【51CTO.com快譯】我喜歡用Photoshop修改各種東西，再把結果在Slack公司內發(fā)布，每次都能帶來新的想法我享受在其中。

不過重復打開Photoshop再復制/粘貼面部圖像確實相當乏味。

[[185213]]

在最初產生這個想法時，我就意識到這個項目將主要包含三大組成部分：

1. 簡單圖像修改

2. Slack集成

3. 面部檢測

以往我曾經使用過Go中的image與image/draw軟件包，并閱讀過與之相關的幾篇文章，因此我對于完成這項任務很有信心。組成部分1就此搞定。

我還曾經在Go中構建過一款玩具性質的Slack機器人，其中用到了查找自谷歌的幾條指令。雖然缺少Go Slack官方整體客戶端會讓問題變得更為復雜，但出于最基本的需求，我相信自己能夠完成通過Slack下載及上傳圖像這樣一項工作。組成部分2也就不是問題了。

我唯一不確定的是面部檢測工作到底是否易于實現(xiàn)。我在谷歌上查找golang面部檢測內容，并點開***條結果，其內容指向StackOverflow上關于go-opencv計算機視覺庫的一條問題。在查閱了該庫中的面部檢測示例項目后，我了解到了自己需要掌握的一切。組成部分3也同樣得到了解決。

面部檢測

由于熟悉度***，所以我決定首先從面部檢測入手。這是項目中***的難題，因此我打算先看看自己能否搞定，如果不行那其它的工作都將毫無意義。

我決定盡可能對go-opencv庫進行封裝?？梢钥隙ǖ氖?，opencv數據類型與Go標準庫有所區(qū)別，至少在其定義Image與Rectangle兩項接口方面存在差異，因此必須作出一些調整。

我在其中發(fā)現(xiàn)一項對opencv.FromImage方法的引用，其負責將Go的image.Image轉換為opencv庫的形式。這意味著我不再需要將文件路徑傳遞至opencv.LoadImage方法以進行轉換，而可以直接處理存儲在內存中的鏡像。這能夠節(jié)約從Slack接收圖像后將其保存在文件系統(tǒng)中的步驟。

遺憾的是，我無法利用同樣的轉換方式加載Haar面部識別XML文件，不過這樣的結果我還可以接受，所以暫時先這樣吧。

以此為基礎，我編寫出了以下facefinder包：

package facefinder import ( "image""github.com/lazywei/go-opencv/opencv" ) var faceCascade *opencv.HaarCascade type Finder struct { cascade *opencv.HaarCascade } func NewFinder(xml string) *Finder { return &Finder{ cascade: opencv.LoadHaarClassifierCascade(xml), } } func (f *Finder) Detect(i image.Image) []image.Rectangle { var output []image.Rectangle faces := f.cascade.DetectObjects(opencv.FromImage(i)) for _, face := range faces { output = append(output, image.Rectangle{ image.Point{face.X(), face.Y()}, image.Point{face.X() + face.Width(), face.Y() + face.Height()}, }) } return output } 

而后，我能夠輕松找到圖像中的面部區(qū)域：

imageReader, _ := os.Open(imageFile) baseImage, _, _ := image.Decode(imageReader) finder := facefinder.NewFinder(haarCascadeFilepath) faces := finder.Detect(baseImage) for _, face := range faces { // [...] } 

我從谷歌上復制了幾段“繪制矩形”代碼以進行功能檢查，并確定以上代碼確實能夠正常工作。有了位置信息，我又鼓搗出一條圖像加載轉換函數（其中更關注錯誤內容，而非急于將一切塞進）。

func loadImage(file string) image.Image { reader, err := os.Open(file) if err != nil { log.Fatalf("error loading %s: %s", file, err) } img, _, err := image.Decode(reader) if err != nil { log.Fatalf("error loading %s: %s", file, err) } return img } 

圖像修改

接下來，我的新循環(huán)如下所示：

baseImage := loadImage(imageFile) chrisFace := loadImage(chrisFaceFile) bounds := baseImage.Bounds() finder := facefinder.NewFinder(haarCascadeFilepath) faces := finder.Detect(baseImage) // Convert image.Image to a mutable image.ImageRGBA canvas := image.NewRGBA(bounds) draw.Draw(canvas, bounds, baseImage, bounds.Min, draw.Src) for _, face := range faces { draw.Draw( canvas, face, chrisFace, bounds.Min, draw.Src, ) } 

令人振奮，測試結果一切順利。

[[185214]]

