当前位置:   article > 正文

OpenGL 入门(三)—— OpenGL 与 OpenCV 共同打造大眼滤镜_osg opencv滤镜

osg opencv滤镜

从本篇开始,会在上一篇搭建的滤镜框架的基础上,介绍具体的滤镜效果该如何制作。本篇会先介绍大眼滤镜,先来看一下效果,原图如下:

2024-5-7.大眼滤镜效果演示(使用前)

使用手机后置摄像头对眼部放大后的效果:

2024-5-7.大眼滤镜效果演示(使用后)

制作大眼滤镜所需的主要知识点:

  • OpenCV 人脸定位
  • SeetaFace 五官定位
  • OpenGL 绘制大眼特效

下面让我们一步步来实现这个效果吧。

1、项目配置

要对眼部进行放大,那么一定需要识别到图像中眼睛的位置,通常我们会先识别到人脸,再去识别人眼,这样比从整张图片的范围内直接定位人眼要快。

人脸定位我们使用 OpenCV,虽然 OpenCV 也提供了人眼定位的模型文件,但是由于准确率一般,因此我们使用中科院开源的 SeetaFace 定位人眼。为人眼添加滤镜效果的任务自然落到 OpenGL 上。

OpenCV 在 Android Studio 上的配置,在OpenCV 入门(一) —— OpenCV 基础中已经讲过,去参考那篇文章,这里就不再赘述,下面只介绍 SeetaFace 的配置。

1.1 配置 SeetaFace

中科院开源的人脸识别引擎 SeetaFace,比 OpenCV 自带模型的识别率要好一些。GitHub 下载 SeetaFaceEngine

2024-4-10.SeetaFace

可以看到包括三个核心模块:

  1. SeetaFace Alignment:面部特征点定位模块
  2. SeetaFace Detection:人脸检测模块
  3. SeetaFace Identification:人脸特征提取与比对模块

SeetaFace_config.docx 是在 Windows 的 VS 配置 SeetaFace 的文档,这里我们要将其配置到 AS 中。步骤如下:

  1. 将 FaceAlignment 目录下的 include 和 src 两个目录以及 CMakeLists.txt 拷贝到 /src/main/cpp/SeetaFace 目录下,其中 src 目录中有一个 test 目录我们并不需要,可以删除 test 目录,但是该目录下的 face_alignment_test.cpp 可以指导我们如何使用 SeetaFace

  2. 修改 SeetaFace 的 CMakeLists.txt,注释掉不需要的部分:

    # 低于主 CMakeLists 要求的最低版本,干掉
    #cmake_minimum_required(VERSION 2.8.4)
    
    # 不需要
    #project(seeta_fa_lib)
    
    # 不需要构建示例,可以和最后的 if (BUILD_EXAMPLES) 一起干掉
    # Build options
    #option(BUILD_EXAMPLES  "Set to ON to build examples"  ON)
    
    # Use C++11
    #set(CMAKE_CXX_STANDARD 11)
    #set(CMAKE_CXX_STANDARD_REQUIRED ON)
    set(CMAKE_CXX_FLAGS "${CMAKE_CXX_FLAGS} -std=c++11")
    message(STATUS "C++11 support has been enabled by default.")
    
    set(CMAKE_CXX_FLAGS "${CMAKE_CXX_FLAGS} -O2")
    
    set(CMAKE_CXX_FLAGS "${CMAKE_CXX_FLAGS} -msse4.1")
    
    include_directories(include)
    
    set(src_files 
        src/cfan.cpp
        src/face_alignment.cpp
        src/sift.cpp
        )
    
    # 修改编译为静态库
    add_library(seeta_fa_lib STATIC ${src_files})
    set(fa_required_libs seeta_fa_lib)
    
    #[[if (BUILD_EXAMPLES)
        message(STATUS "Build with examples.")
        find_package(OpenCV)
        if (NOT OpenCV_FOUND)
            message(WARNING "OpenCV not found. Test will not be built.")
        else()
            include_directories(${OpenCV_INCLUDE_DIRS} build)
    	link_directories(build)
            list(APPEND fa_required_libs ${OpenCV_LIBS} seeta_facedet_lib)
            add_executable(fa_test src/test/face_alignment_test.cpp)
            target_link_libraries(fa_test ${fa_required_libs})
        endif()
    endif()]]
    
  3. 修改主 CMakeLists.txt:

