分享篇 - DeepFake 换脸技术在移动端的应用

目录：

1. 简介
2. FaceSwap 介绍
3. FaceSwap 原理
4. 如何在移动端部署换脸

 

1. 简介

2018 年，AI 最火的应用是什么？换脸当之无愧的霸榜！同时衍生出一个词汇：DeepFake (深度造假).

各种 deepfake 框架层出不穷，从 fakeapp, faceswap 到 deepfacelab，各种新奇好玩的视频百花齐放，从哔哩哔哩到 pornhub. 不过这些框架的使用门槛非常高，第一需要搭建复杂的运行环境，第二需要高端的硬件支持。目前国内有不少关于 deepfake 的主题社区，如 deepfakes 中文站：http://www.deepfake.com.cn，里面有各种使用教程和调参手册。

直到 2019 年，ZAO 火了，整个朋友圈都在 AI 换脸。ZAO，是隶属于 MoMo 公司的一款产品，使用门槛非常低，只需要一张清晰的人脸图片，即可成功换脸，除了一些角度融合，表情僵硬，边缘处理等问题，整体效果已经非常不错了。虽然比不上系统训练几十个小时（俗称炼丹）的成品，但是这个产出速度，不得不大写的服。

换脸在中国已经被禁了，因为其存在诸多人伦，安全等因素。主要是肖像权侵犯、隐私侵犯、不良视频传播、损害原创作品等问题。而且目前甚至连声音都可以模仿造假，一旦被不法分子利用，后果不堪设想。比如 AI 换脸曾被利用制作 YH 视频，ZAO 条款里收集人脸信息等。下图是 ZAO app 之前的安全问题：

 

 

2. FaceSwap 介绍

笔者之前有基于 FaceSwap 做过换脸相关的应用，而且 FaceSwap 在 github 上的更新与讨论十分热烈，可以说完全看不到趋冷的迹象。

之前我们做训练的时候，因为是在区块链公司，公司有自己的矿场和显卡。所以就是几个同事跟着一懂硬件的哥们打下手，从组装显卡，调风扇，功率，装系统到搭建环境。最终弄好了四台 4 卡的机器，弄坏了 2 张卡，之前由于区块链的火爆，显卡价格飙升，当时 N 卡差不多 2000 一张。整个过程大概用了 2 周，跑完后，因为主机没有显示器，所以使用 TeamViewer 远程控制。每天就是用爬虫爬网络视频，然后训练模型。要达到两张人脸训练的模型 lose (丢失率）到 0.1 以下，一台 4 张 N 卡的机器大概需要 20 几个小时。最终出来的效果并不是那么理想，换好的人脸视频色差大，并且一些特定的表情有跳帧现象。然后就不断地进行调参。Faceswap 支持人脸检测框架 (MTCNN, Dlib)、使用的显卡数、后处理效果 (边缘融合，高斯模糊，色差等) 等选项。

FaceSwap github: https://github.com/deepfakes/faceswap。对于 FaceSwap 文档，我这边简单提炼了一下：

 

• 2.1 硬件环境
• 强大的 CPU，笔记本电脑的 CPU 通常可以运行该软件，但其速度不足以以合理的速度进行训练；
• 强大的 GPU，当前，完全支持 Nvidia GPU。 plaidML 部分支持 AMD 和 AMD 显卡；
• 强大的耐心。

 

• 2.2 支持的操作系统

window 7, window 8, window 10, linux, mac os，以上所有的系统都必须是 64 位，才能支持运行。

 

• 2.3 软件环境

git, python, Conda3, CUDA, CUDNN, Tensorflow-gpu, OpenCV, FFMpeg, FaceSwap 客户端。

 

• 2.4 流程简介

• 抽取：在你设置的文件夹中，运行 pythonfaceswap.py extract。 这将从 src 文件夹中拍摄照片并将脸部提取到提取文件夹中，也可以是从视频中，视频的话就是使用 FFMpeg 将视频分割成一帧帧再处理。
• 训练：从你的设置文件夹中，运行 python faceswap.py train。 这将从两个包含两张面孔图片的文件夹中拍摄照片，并训练一个将保存在 models 文件夹中的模型（这个时间非常长，占整个流程的 90% 以上)。
• 转换：在你的设置文件夹中，运行 python faceswap.py convert。 这将从原始文件夹中拍摄照片，并将新面孔应用到修改后的文件夹中。