言歸正傳，其***實際效果就遠超我的預期。矩形繪制算法真棒！

在圖像修改方面，我首先得想辦法去掉黑色背景。我以前曾使用過PNG配合透明背景的方法，因此確信其一定有效。在谷歌了幾下后，我偶然發(fā)現(xiàn)了draw.Draw函數中的draw.Over。我將其塞進正在使用的draw.Src，確實有效！

[[185215]]

雖然也可以用羽毛筆慢慢繪邊，但腦袋里的一個聲音告訴我，差不多就可以了。

好的，接下來我需要把面部圖像縮小一點?？梢钥隙ǖ氖?，如果將面部圖像放進尺寸完全相同的矩形，那么二者肯定無法匹配。這只是一款面部檢測工具，而非頭部檢測工具，這意味著我獲得的矩形并不適用于替換整個頭部。我編寫了一條快速函數以為image.Rectangle增加特定空白邊緣，最終將具體值設定為30%。

完成后，我開始對圖像進行大小/匹配調整。最終，我選擇了disintegration/imaging，其擁有一條簡單的imaging.Fit函數且提供水平鏡像等其它轉換操作。我的面部源圖像不多，所以我想這種鏡像功能可以提供多一種圖像選擇。

在導入后，我的新循環(huán)如下所示：

for _, face := range faces { // Pad the rectangle by 30 percent rect := rectMargin(30.0, face) // Grab a random face (also 50/50 chance it's mirrored) newFace := chrisFaces.Random() chrisFace := imaging.Fit(newFace, rect.Dx(), rect.Dy(), imaging.Lanczos) draw.Draw( canvas, rect, chrisFace, bounds.Min, draw.Over, ) } 

我又進行了一輪新的測試，效果相當不錯！

[[185216]]

[[185217]]

到這里，我意識到自己做出了一些真正有價值的東西。

Slack集成

我把面部修改代碼轉化為一個可運行的二進制文件，并打算將其打包成一個Slack機器人。之所以先轉換為二進制形式，是為了方便測試并在確定一切無誤后再行打包。現(xiàn)在時機已經成熟，我將把它變成Slack機器人。

當然，由于個人水平的限制，我又轉向了谷歌。

***條結果就是我所需要的內容。我花了大量時間閱讀Slack的API說明文檔并加以實踐，最終我得到了以下結果：

不錯

***套迭代使用了Slack上傳，但其作為自由Slack層意味著其不夠理想。我轉而將輸出結果以本地方式存儲在自己的服務器上，而后再將其鏈至Slack。由于Slack會自動擴展大部分圖像鏈接，因此這種作法對大多數人來說并不會影響到用戶體驗，也不會引來頂頭上司的注意。

由于訪問過程更為輕松，現(xiàn)在我能夠快速獲得大量實驗性面部圖像。我意識到，如果其找不到任何面部圖像，則會全程回復同樣的原有圖像——這就不好玩了。所以我將循環(huán)調整為：

iflen(faces) == 0 { // Grab a specific face and resize it to 1/3 the width// of the base image face := imaging.Resize( chrisFaces[0], bounds.Dx()/3, 0, imaging.Lanczos, ) face_bounds := face.Bounds() draw.Draw( canvas, bounds, face, // I'll be honest, I was a couple beers in when I came up with this and I// have no idea how it works exactly, but it puts the face at the bottom of// the image, centered horizontally with the lower half of the face cut off bounds.Min.Add(image.Pt( -bounds.Max/2+face_bounds.Max.X/2, -bounds.Max.Y+int(float64(face_bounds.Max.Y)/1.9), )), draw.Over, ) } 

現(xiàn)在的結果是：

[[185218]]

我個人對這套解決方案非常滿意。

到這里全部工作已經就緒，就等同事們的反應了。我只用了一個晚上就完全了從概念到原型的全部工作，沒人知道我為他們準備了怎樣的驚喜。

截至目前，我的經理是最為積極的Chrisbot手動配置用戶。

抱歉了Mat，看來自動化方案最終一定會取代人類的職位。

[[185219]]

但這家伙自己則非常開心。

不久之后，整個辦公室都在向@Chrisbot發(fā)送圖片。

我驚喜地發(fā)現(xiàn)，它確實能夠正確地處理面部重疊情況，即首先繪制最遠處的面孔。雖然這純粹屬于go-opencv庫返回矩形時實際順序帶來的副作用，但我對結果非常滿意。

不過雖然自動化面部替換大大增加了Slack當中Chris的亮相次數，但仍有一些人認為，人為操作的結果更有靈性一些。

不得不承認，他們的觀點確實站得住腳——至少在某些情況之下。

【51CTO譯稿，合作站點轉載請注明原文譯者和出處為51CTO.com】