    # 指定 SeetaFace 的 CMakeLists 文件
    add_subdirectory(${CMAKE_SOURCE_DIR}/SeetaFace/FaceAlignment)
    
    # 导入 SeetaFace 的头文件
    include_directories(${CMAKE_SOURCE_DIR}/SeetaFace/FaceAlignment/include)
    
    target_link_libraries(
            opencv
            log
            opencv_java4 # 链接 OpenCV 动态库
            android # 因为要用 ANativeWindow 渲染,因此要链接 libandroid
            seeta_fa_lib # 链接 SeetaFace 静态库
    )
    
  4. 修改模块的 build.gradle,因为 SeetaFace 的 CMakeLists.txt 中声明了使用 C++11,gradle 要做出相应的配置:

    android {
        defaultConfig {
            externalNativeBuild {
                cmake {
                    cppFlags "-std=c++11"
                }
            }
        }
    }
    
  5. 将人脸识别模型 SeetaFaceEngine-master/FaceAlignment/model/seeta_fa_v1.1.bin 拷贝到 /src/main/assets/ 目录下

SeetaFace 支持识别人脸的 5 个关键点:两只眼睛各 1 个、鼻子 1 个、嘴边两侧各 1 个。

如果 Native 层编辑 cpp 代码时没有代码提示、格式排版,甚至有错也不报,新建文件时没有 C/C++ 的选项,并且 Build -> Refresh Linked C++ Projects 也是灰色的,可能是因为没有在 build.gradle 中添加 Native 编译配置:

android {
externalNativeBuild {
  cmake {
      path file('src/main/cpp/CMakeLists.txt')
      version '3.22.1'
  }
}
}

2、人脸识别与人眼识别

有关 OpenCV 人脸识别的内容,我们在 OpenCV 系列文章的OpenCV 入门(六)—— Android 下的人脸识别中详细讲过。虽然这里又添加了 SeetaFace 进行人眼识别,但主要过程没有太大的变化。

从代码结构上说,识别工作要分为两层:

  1. Native 层:具体的识别工作都是交由 OpenCV 和 SeetaFace 在 Native 层完成的,我们需要将识别的结果(人脸的坐标和宽高数据以及五官坐标)封装成一个上层的 Face 对象并返回给上层
  2. 上层:定义封装人脸数据的 Face 类,同时还需要一个 FaceTracker 作为上层与 Native 层沟通的桥梁,一方面接收外界的指令通知 Native 进行初始化、人脸检测等工作,另一方面接收 Native 层的识别结果存入 Face 并提供给外界作为 OpenGL 添加各种滤镜的依据

从过程上说,主要分为以下几个步骤:

  1. 初始化:使用指定的识别模型在 Native 层初始化 OpenCV 和 SeetaFace
  2. 开始识别:开启 OpenCV 的跟踪识别
  3. 人脸识别:OpenCV 进行人脸识别,识别到的结果保存到一个集合中,SeetaFace 再对集合中的每个人脸进行特征点识别,将包含两眼位置信息的特征点数据保存起来
  4. 反射构造上层对象:将人脸信息和特征点信息通过反射的方式封装到上层的 Face 对象中并将其返回给上层

接下来结合代码详细说明上述实现步骤。

2.1 初始化

先将 OpenCV 和 SeetaFace 识别人脸的模型文件拷贝到项目的 /src/main/res/raw 目录下,在创建渲染器时将模型文件拷贝到手机中:

class GLRender(private val mGLSurfaceView: GLSurfaceView) : GLSurfaceView.Renderer,
    SurfaceTexture.OnFrameAvailableListener {
	private val mOpencvModelPath =
        Utils.copyAsset2Dir(mGLSurfaceView.context, "lbpcascade_frontalface.xml")
    private val mSeetaFaceModelPath =
        Utils.copyAsset2Dir(mGLSurfaceView.context, "seeta_fa_v1.1.bin")
}

工具类参考代码如下:

class Utils {
    companion object {
        fun copyAsset2Dir(context: Context, assetName: String): String {
            val cascadeDir = context.getDir("cascade", Context.MODE_PRIVATE)
            val cascadeFile = File(cascadeDir, assetName)
            if (!cascadeFile.exists()) {
                context.resources.assets.open(assetName).use { inputStream ->
                    FileOutputStream(cascadeFile).use { outputStream ->
                        val buffer = ByteArray(2048)
                        var length: Int
                        while (inputStream.read(buffer).also { length = it } > 0) {
                            outputStream.write(buffer, 0, length)
                        }
                    }
                }
            }
            return cascadeFile.absolutePath
        }
    }
}

然后在渲染器监听到 GLSurfaceView 的尺寸发生变化时,创建上层的 FaceTracker:

	override fun onSurfaceChanged(gl: GL10?, width: Int, height: Int) {
        ...
        // 创建 FaceTracker 开始检测人脸
        mFaceTracker = FaceTracker(mCameraHelper, mOpencvModelPath, mSeetaFaceModelPath)
        mFaceTracker.startTracking()
    }

