:打码或模糊特定人脸区域。

小结

这个方法虽然简单,但实用性非常高,适用于各种需要人脸掩膜的小项目。如果需要更精细的面部特征(比如眼睛、嘴巴分开处理),还可以在此基础上扩展 ------ 例如结合不同 landmark 区域单独提取。

希望这篇分享能帮到你,动手试试看吧!👍

相关推荐
天天扭码10 分钟前
从图片到语音:我是如何用两大模型API打造沉浸式英语学习工具的
前端·人工智能·github
Tony沈哲11 分钟前
macOS 上为 Compose Desktop 构建跨架构图像处理 dylib:OpenCV + libraw + libheif 实践指南
opencv·算法
张彦峰ZYF42 分钟前
从检索到生成:RAG 如何重构大模型的知识边界?
人工智能·ai·aigc
刘海东刘海东43 分钟前
结构型智能科技的关键可行性——信息型智能向结构型智能的转变(修改提纲)
人工智能·算法·机器学习
**梯度已爆炸**1 小时前
NLP文本预处理
人工智能·深度学习·nlp
uncle_ll1 小时前
李宏毅NLP-8-语音模型
人工智能·自然语言处理·语音识别·语音模型·lm
Liudef061 小时前
FLUX.1-Kontext 高效训练 LoRA:释放大语言模型定制化潜能的完整指南
人工智能·语言模型·自然语言处理·ai作画·aigc
静心问道1 小时前
大型语言模型中的自动化思维链提示
人工智能·语言模型·大模型
众链网络2 小时前
你的Prompt还有很大提升
人工智能·prompt·ai写作·ai工具·ai智能体
汀沿河2 小时前
2 大模型高效参数微调;prompt tunning
人工智能·深度学习·prompt