你可以通过命令行来执行这些操作，也可以使用 GUI 程序快速使用。

 

 

3. FaceSwap 原理

代码结构：

流程图：

 

• 3.1 数据前处理

 

• 3.2 训练

 

• 3.3 转换

 

• 3.4 视频合成

• 3.5 出现的问题

我们使用 FaceSwap 部署完环境，在 GUI 上运行，对一些视频素材使用 N 卡机器训练了 20 几个小时，最终达到的效果并不理想。原因有以下几个点：

• 1. 源视频问题：如果源视频色彩，清晰度，脸型，角度等和目标视频相差过大，最终出来的效果，在合成的图片边缘，角度出现了严重的不协调。
• 2. 耗时严重：经过各种调参，发现多卡并行与打卡运行，在  GPU 训练时，速度相差不大，查找原因是多卡需要更多的数据交换操作。
• 3. 内存占用高：内存占用非常高，导致显卡发热严重，最终使用脚本来控制显卡的使用率、功率，风扇温度等。

最终产出了一个数据：

 

 

4. 如何在移动端部署换脸

整个换脸过程包括数据前处理，训练，合成。其中训练和合成在后端来处理，而移动端只需要做数据前处理。

数据前处理包括：视频录制，人脸检测，人脸旋转 & 缩放处理，关键点数据生成，人脸图像保存。

下面来一次对这几个步骤做一下分析。

 

• 4.1 视频录制与图片处理

视频录制使用 TextureView + Camera2 进行，目前做的处理是实时的识别人脸。

  // 设置每帧回调，比 textureView.getBitmap() 更快，采用 YUV_420_888
            imageReader = ImageReader.newInstance(previewSize.getWidth(),
                    previewSize.getHeight(), ImageFormat.YUV_420_888, 2);
            imageReader.setOnImageAvailableListener(new OnImageAvailableListener() {
                @Override
                public void onImageAvailable(ImageReader imageReader) {
                    final int width = previewSize.getWidth();
                    final int height = previewSize.getHeight();
                    if (rgbBytes == null) {
                        rgbBytes = new int[width * height];
                    }
                    final Image image = imageReader.acquireLatestImage();
                    if (image == null)
                        return;
                    if (onCamera2FrameListener == null)
                        throw new RuntimeException("Set OnCamera2FrameListener first!");
                    // 此处需要加上限制，否则缓冲区会出问题
                    if (isProcessingImage) {
                        image.close();
                        return;
                    }
                    isProcessingImage = true;
                    Trace.beginSection("imageAvailable");
                    taskExecutor.execute(new Runnable() {
                        @Override
                        public void run() {
                            try {
                                final Plane[] planes = image.getPlanes();
                                fillBytes(planes, yuvBytes);
                                yRowStride = planes[0].getRowStride();
                                final int uvRowStride = planes[1].getRowStride();
                                final int uvPixelStride = planes[1].getPixelStride();

                                ImageUtils.convertYUV420ToARGB8888(yuvBytes[0], yuvBytes[1], yuvBytes[2],
                                        width, height, yRowStride, uvRowStride, uvPixelStride, rgbBytes);

                                // 先根据图片数据创建位图
                                Bitmap rgbBitmap = Bitmap.createBitmap(width, height, Config.ARGB_8888);
                                rgbBitmap.setPixels(rgbBytes, 0, width, 0, 0, width, height);
                                // YUV 图像是旋转过的
                                final Bitmap bitmap = ImageUtils.adjustPhotoRotation(rgbBitmap, 360 - sensorOrientation);
                                rgbBitmap.recycle();
                                // 先执行完图片处理
                                backgroundHandler.post(new Runnable() {
                                    @Override
                                    public void run() {
                                        onCamera2FrameListener.onImageAvailable(bitmap);
                                    }
                                });
                                image.close();
                                isProcessingImage = false;
                            } catch (Exception e) {
                                e.printStackTrace();
                            }
                        }
                    });
                    Trace.endSection();
                }
            }, backgroundHandler);