FaceTracker 要调用 Native 方法进行初始化和开启检测:

class FaceTracker(
    private val mCameraHelper: CameraHelper,
    opencvModelPath: String,
    seetaFaceModelPath: String
) {
	// Native 层 FaceTracker 对象的地址
    private var mFaceTracker = 0L
    
    init {
        mFaceTracker = nativeInit(opencvModelPath, seetaFaceModelPath)
    }
    
    fun startTracking() {
        nativeStart(mFaceTracker)
    }
    
    private external fun nativeInit(opencvModelPath: String, seetaFaceModelPath: String): Long
    private external fun nativeStart(faceTracker: Long)
}

nativeInit() 会创建 Native 层的 FaceTracker 对象并将地址返回给上层,这样上层在执行后续的开启识别、结束识别、人脸检测等方法时,将该地址传入便可在 Native 层直接将地址转换成 Native 的 FaceTracker 对象进而执行相应的函数:

#include "FaceTracker.h"

extern "C"
JNIEXPORT jlong JNICALL
Java_com_opengl_filters_FaceTracker_nativeInit(JNIEnv *env, jobject thiz,
                                               jstring opencv_model_path_,
                                               jstring seeta_face_model_path_) {
    const char *opencv_model_path = env->GetStringUTFChars(opencv_model_path_, nullptr);
    const char *seeta_face_model_path = env->GetStringUTFChars(seeta_face_model_path_, nullptr);

    auto faceTracker = new FaceTracker(opencv_model_path, seeta_face_model_path);

    env->ReleaseStringUTFChars(opencv_model_path_, opencv_model_path);
    env->ReleaseStringUTFChars(seeta_face_model_path_, seeta_face_model_path);

    // 将 Native 对象的地址返回给上层
    return reinterpret_cast<jlong>(faceTracker);
}

extern "C"
JNIEXPORT void JNICALL
Java_com_opengl_filters_FaceTracker_nativeStart(JNIEnv *env, jobject thiz, jlong face_tracker) {
    if (face_tracker) {
        auto *faceTracker = reinterpret_cast<FaceTracker *>(face_tracker);
        faceTracker->startTracking();
    }
}

FaceTracker.h 内需要定义初始化 OpenCV 的跟踪器对象所需的 CascadeDetectorAdapter:

#ifndef OPENGL_FACETRACKER_H
#define OPENGL_FACETRACKER_H

#include <opencv2/opencv.hpp>
#include <jni.h>
#include "SeetaFace/FaceAlignment/include/face_alignment.h"

using namespace cv;

class CascadeDetectorAdapter : public DetectionBasedTracker::IDetector {
public:
    CascadeDetectorAdapter(cv::Ptr<cv::CascadeClassifier> detector) :
            IDetector(),
            Detector(detector) {
    }

    // 检测人脸的函数,Mat 相当于 Android 的一张 Bitmap。一张图片有几个人脸就会调用本方法几次
    void detect(const cv::Mat &Image, std::vector<cv::Rect> &objects) {
        Detector->detectMultiScale(Image, objects, scaleFactor,
                                   minNeighbours, 0, minObjSize, maxObjSize);
    }

    virtual ~CascadeDetectorAdapter() = default;

private:
    CascadeDetectorAdapter();

    cv::Ptr<cv::CascadeClassifier> Detector;
};

class FaceTracker {

public:
    FaceTracker(const char *opencv_model_path, const char *seeta_face_model_path);

    void startTracking();

    void stopTracking();

    void detect(const Mat& src, std::vector<Rect2f> &rectangles);

private:
    Ptr<DetectionBasedTracker> tracker = nullptr;
    Ptr<seeta::FaceAlignment> faceAlignment = nullptr;
};

#endif //OPENGL_FACETRACKER_H

FaceTracker 的构造函数要创建 OpenCV 和 SeetaFace 的检测器对象:

FaceTracker::FaceTracker(const char *opencv_model_path, const char *seeta_face_model_path) {
    // 1.创建 OpenCV 识别对象
    // 1.1 创建检测器
    Ptr<CascadeClassifier> detectorClassifier = makePtr<CascadeClassifier>(opencv_model_path);
    Ptr<CascadeDetectorAdapter> mainDetector = makePtr<CascadeDetectorAdapter>(detectorClassifier);

