别@微信团队了，我用Python给自己戴上了圣诞帽！

这几天，你的朋友圈一定被“请给我一顶圣诞帽@微信官方”刷屏了……很多不知真相的网友也纷纷求问如何给自己的头像加上圣诞帽。

圣诞帽火了，上亿人疯狂@微信官方

圣诞节到了，朋友圈悄悄地掀起一股加帽风，大家纷纷@微信官方，申请给自己的头像加圣诞帽。

圣诞帽搜索指数随之在 24 小时内狂飙：

然后，一场花式求圣诞帽的仪式开始刷屏了，还混入了各种奇怪的东西。不料却发现@微信官方并不能带上圣诞帽，才知道“被骗”了。

一大波知道真相的网友随后开始把@微信官方变成了许愿池：

要钱和礼物的

讨房子的

要明星的

要博士帽的

求减肥的

还有送绿帽子的

网友们一边@微信官方许愿，一边默默的自己 P 上圣诞帽……戏精这波操作我给满分！

如何从技术上实现@微信官方头像添加圣诞帽？

那么，身为程序员，从技术的角度思考一下，这事儿到底能不能成呢？

首先看一下网上某猿的分析：

这体现了腾讯强大的人工智能实力，首先微信收到用户发送的朋友圈后，便获取用户头像上传至服务器云端，然后借助云计算和人脸识别，猪脸识别（来自友商京东的技术）和物体识别，根据头像角度、人脸大小，不断调整圣诞帽的尺寸和位置，最后生成圣诞帽头像。

网友 @IT大智表示：

这个功能目前几乎是不可能实现的。首先要明确一点，所有 APP 或者网站都是由代码程序实现的。

假设微信想给用户添加圣诞帽，必须要再引用一次圣诞帽的图片地址，直接添加的话肯定要覆盖用户原来的头像，退一步腾讯可以做到图片叠加，那么也一定要定义图片的大小和位置。

所以微信最多做到在固定位置添加一个大小一定的帽子，大家想象一下微信用户的头像千差万别，人头位置也很不确定，圣诞帽怎么会正好加在头像头顶呢？

所以这是个谣言，类似于“明天是马化腾生日，转发本条信息到三个群会得到 200Q 币”等等。

不少好友都发布了请求添加圣诞帽的朋友圈并@了微信官方，但实际上微信只能@自己的好友，微信并没有推出自己的官方号，所以你在朋友圈@微信官方，微信的人能收到你的@信息吗？当然不能。

然而还有更厉害的：

大致来说，当用户在朋友圈发布这样的文字消息：请给我头像一顶圣诞帽@微信官方。

微信官方会收到这个艾特，并通过该用户的 openid（微信用户的唯一标志 ID）获取到该用户的微信头像文件，将该图片和文本传至后台 AI。

所谓“自然语言”，就是我们人类平常说的话，一般情况下，计算机只能理解编程语言，不能理解人类说的话。

但是，腾讯 AI 可以进行“自然语言处理”，将“请给我头像一顶圣诞帽”这句话进行分解，并解读其中的意思。

至此，腾讯 AI 理解了该段文本的内容，通过智能图像处理技术，识别到人脸及头部，选择好合适的大小及方向，将提前准备好的圣诞帽图片与头像叠加，这样就生成了一张带圣诞帽的新头像，并将头像传至前端。

微信官方收到图片后，还是通过读取 openid 找到该用户，将该图片应用到该用户的头像，并提醒到该用户，整个过程不到五分钟。

当然，有些情形会难倒 AI，比如你的头像图片中有很多人，AI 就没法判断你到底要给哪个人添加圣诞帽，只能给所有人头上都添加一顶圣诞帽。

所以，大家还是不要调戏 AI，用一张美美的图片@微信官方就好！

当然啦，这只是对@微信官方求帽子的调侃，但是还真的有人站出来说，这事儿能成。

阅文集团首席架构师徐海峰老师：

他表示使用大数据分析+AI+图片动态处理能够实现，架构图如下：

虽然微信暂时没有这个功能，但并不代表程序员们实现不了！在人工智能火爆的今天，看程序员如何用 Python 给自己戴上圣诞帽？

用 Python 给头像加上圣诞帽

大家纷纷@官方微信给自己的头像加上一顶圣诞帽，当然这种事情用很多 P 图软件都可以做到。

但是作为一个学习图像处理的技术人，还是觉得我们有必要写一个程序来做这件事情。

用到的工具

• OpenCV
• dlib（dlib 的人脸检测比 OpenCV 更好用，而且 dlib 有 OpenCV 没有的关键点检测。）

用到的语言为 Python，但是完全可以改成 C++ 版本。

操作的流程

素材准备

首先我们需要准备一个圣诞帽的素材，格式最好为 PNG，因为 PNG 我们可以直接用 Alpha 通道作为掩膜使用，用到的圣诞帽如下图：

我们通过通道分离可以得到圣诞帽图像的 Alpha 通道，代码如下：

r,g,b,a = cv2.split(hat_img)  


rgb_hat = cv2.merge((r,g,b)) 


cv2.imwrite("hat_alpha.jpg",a) 