YUV 图像处理，先科普下 YUV：

RGB 模型是目前常用的一种彩色信息表达方式，它使用红、绿、蓝三原色的亮度来定量表示颜色。该模型也称为加色混色模型，是以RGB三色光互相叠加来实现混色的方法，因而适合于显示器等发光体的显示。

YUV，分为三个分量，"Y" 表示明亮度 (Luminance或Luma)，也就是灰度值；而 "U" 和 "V" 表示的则是色度 (Chrominance或 Chroma)，作用是描述影像色彩及饱和度，用于指定像素的颜色。

与我们熟知的 RGB 类似，YUV 也是一种颜色编码方法，主要用于电视系统以及模拟视频领域，它将亮度信息 (Y) 与色彩信息 (UV) 分离，没有 UV 信息一样可以显示完整的图像（是不是写错了），只不过是黑白的，这样的设计很好地解决了彩色电视机与黑白电视的兼容问题。并且，YUV 不像 RGB 那样要求三个独立的视频信号同时传输，所以用 YUV 方式传送占用极少的频宽。

比如常见的手机直播流程：

目前 Android 本身提供了 YUVImage，用于摄像头预览回调的每一帧 Nv21 数据做 jpeg 压缩，不过这个 convertNv21ToJpeg 函数存在着内存泄漏。目前主流的处理方式还是通过 JNI，网上 YUV 的旋转，转换算法还是非常多的。

#include 
#include 
#include 

#include "rgb2yuv.h"
#include "yuv2rgb.h"

#define IMAGEUTILS_METHOD(METHOD_NAME) \
  Java_com_wayne_face_ImageUtils_##METHOD_NAME  // NOLINT

#ifdef __cplusplus
extern "C" {
#endif

JNIEXPORT void JNICALL
IMAGEUTILS_METHOD(convertYUV420SPToARGB8888)(
    JNIEnv* env, jclass clazz, jbyteArray input, jintArray output,
    jint width, jint height, jboolean halfSize);

JNIEXPORT void JNICALL IMAGEUTILS_METHOD(convertYUV420ToARGB8888)(
    JNIEnv* env, jclass clazz, jbyteArray y, jbyteArray u, jbyteArray v,
    jintArray output, jint width, jint height, jint y_row_stride,
    jint uv_row_stride, jint uv_pixel_stride, jboolean halfSize);

JNIEXPORT void JNICALL IMAGEUTILS_METHOD(convertYUV420SPToRGB565)(
    JNIEnv* env, jclass clazz, jbyteArray input, jbyteArray output, jint width,
    jint height);

JNIEXPORT void JNICALL
IMAGEUTILS_METHOD(convertARGB8888ToYUV420SP)(
    JNIEnv* env, jclass clazz, jintArray input, jbyteArray output,
    jint width, jint height);

JNIEXPORT void JNICALL
IMAGEUTILS_METHOD(convertRGB565ToYUV420SP)(
    JNIEnv* env, jclass clazz, jbyteArray input, jbyteArray output,
    jint width, jint height);

#ifdef __cplusplus
}
#endif

JNIEXPORT void JNICALL
IMAGEUTILS_METHOD(convertYUV420SPToARGB8888)(
    JNIEnv* env, jclass clazz, jbyteArray input, jintArray output,
    jint width, jint height, jboolean halfSize) {
  jboolean inputCopy = JNI_FALSE;
  jbyte* const i = env->GetByteArrayElements(input, &inputCopy);

  jboolean outputCopy = JNI_FALSE;
  jint* const o = env->GetIntArrayElements(output, &outputCopy);

  if (halfSize) {
    ConvertYUV420SPToARGB8888HalfSize(reinterpret_cast(i),
                                      reinterpret_cast(o), width,
                                      height);
  } else {
    ConvertYUV420SPToARGB8888(reinterpret_cast(i),
                              reinterpret_cast(i) + width * height,
                              reinterpret_cast(o), width, height);
  }

  env->ReleaseByteArrayElements(input, i, JNI_ABORT);
  env->ReleaseIntArrayElements(output, o, 0);
}