    // 1.2 创建跟踪器
    Ptr<CascadeClassifier> trackerClassifier = makePtr<CascadeClassifier>(opencv_model_path);
    Ptr<CascadeDetectorAdapter> trackingDetector = makePtr<CascadeDetectorAdapter>(
            trackerClassifier);

    // 1.3 创建识别对象
    DetectionBasedTracker::Parameters detectionParams;
    tracker = makePtr<DetectionBasedTracker>(mainDetector, trackingDetector, detectionParams);

    // 2.创建 SeetaFace 识别对象
    faceAlignment = makePtr<seeta::FaceAlignment>(seeta_face_model_path);
}

初始化完成,至于 startTracking() 仅需调用 tracker 的 run() 即可开始检测:

void FaceTracker::startTracking() {
    if (tracker) {
        tracker->run();
    }
}

2.2 人脸识别

进入识别流程,需要将图像数据传给 Native 层进行识别,图像数据来自 CameraHelper:

typealias CameraPreviewCallback = (data: ByteArray) -> Unit

class CameraHelper(
    private val mActivity: Activity,
    private var mCameraId: Int,
    private var mWidth: Int,
    private var mHeight: Int
) : Camera.PreviewCallback {
    
	private var mPreviewCallback: CameraPreviewCallback? = null
    
    // Camera.PreviewCallback
    override fun onPreviewFrame(data: ByteArray?, camera: Camera?) {
        data?.let {
            // 将 mBuffer 继续放入回调队列中接收数据
            mCamera.addCallbackBuffer(mBuffer)
            // 将预览画面数据回调给外界
            mPreviewCallback?.invoke(it)
        }
    }
    
    fun setPreviewCallback(callback: CameraPreviewCallback) {
        mPreviewCallback = callback
    }
}

渲染器设置 PreviewCallback 获取图像数据转发给 FaceTracker 要求检测:

	override fun onSurfaceCreated(gl: GL10?, config: EGLConfig?) {
        // 1.初始化 CameraHelper
        mCameraHelper = CameraHelper(
            mGLSurfaceView.context as Activity,
            Camera.CameraInfo.CAMERA_FACING_BACK,
            CameraHelper.WIDTH,
            CameraHelper.HEIGHT
        )

        mCameraHelper.setPreviewCallback {
            mFaceTracker.detect(it)
        }
        ...
	}

由于人脸检测是耗时操作肯定放在子线程中,FaceTracker 采用 HandlerThread 来处理检测工作:

	init {
        mFaceTracker = nativeInit(opencvModelPath, seetaFaceModelPath)

        mHandlerThread = HandlerThread("Face-Detect-Thread")
        mHandlerThread.start()
        mHandler = Handler(mHandlerThread.looper) { message ->
            mFace = nativeDetect(
                mFaceTracker,
                message.obj as ByteArray,
                mCameraHelper.getCameraId(),
                CameraHelper.WIDTH,
                CameraHelper.HEIGHT
            )
            true
        }
    }

	fun detect(data: ByteArray) {
        // 先移除之前的消息,保持检测最新的 data
        mHandler.removeMessages(MSG_DETECT)
        // 添加新的 data 到消息队列中
        mHandler.obtainMessage(MSG_DETECT, data).sendToTarget()
    }

这样就会调用 nativeDetect() 进入 Native 层:

extern "C"
JNIEXPORT jobject JNICALL
Java_com_opengl_filters_FaceTracker_nativeDetect(JNIEnv *env, jobject thiz, jlong face_tracker,
                                                 jbyteArray data_, jint camera_id, jint width,
                                                 jint height) {
    if (!face_tracker) {
        return nullptr;
    }

    jbyte *data = env->GetByteArrayElements(data_, nullptr);
    auto *faceTracker = reinterpret_cast<FaceTracker *>(face_tracker);
    
    // 1.人脸检测
    ...

    // 2.生成上层的 Face 对象返回给上层
    ...
}

主要任务有两项:

  1. 利用 OpenCV 和 SeetaFace 检测人脸信息并保存
  2. 将人脸信息封装到上层的 Face 对象中并返回

下面分别来看这两项内容实现。

检测过程

大致过程如下:

  1. 根据原图像生成用于 OpenCV 识别的图片对象 Mat
  2. 将 Mat 由 YUV NV21 格式转换为 RGBA 格式,并且旋转图像将其调正
  3. 取原图的灰度图和直方图均衡化,准备正式开始识别
  4. 调用 OpenCV 的 API 进行检测,结果保存在集合中
  5. 从 OpenCV 的结果中取出数据进行 SeetaFace 识别,将检测的关键点数据保存起来