为了能够与 rgb 通道的头像图片进行运算，我们把 rgb 三通道合成一张 rgb 的彩色帽子图，Alpha 通道的图像如下图所示：

人脸检测与人脸关键点检测

我们用下面这张图作为我们的测试图片：

下面我们用 dlib 的正脸检测器进行人脸检测，用 dlib 提供的模型提取人脸的五个关键点，代码如下：

# dlib人脸关键点检测器 


    predictor_path = "shape_predictor_5_face_landmarks.dat" 


    predictor = dlib.shape_predictor(predictor_path)   


    # dlib正脸检测器 


    detector = dlib.get_frontal_face_detector() 


    # 正脸检测 


    dets = detector(img, 1) 


    # 如果检测到人脸 


    if len(dets)>0:   


        for d in dets: 


            x,y,w,h = d.left(),d.top(), d.right()-d.left(), d.bottom()-d.top() 


            # x,y,w,h = faceRect   


            cv2.rectangle(img,(x,y),(x+w,y+h),(255,0,0),2,8,0) 


            # 关键点检测，5个关键点 


            shape = predictor(img, d) 


            for point in shape.parts(): 


                cv2.circle(img,(point.x,point.y),3,color=(0,255,0)) 


            cv2.imshow("image",img) 


            cv2.waitKey()   

这部分效果如下图：

调整帽子大小

我们选取两个眼角的点，求中心作为放置帽子的 x 方向的参考坐标，y 方向的坐标用人脸框上线的y坐标表示。

然后我们根据人脸检测得到的人脸的大小调整帽子的大小，使得帽子大小合适。

# 选取左右眼眼角的点 


            point1 = shape.part(0) 


            point2 = shape.part(2) 


            # 求两点中心 


            eyes_center = ((point1.x+point2.x)//2,(point1.y+point2.y)//2) 


            # cv2.circle(img,eyes_center,3,color=(0,255,0))   


            # cv2.imshow("image",img) 


            # cv2.waitKey() 


            #  根据人脸大小调整帽子大小 


            factor = 1.5 


            resized_hat_h = int(round(rgb_hat.shape[0]*w/rgb_hat.shape[1]*factor)) 


            resized_hat_w = int(round(rgb_hat.shape[1]*w/rgb_hat.shape[1]*factor)) 


            if resized_hat_h > y: 


                resized_hat_h = y-1 


            # 根据人脸大小调整帽子大小 


            resized_hat = cv2.resize(rgb_hat,(resized_hat_w,resized_hat_h)) 

提取帽子和需要添加帽子的区域

按照之前所述，去 Alpha 通道作为 mask，并求反。这两个 mask 一个用于把帽子图中的帽子区域取出来；一个用于把人物图中需要填帽子的区域空出来。

# 用alpha通道作为mask 


           mask = cv2.resize(a,(resized_hat_w,resized_hat_h)) 


           mask_inv =  cv2.bitwise_not(mask) 

后面你将会看到：

从原图中取出需要添加帽子的区域，这里我们用的是位运算操作：

# 帽子相对与人脸框上线的偏移量 


           dh = 0 


           dw = 0 


           # 原图ROI 


           # bg_roi = img[y+dh-resized_hat_h:y+dh, x+dw:x+dw+resized_hat_w] 


           bg_roi = img[y+dh-resized_hat_h:y+dh,(eyes_center[0]-resized_hat_w//3):(eyes_center[0]+resized_hat_w//3*2)] 


           # 原图ROI中提取放帽子的区域 


           bg_roi = bg_roi.astype(float) 


           mask_inv = cv2.merge((mask_inv,mask_inv,mask_inv)) 


           alpha = mask_inv.astype(float)/255 


           # 相乘之前保证两者大小一致（可能会由于四舍五入原因不一致） 


           alpha = cv2.resize(alpha,(bg_roi.shape[1],bg_roi.shape[0])) 


           # print("alpha size: ",alpha.shape) 


           # print("bg_roi size: ",bg_roi.shape) 


           bg = cv2.multiply(alpha, bg_roi) 


           bg = bg.astype('uint8') 

这是背景区域（bg），如下图所示，可以看到，刚好是需要填充帽子的区域缺失了。

然后我们提取帽子区域。

# 提取帽子区域 


          hat = cv2.bitwise_and(resized_hat,resized_hat,mask = mask) 

提取得到的帽子区域如下图，帽子区域正好与上一个背景区域互补。

添加圣诞帽

最后我们把两个区域相加，再放回到原图中去，就可以得到我们想要的圣诞帽图了。

这里需要注意的就是，相加之前 resize 一下保证两者大小一致，因为可能会由于四舍五入原因不一致。

# 相加之前保证两者大小一致（可能会由于四舍五入原因不一致） 


            hat = cv2.resize(hat,(bg_roi.shape[1],bg_roi.shape[0])) 


            # 两个ROI区域相加 


            add_hat = cv2.add(bg,hat) 


            # cv2.imshow("add_hat",add_hat)  


            # 把添加好帽子的区域放回原图 


            img[y+dh-resized_hat_h:y+dh,(eyes_center[0]-resized_hat_w//3):(eyes_center[0]+resized_hat_w//3*2)] = add_hat 

最后我们得到的效果图如下所示：