JNIEXPORT void JNICALL IMAGEUTILS_METHOD(convertYUV420ToARGB8888)(
    JNIEnv* env, jclass clazz, jbyteArray y, jbyteArray u, jbyteArray v,
    jintArray output, jint width, jint height, jint y_row_stride,
    jint uv_row_stride, jint uv_pixel_stride, jboolean halfSize) {
  jboolean inputCopy = JNI_FALSE;
  jbyte* const y_buff = env->GetByteArrayElements(y, &inputCopy);
  jboolean outputCopy = JNI_FALSE;
  jint* const o = env->GetIntArrayElements(output, &outputCopy);

  if (halfSize) {
    ConvertYUV420SPToARGB8888HalfSize(reinterpret_cast(y_buff),
                                      reinterpret_cast(o), width,
                                      height);
  } else {
    jbyte* const u_buff = env->GetByteArrayElements(u, &inputCopy);
    jbyte* const v_buff = env->GetByteArrayElements(v, &inputCopy);

    ConvertYUV420ToARGB8888(
        reinterpret_cast(y_buff), reinterpret_cast(u_buff),
        reinterpret_cast(v_buff), reinterpret_cast(o),
        width, height, y_row_stride, uv_row_stride, uv_pixel_stride);

    env->ReleaseByteArrayElements(u, u_buff, JNI_ABORT);
    env->ReleaseByteArrayElements(v, v_buff, JNI_ABORT);
  }

  env->ReleaseByteArrayElements(y, y_buff, JNI_ABORT);
  env->ReleaseIntArrayElements(output, o, 0);
}

JNIEXPORT void JNICALL IMAGEUTILS_METHOD(convertYUV420SPToRGB565)(
    JNIEnv* env, jclass clazz, jbyteArray input, jbyteArray output, jint width,
    jint height) {
  jboolean inputCopy = JNI_FALSE;
  jbyte* const i = env->GetByteArrayElements(input, &inputCopy);

  jboolean outputCopy = JNI_FALSE;
  jbyte* const o = env->GetByteArrayElements(output, &outputCopy);

  ConvertYUV420SPToRGB565(reinterpret_cast(i),
                          reinterpret_cast(o), width, height);

  env->ReleaseByteArrayElements(input, i, JNI_ABORT);
  env->ReleaseByteArrayElements(output, o, 0);
}

JNIEXPORT void JNICALL
IMAGEUTILS_METHOD(convertARGB8888ToYUV420SP)(
    JNIEnv* env, jclass clazz, jintArray input, jbyteArray output,
    jint width, jint height) {
  jboolean inputCopy = JNI_FALSE;
  jint* const i = env->GetIntArrayElements(input, &inputCopy);

  jboolean outputCopy = JNI_FALSE;
  jbyte* const o = env->GetByteArrayElements(output, &outputCopy);

  ConvertARGB8888ToYUV420SP(reinterpret_cast(i),
                            reinterpret_cast(o), width, height);

  env->ReleaseIntArrayElements(input, i, JNI_ABORT);
  env->ReleaseByteArrayElements(output, o, 0);
}

JNIEXPORT void JNICALL
IMAGEUTILS_METHOD(convertRGB565ToYUV420SP)(
    JNIEnv* env, jclass clazz, jbyteArray input, jbyteArray output,
    jint width, jint height) {
  jboolean inputCopy = JNI_FALSE;
  jbyte* const i = env->GetByteArrayElements(input, &inputCopy);

  jboolean outputCopy = JNI_FALSE;
  jbyte* const o = env->GetByteArrayElements(output, &outputCopy);

  ConvertRGB565ToYUV420SP(reinterpret_cast(i),
                          reinterpret_cast(o), width, height);

  env->ReleaseByteArrayElements(input, i, JNI_ABORT);
  env->ReleaseByteArrayElements(output, o, 0);
}

 

• 4.2 人脸检测与关键点获取

注：人脸检测需要依靠机器学习的推断 (inference)，所以需要依赖：

implementation 'org.tensorflow:tensorflow-android:+'

class CameraFragment : Fragment(), TextureView.SurfaceTextureListener, Camera2Wrapper.OnCamera2FrameListener {

    private val mContext: Context? = FaceDetectApp.sAppContext

    /**
     * TextureView
     */
    private var mTextureView: AutoFitTextureView? = null
    /**
     * 人脸框和关键点控件
     */
    private var mBoundingBoxView: BoundingBoxView? = null