我们先来看 nativeDetect() 的实现,包含前三步:

extern "C"
JNIEXPORT jobject JNICALL
Java_com_opengl_filters_FaceTracker_nativeDetect(JNIEnv *env, jobject thiz, jlong face_tracker,
                                                 jbyteArray data_, jint camera_id, jint width,
                                                 jint height) {
    if (!face_tracker) {
        return nullptr;
    }

    jbyte *data = env->GetByteArrayElements(data_, nullptr);
    auto *faceTracker = reinterpret_cast<FaceTracker *>(face_tracker);

    // 1.人脸检测
    // 1.1 创建 Mat 对象并做预处理
    Mat src(height * 3 / 2, width, CV_8UC1, data);
    // 将 src 的格式由 YUV NV21 转换为 RGBA
    cvtColor(src, src, COLOR_YUV2RGBA_NV21);
    // 对原始图像进行旋转调正
    if (camera_id == 1) {
        // 前置摄像头需要逆时针旋转 90°
        rotate(src, src, ROTATE_90_COUNTERCLOCKWISE);
        // 前置还需要取一个水平方向的镜像,如果传 0 就是竖直方向
        flip(src, src, 1);
    } else {
        // 后置摄像头需要顺时针旋转 90°
        rotate(src, src, ROTATE_90_CLOCKWISE);
    }

    // 1.2 对 Mat 进行人脸检测
    // 将图片转换为灰度图,可以减少杂色增加识别几率
    Mat gray;
    cvtColor(src, gray, COLOR_RGBA2GRAY);
    // 增强对比度,目的是增强轮廓(因为识别是对轮廓进行识别)
    equalizeHist(gray, gray);
    // 检测人脸,结果的矩形保存到 rectangles 中
    std::vector<Rect2f> rectangles;
    faceTracker->detect(gray, rectangles);

    // data 使命结束,及时释放
    env->ReleaseByteArrayElements(data_, data, 0);
    
    ...
}

具体的检测工作由 FaceTracker 的 detect() 完成,检测结果保存在 rectangles 中:

void FaceTracker::detect(const Mat &src, std::vector<Rect2f> &rectangles) {
    // 1.先将 OpenCV 检测到矩形保存到 faces 中
    std::vector<Rect> faces;
    // 检测
    tracker->process(src);
    // 获取结果
    tracker->getObjects(faces);

    if (!faces.empty()) {
        // 先只处理一个人脸,将其位置信息保存到 rectangles 中备用
        Rect face = faces[0];
        rectangles.emplace_back(face.x, face.y, face.width, face.height);

        // 2.使用 SeetaFace 检测人脸以获取五官位置,需要准备三个参数
        // 2.1 图像数据 ImageData,切记如果使用空参构造函数,一定要为 num_channels 赋值
        seeta::ImageData imageData = seeta::ImageData(src.cols, src.rows);
        imageData.data = src.data;

        // 2.2 人脸矩形信息 FaceInfo
        seeta::FaceInfo faceInfo;
        seeta::Rect bbox;
        bbox.x = face.x;
        bbox.y = face.y;
        bbox.width = face.width;
        bbox.height = face.height;
        faceInfo.bbox = bbox;

        // 2.3 人脸 5 个关键点的集合,是一个入参出参
        seeta::FacialLandmark landmarks[5];

        // 2.4 执行 SeetaFace 人脸定位
        faceAlignment->PointDetectLandmarks(imageData, faceInfo, landmarks);

        // 3.将关键点保存到 rectangles 中
        for (auto & landmark : landmarks) {
            // 我们只需要关键点的坐标,而无需宽高数据
            rectangles.emplace_back(landmark.x, landmark.y, 0, 0);
        }
    }
}

过程梳理:

  1. 先用 OpenCV 检测人脸,调用 tracker->process(src) 对原图进行检测,再通过 tracker->getObjects(faces) 将检测到的人脸矩形保存到 faces 集合中
  2. 调用 SeetaFace 的 faceAlignment->PointDetectLandmarks() 检测人脸的 5 个特征点,该函数需要三个参数:
    • ImageData:保存图像信息的对象,包括图像宽高以及像素数据,如果通过构造函数创建该对象,可以不用显式指定 num_channels,构造函数会为其赋默认值为 1
    • FaceInfo:人脸信息,主要是指定它的 bbox 字段,包含人脸矩形的左上角坐标以及矩形宽高
    • FacialLandmark:人脸特征点(关键点),SeetaFace 会将左眼、右眼、鼻子、左嘴角、右嘴角这 5 个特征点的坐标检测出来,这里声明了 FacialLandmark 类型的数组就是用来接收这 5 个点的
  3. 将人脸信息(起始点和宽高)以及 5 个关键点信息(主要是起始点,宽高由于不需要都被设置为 0)共 6 个矩形保存到参数的 rectangles 集合中

