200余行代码，让你实时从视频中隐身

点击上方蓝色“程序猿DD”，选择“设为星标”

回复“资源”获取独家整理的学习资料！

来源 | 机器之心

只需网页端，秒速消失不留痕。

Jason Mayes 是一名在谷歌工作的资深网页工程师，他长期致力于运用新兴技术提供物联网解决方案。近日，充满奇思妙想的 Mayes 又使用 TensorFlow.js 制作了一个仅用 200 余行代码的项目，名为 Real-Time-Person-Removal。它能够实时将复杂背景中的人像消除，而且仅基于网页端。

现在，Mayes 在 GitHub 上开源了他的代码，并在 Codepen.io 上提供了演示 Demo。从视频中看到，你现在只需要一台能上网的电脑和一个网络摄像头就能体验它。

• 项目地址：github.com/jasonmayes/Real-Time-Person-Removal

• Demo 地址：codepen.io/jasonmayes/pen/GRJqgma

目前，该项目异常火热，在 Github 上已经获得了 3.4k 的 Star 量。

实时隐身不留痕项目作者：Jason Mayes

我们先来看一下运行的效果。下图中，上半部分是原始视频，下半部分是使用 TensorFlow.js 对人像进行消除后的视频。可以看到，除了偶尔会在边缘处留有残影之外，整体效果还是很不错的。

为了展现这个程序在复杂背景下消除人像并重建背景的能力，Mayes 特意在床上放了一台正在播放视频的笔记本电脑。当他的身体遮挡住笔记本电脑时，可以看到消除算法暂停在电脑被遮挡前的播放画面，并能在人移开时迅速地重建出当前画面。

此外，Mayes 还在 Codepen.io 上提供了能够直接运行的示例。只需要点击 Enable Webcam，离开摄像头一段距离确保算法能够较全面的收集到背景图像，之后当你再出现在摄像头前时就能从下方的预览窗口看到「隐形」后的画面了。

网友表示有了这个程序，像之前 BBC 直播中孩子闯进门来那样的大型翻车现场就有救了。

项目运行机制

Mayes 开发的这个人像消除程序背后的运行机制十分简单，他使用了 TensorFlow.js 中提供的一个预训练的 MobileNet，用于人像分割。

const bodyPixProperties = {
  architecture: 'MobileNetV1',
  outputStride: 16,
  multiplier: 0.75,
  quantBytes: 4
};

TensorFlow.js 提供的部分计算机视觉预训练模型。

MobileNet 是谷歌在 2017 年针对移动端和嵌入式设备提出的网络，针对图像分割。其核心思想是使用深度可分离卷积构建快速轻量化的网络架构。Mayes 选择使用它的原因也是出于其轻量化的原因，假如使用 YOLO 或者 Fast-RCNN 这类物体检测算法的话，在移动端就很难做到实时性。

通过 MobileNet 的输出获得检测到人物像素的边界框。

// Go through pixels and figure out bounding box of body pixels.
  for (let x = 0; x < canvas.width; x++) {
    for (let y = 0; y < canvas.height; y++) {
      let n = y * canvas.width + x;
      // Human pixel found. Update bounds.
      if (segmentation.data[n] !== 0) {
        if(x < minX) {
          minX = x;
        }

        if(y < minY) {
          minY = y;
        }

        if(x > maxX) {
          maxX = x;
        }

        if(y > maxY) {
          maxY = y;
        }
        foundBody = true;
      }
    } 
  }

为避免人物没有被检测完全的现象，这里使用变量额 scale 对检测区域进行适当放缩。这个 1.3 的参数是测试出来的，感兴趣的读者可以调整试试看。

// Calculate dimensions of bounding box.
  var width = maxX - minX;
  var height = maxY - minY;

  // Define scale factor to use to allow for false negatives around this region.
  var scale = 1.3;

  //  Define scaled dimensions.
  var newWidth = width * scale;
  var newHeight = height * scale;

  // Caculate the offset to place new bounding box so scaled from center of current bounding box.
  var offsetX = (newWidth - width) / 2;
  var offsetY = (newHeight - height) / 2;

  var newXMin = minX - offsetX;
  var newYMin = minY - offsetY;

之后对人物 bounding box 之外的区域进行更新，并且当检测到人物移动时，更新背景区域。

// Now loop through update backgound understanding with new data
  // if not inside a bounding box.
  for (let x = 0; x < canvas.width; x++) {
    for (let y = 0; y < canvas.height; y++) {
      // If outside bounding box and we found a body, update background.
      if (foundBody && (x < newXMin || x > newXMin + newWidth) || ( y < newYMin || y > newYMin + newHeight)) {
        // Convert xy co-ords to array offset.
        let n = y * canvas.width + x;

        data[n * 4] = dataL[n * 4];
        data[n * 4 + 1] = dataL[n * 4 + 1];
        data[n * 4 + 2] = dataL[n * 4 + 2];
        data[n * 4 + 3] = 255;            

      } else if (!foundBody) {
        // No body found at all, update all pixels.
        let n = y * canvas.width + x;
        data[n * 4] = dataL[n * 4];
        data[n * 4 + 1] = dataL[n * 4 + 1];
        data[n * 4 + 2] = dataL[n * 4 + 2];
        data[n * 4 + 3] = 255;    
      }
    }
  }

  ctx.putImageData(imageData, 0, 0);

  if (DEBUG) {
    ctx.strokeStyle = "#00FF00"
    ctx.beginPath();
    ctx.rect(newXMin, newYMin, newWidth, newHeight);
    ctx.stroke();
  }
}

至此为算法的核心部分，用了这个程序，你也可以像灭霸一样弹一个响指（单击一下鼠标）让人凭空消失。

热门的「视频隐身术」

其实，这并非机器之心报道的第一个消除视频中人像的项目。

2019 年，我们也曾报道过「video-object-removal」项目。在此项目中，只要画个边界框，模型就能自动追踪边界框内的物体，并在视频中隐藏它。

项目地址：github.com/zllrunning/video-object-removal

但从项目效果来看，也会有一些瑕疵，例如去掉了行人后，背景内的车道线对不齐等。

与 Mayes 的这个项目类似，video-object-removal 主要借鉴了 SiamMask 与 Deep Video Inpainting，它们都来自 CVPR 2019 的研究。通过 SiamMask 追踪视频中的目标，并将 Mask 传递给 Deep Video Inpainting，然后模型就能重建图像，完成最终的修复了。

对此类技术感兴趣的读者可自行运行下这两个项目，做下对比。

往期推荐

扫一扫，关注我

一起学习，一起进步