    /**
     * MTCNN 进行人脸检测，检测效果比 DLib 更佳，目前返回的数据包括人脸的 (x, y, w, h) 和 5 个关键点
     */
    private var mtcnn: MTCNN? = null
    /**
     * 相机包装类
     */
    private var mCamera2Wrapper: Camera2Wrapper? = null

    /**
     * Handler 对象
     */
    private val mHandler = android.os.Handler()

    /**
     * 构造器
     */
    init {
        if (Constants.LOG_DEBUG)
            Log.i(TAG, "CameraFragment construct")
    }

    override fun onCreateView(inflater: LayoutInflater, container: ViewGroup?, savedInstanceState: Bundle?): View? {
        return inflater.inflate(R.layout.fragment_camera, container, false)
    }

    override fun onViewCreated(view: View, savedInstanceState: Bundle?) {
        mTextureView = view.findViewById(R.id.textureView)
        mCamera2Wrapper = Camera2Wrapper(activity, mTextureView)
        mCamera2Wrapper?.setOnCamera2FrameListener(this)
        mBoundingBoxView = view.findViewById(R.id.boundingBoxView)
        val switchCameraBtn: View = view.findViewById(R.id.camera_switch_View)
        switchCameraBtn.setOnClickListener { mCamera2Wrapper?.switchCamera() }
        init_MTCNN()
    }

    override fun onResume() {
        super.onResume()
        mCamera2Wrapper?.startBackgroundThread()
        when (mTextureView?.isAvailable()) {
            true -> {
                mCamera2Wrapper?.openCamera(
                    mTextureView?.getWidth() ?: 0,
                    mTextureView?.getHeight() ?: 0
                )
            }
            false -> {
                mTextureView?.setSurfaceTextureListener(this)
            }
        }
    }

    override fun onPause() {
        super.onPause()
        mCamera2Wrapper?.closeCamera()
        mCamera2Wrapper?.stopBackgroundThread()
    }

    override fun onDestroy() {
        super.onDestroy()
        mCamera2Wrapper?.release()
    }

    override fun onSurfaceTextureAvailable(surface: SurfaceTexture?, width: Int, height: Int) {
        mCamera2Wrapper?.openCamera(width, height)
    }

    override fun onSurfaceTextureSizeChanged(surface: SurfaceTexture?, width: Int, height: Int) {
        mCamera2Wrapper?.configureTransform(width, height)
    }

    override fun onSurfaceTextureUpdated(surface: SurfaceTexture?) {
    }

    override fun onSurfaceTextureDestroyed(surface: SurfaceTexture?): Boolean {
        return false
    }

    override fun onImageAvailable(bitmap: Bitmap) {
        if (mtcnn != null) {
            Thread(Runnable {
                Log.d(TAG, "begin detect faces")
                val results: Vector?
                // 同步 this || this@CameraFragment
                synchronized(this@CameraFragment) {
                    results = mtcnn?.detectFaces(bitmap, 40)
                }
                Log.d(TAG, "end detect faces")
                if (results != null && results.size > 0) {
                    mHandler.postAtFrontOfQueue {
                        if (AppUtils.isSecureContextForUI(activity)) {
                            mBoundingBoxView?.setResults(results)
                        }
                    }
                } else {
                    bitmap.recycle()
                }
            }).start()
        }
    }

    private fun init_MTCNN() {
        Thread(Runnable {
            Log.d(TAG, "initMTCNN_DLib begin")
            /**
             * 拷贝 DLib 需要的模型到 SD 卡
             */
            /**
             * 拷贝 DLib 需要的模型到 SD 卡
             */
            val faceShapeModelPath = Constants.getFaceShapeModelPath()
            if (!File(faceShapeModelPath).exists()) {
                FileUtils.copyFileFromAssetsToOthers(
                    mContext,
                    Constants.FACE_SHAPE_MODEL_PATH, faceShapeModelPath
                )
            }
            mtcnn = MTCNN(activity?.assets)
            Log.d(TAG, "initMTCNN_DLib end")
        }).start()
    }

    companion object {
        private const val TAG = "CameraFragment"

        fun newInstance(): CameraFragment {
            return CameraFragment()
        }
    }
}

由于是之前的公司项目，所以部分代码不方便开源，我这边写了一个小 demo，感兴趣的同学可以前往：https://github.com/kuangzhongwen/MTCNN_FaceDetect