人脸宽高数据在本节的大眼滤镜中用不到,但是在下一篇添加贴纸效果时有用,由于是很小的点,也不适宜在下一篇中单独拿出来说,因此就在这里直接保存这个信息了。

创建上层对象

这里的上层对象就是指 Face:

class Face(
    // 关键点的左上角坐标集合
    val landmarks: FloatArray,
    // 人脸宽高
    val faceWidth: Int,
    val faceHeight: Int,
    // 被检测的图像宽高
    val imgWidth: Int,
    val imgHeight: Int
)

我们要在 Native 通过反射的方式创建该对象,主要就是先准备好构造方法内的参数数据。其中,landmarks 关键点坐标可以通过上一步中计算出的 rectangles 集合获取;人脸宽高保存在 rectangles 中的第一个矩形内;被检测的图像宽高可以通过灰度图获取。

参考代码如下:

extern "C"
JNIEXPORT jobject JNICALL
Java_com_opengl_filters_FaceTracker_nativeDetect(JNIEnv *env, jobject thiz, jlong face_tracker,
                                                 jbyteArray data_, jint camera_id, jint width,
                                                 jint height) {
    // 2.生成上层的 Face 对象
    // 2.1 先获取被检测的图片宽高数据备用
    int imgWidth = gray.cols;
    int imgHeight = gray.rows;
    src.release();
    gray.release();

    int rectSize = rectangles.size();
    if (rectSize) {
        // 2.2 创建 Face 构造方法中的关键点集合 FloatArray
        int floatArraySize = rectSize * 2;
        jfloatArray floatArray = env->NewFloatArray(floatArraySize);
        for (int i = 0; i < rectSize; ++i) {
            float f[2] = {rectangles[i].x, rectangles[i].y};
            env->SetFloatArrayRegion(floatArray, i * 2, 2, f);
        }

        // 2.3 获取人脸矩形宽高
        Rect faceRect = rectangles[0];
        int faceWidth = faceRect.width;
        int faceHeight = faceRect.height;

        // 2.4 获取 Face 类与构造函数的 ID,创建 Face 对象并返回给上层
        jclass clazz = env->FindClass("com/opengl/filters/Face");
        jmethodID constructorID = env->GetMethodID(clazz, "<init>", "([FIIII)V");

        return env->NewObject(clazz, constructorID, floatArray, faceWidth, faceHeight, imgWidth,
                              imgHeight);
    }

    return nullptr;
}

这样在 Native 层通过反射的方式创建了上层的 Face 对象并返回给上层的 FaceTracker,后者可以对外提供 Face 对象以供后续 OpenGL 绘制滤镜所用:

	fun getFace() = mFace

3、添加大眼滤镜

前面的工作保证我们能获取到人眼坐标,接下来就是使用 OpenGL 在绘制时添加滤镜效果了。

3.1 着色器

顶点着色器使用 base_vertex 即可,需要新建一个片元着色器 big_eyes_fragment.glsl:

// 声明 float 是中等精度的
precision mediump float;

// 采样点坐标
varying vec2 aCoord;

// 采样器
uniform sampler2D vTexture;
// 左眼坐标
uniform vec2 left_eye;
// 右眼坐标
uniform vec2 right_eye;

// 公式,用于计算将眼睛放大后的顶点到放大中心的距离
// r 是未放大前顶点坐标到眼睛中心的距离
// rmax 是放大后顶点到眼睛中心的最大距离
float fs(float r, float rmax) {
    // 放大系数
    float a = 0.4;

    // pow 是内置函数,用于计算幂次,虽然是计算二次方,但是也要写为 2.0
    return (1.0 - pow(r / rmax - 1.0, 2.0) * a) * r;
}

// 计算放大后的点的坐标
// coord 原来的点,eye 眼睛坐标,rmax 放大后的最大距离
vec2 calNewCoord(vec2 oldCoord, vec2 eye, float rmax) {
    vec2 newCoord = oldCoord;

    // 原来的点到眼睛中心的距离
    float dis = distance(oldCoord, eye);

    // 未到最大距离,可以进行放大
    if (dis > 0.0f && dis < rmax) {
        // 求出放大后的点到眼睛的距离
        float fsr = fs(dis, rmax);
        // 按比例计算新点坐标:(新点 - 眼睛) / (旧点 - 眼睛) = 放大后距离 / 放大前距离
        // 即 :(newCoord - eye) / (coord - eye) = fsr / dis
        newCoord = eye + (oldCoord - eye) * (fsr / dis);
    }

    return newCoord;
}

void main() {
    // 两眼间距离除以 2 就是放大后的最大距离
    float rmax = distance(left_eye, right_eye) / 2.0;

    // 获取左右眼放大后的坐标,左眼和右眼都要做一次,在哪个眼睛的放大区间就放大哪一个
    vec2 newCoord = calNewCoord(aCoord, left_eye, rmax);
    // 注意第一个参数要传 newCoord,如果传了 aCoord 那么就只判断了右眼
    newCoord = calNewCoord(newCoord, right_eye, rmax);

    gl_FragColor = texture2D(vTexture, newCoord);
}

fs 函数中的公式来自于 1979 年的一篇论文 “Interactive Image Warping” 的第 41 页:

2024-4-17.大眼公式

用该公式可以计算出放大后的点到眼睛的距离,当然这个距离不能大于 rmax,也就是两眼间距的一半。计算出距离后,可以通过 calNewCoord() 计算出放大后点的坐标,然后就可以让 OpenGL 进行绘制了。

3.2 实现滤镜

大眼滤镜,包括我们后续要实现的美颜滤镜和贴纸,它们都是绘制在 FBO 上的,而不是直接渲染到屏幕上,因此可以抽出一个基类将 FBO 的共同操作放入其中:

/**
 * 使用 FBO 绘制的 Filter 基类
 */
open class BaseFrameFilter(context: Context, mVertexSourceId: Int, mFragmentSourceId: Int) :
    BaseFilter(context, mVertexSourceId, mFragmentSourceId) {

    protected var mFrameBuffers: IntArray? = null
    protected var mFrameBufferTextures: IntArray? = null

    override fun onReady(width: Int, height: Int) {
        super.onReady(width, height)

        // 1.先清空 mFrameBuffers 的残留数据
        mFrameBuffers?.let {
            releaseFrameBuffer()
        }

        // 2.创建 FBO
        mFrameBuffers = IntArray(1)
        // FBO 个数、保存 FBO ID 的数组、偏移量,用数组的第几个来保存
        glGenFramebuffers(mFrameBuffers?.size ?: 1, mFrameBuffers, 0)

        // 3.创建 FBO 的纹理
        mFrameBufferTextures = IntArray(1)
        TextureHelper.generateTextures(mFrameBufferTextures!!)

        // 4.绑定 FBO 与纹理
        // 将 FBO 纹理 ID 绑定到 GL_TEXTURE_2D 目标上,目标的类型是 2D 纹理
        glBindTexture(GL_TEXTURE_2D, mFrameBufferTextures!![0])
        // 更新纹理图像数据
        glTexImage2D(GL_TEXTURE_2D, 0, GL_RGBA, width, height, 0, GL_RGBA, GL_UNSIGNED_BYTE, null)
        // 绑定 FBO
        glBindFramebuffer(GL_FRAMEBUFFER, mFrameBuffers!![0])
        // 将纹理附加到 FBO
        glFramebufferTexture2D(
            GL_FRAMEBUFFER,
            GL_COLOR_ATTACHMENT0,
            GL_TEXTURE_2D,
            mFrameBufferTextures!![0],
            0
        )

        // 5.解绑
        glBindFramebuffer(GL_FRAMEBUFFER, 0)
        glBindTexture(GL_TEXTURE_2D, 0)
    }

    override fun release() {
        super.release()
        releaseFrameBuffer()
    }

    protected fun releaseFrameBuffer() {
        mFrameBufferTextures?.let {
            glDeleteTextures(it.size, mFrameBufferTextures, 0)
            mFrameBufferTextures = null
        }

        mFrameBuffers?.let {
            glDeleteFramebuffers(it.size, mFrameBuffers, 0)
            mFrameBuffers = null
        }
    }
}

大眼滤镜 BigEyesFilter 直接继承该基类:

class BigEyesFilter(context: Context) :
    BaseFrameFilter(context, R.raw.base_vertex, R.raw.big_eyes_fragment) {

    private val leftEye: Int
    private val rightEye: Int
    private var leftBuffer: FloatBuffer
    private var rightBuffer: FloatBuffer
    private var face: Face? = null

    init {
        leftEye = glGetUniformLocation(mProgramId, "left_eye")
        rightEye = glGetUniformLocation(mProgramId, "right_eye")

        leftBuffer = ByteBuffer.allocateDirect(2 * 4).order(ByteOrder.nativeOrder()).asFloatBuffer()
        rightBuffer =
            ByteBuffer.allocateDirect(2 * 4).order(ByteOrder.nativeOrder()).asFloatBuffer()
    }

    override fun initCoordinator() {
        // 转 180° 调正
        val texture = floatArrayOf(
            0.0f, 0.0f,
            1.0f, 0.0f,
            0.0f, 1.0f,
            1.0f, 1.0f
        )
        mTextureBuffer.clear()
        mTextureBuffer.put(texture)
    }

    fun setFace(face: Face?) {
        this.face = face
    }

    override fun onDrawFrame(textureId: Int): Int {
        // 1.判断不符合绘制条件的情况,直接返回上一层的纹理 ID
        val landmarks = face?.landmarks
        val imgWidth = face?.imgWidth
        val imgHeight = face?.imgHeight
        if (imgWidth == null || imgHeight == null || landmarks == null) {
            return textureId
        }

        // 2.绘制前设置:设置视窗、绑定 FBO、使用着色器程序
        glViewport(0, 0, mWidth, mHeight)
        glBindFramebuffer(GL_FRAMEBUFFER, mFrameBuffers!![0])
        glUseProgram(mProgramId)

        // 3.设置顶点坐标和纹理坐标
        mVertexBuffer.position(0)
        glVertexAttribPointer(vPosition, 2, GL_FLOAT, false, 0, mVertexBuffer)
        glEnableVertexAttribArray(vPosition)

        mTextureBuffer.position(0)
        glVertexAttribPointer(vCoord, 2, GL_FLOAT, false, 0, mTextureBuffer)
        glEnableVertexAttribArray(vCoord)

        // 4.将眼睛坐标传给片元着色器
        var x = landmarks[2] / imgWidth
        var y = landmarks[3] / imgHeight
        leftBuffer.clear()
        leftBuffer.put(x)
        leftBuffer.put(y)
        leftBuffer.position(0)
        glUniform2fv(leftEye, 1, leftBuffer)

        // 右眼坐标
        x = landmarks[4] / imgWidth
        y = landmarks[5] / imgHeight
        rightBuffer.clear()
        rightBuffer.put(x)
        rightBuffer.put(y)
        rightBuffer.position(0)
        glUniform2fv(rightEye, 1, rightBuffer)

        // 5.后续常规操作,OpenGL 绘制
        // 激活图层
        glActiveTexture(GL_TEXTURE0)
        // 绑定
        glBindTexture(GL_TEXTURE_2D, textureId)
        // 传递参数
        glUniform1i(vTexture, 0)
        // 通知 OpenGL 绘制
        glDrawArrays(GL_TRIANGLE_STRIP, 0, 4)
        // 解绑 FBO
        glBindFramebuffer(GL_FRAMEBUFFER, 0)
        glBindTexture(GL_TEXTURE_2D, 0)

        return mFrameBufferTextures!![0]
    }
}

核心思路就是从 Face 中提取出左眼和右眼的坐标,传递给片元着色器 big_eyes_fragment 中定义的两个变量 left_eye 和 right_eye。

3.3 装配大眼滤镜

在渲染器中创建 BigEyesFilter 并将其添加到绘制的责任链中:

	private lateinit var mBigEyesFilter: BigEyesFilter
	
	override fun onSurfaceCreated(gl: GL10?, config: EGLConfig?) {
        ...
        // 3.创建滤镜对象
        mScreenFilter = ScreenFilter(mGLSurfaceView.context)
        mCameraFilter = CameraFilter(mGLSurfaceView.context)
        mBigEyesFilter = BigEyesFilter(mGLSurfaceView.context)
    }

	override fun onSurfaceChanged(gl: GL10?, width: Int, height: Int) {
        ...
        // 设置 OpenGL 的绘制视窗
        mCameraFilter.onReady(width, height)
        mBigEyesFilter.onReady(width, height)
        mScreenFilter.onReady(width, height)
        ...
    }

	override fun onDrawFrame(gl: GL10?) {
        ...
        // 3.交给滤镜进行具体的绘制工作
        mCameraFilter.setMatrix(mMatrix)
        var textureId = mCameraFilter.onDrawFrame(mTextureIds[0])

        mBigEyesFilter.setFace(mFaceTracker.getFace())
        textureId = mBigEyesFilter.onDrawFrame(textureId)

        mScreenFilter.onDrawFrame(textureId)
    }
声明:本文内容由网友自发贡献,不代表【wpsshop博客】立场,版权归原作者所有,本站不承担相应法律责任。如您发现有侵权的内容,请联系我们。转载请注明出处:https://www.wpsshop.cn/w/小惠珠哦/article/detail/1021733
推荐阅读
相关标签
  

闽ICP备14008679号