你是否曾经想将某张照片中的人物抠出来，然后拼接到其他图片上去，从而可以即使你在天涯海角，我也可以到此一游？

专业点的人使用 PhotoShop 的“魔棒”工具可以抠图，非专业人士可以使用各种美图 APP 来实现，但是他们毕竟处理能力有限，一次只能处理一张图片，而且比较复杂的图像可能耗时较久。

今天我来向大家展示第三种途径——用 Python 一键批量抠图。

准备工作

既然要装逼，准备工作是少不了的。所谓“站在巨人的肩膀上，做事事半功倍”，我们这里的“巨人”就是 paddlepaddle 了，中文名称叫“飞桨”，那么这个 paddlepaddle 是什么呢？

它是“源于产业实践的开源深度学习平台，致力于让深度学习技术的创新与应用更简单”，直白点就是我帮你实现了深度学习底层框架，你只要有创意就可以在我平台上运用少量简单代码轻松实现。

它的官网是 https://www.paddlepaddle.org.cn/ 。

它的安装也比较简单，官网首页就有安装指引，我们这里根据官网的安装指引，使用 pip 方式来安装 CPU 版本。

我们首先执行语句：

python -m pip install paddlepaddle -i https://mirror.baidu.com/pypi/simple

安装成功后，我们在 python 环境中测试一下是否安装成功（这个也是按照官网指引来做），我们切换到 python 环境，运行如下代码：

Python 3.7.0 (v3.7.0:1bf9cc5093, Jun 26 2018, 23:26:24)  [Clang 6.0 (clang-600.0.57)] on darwin Type "help", "copyright", "credits" or "license" for more information. >>> import paddle.fluid >>> paddle.fluid.install_check.run_check() Running Verify Paddle Program ...  Your Paddle works well on SINGLE GPU or CPU. I0506 21:47:48.657404 2923565952 parallel_executor.cc:440] The Program will be executed on CPU using ParallelExecutor, 2 cards are used, so 2 programs are executed in parallel. W0506 21:47:48.658407 2923565952 fuse_all_reduce_op_pass.cc:74] Find all_reduce operators: 2. To make the speed faster, some all_reduce ops are fused during training, after fusion, the number of all_reduce ops is 1. I0506 21:47:48.658516 2923565952 build_strategy.cc:365] SeqOnlyAllReduceOps:0, num_trainers:1 I0506 21:47:48.659137 2923565952 parallel_executor.cc:307] Inplace strategy is enabled, when build_strategy.enable_inplace = True I0506 21:47:48.659595 2923565952 parallel_executor.cc:375] Garbage collection strategy is enabled, when FLAGS_eager_delete_tensor_gb = 0 Your Paddle works well on MUTIPLE GPU or CPU. Your Paddle is installed successfully! Let's start deep Learning with Paddle now >>> 

看到 Your Paddle is installed successfully 就表示安装成功了。

我们接下来需要使用的是这个平台的 paddlehub 工具，所以我们还需要安装 paddlehub ：

pip install -i https://mirror.baidu.com/pypi/simple paddlehub

安装完成后，我们就可以开始运用了。

我们的实现步骤很简单：导入模块 -> 加载模型 -> 获取图片文件 -> 调用模块抠图。

下面我们看代码实现：

import os, paddlehub as hub huseg = hub.Module(name='deeplabv3p_xception65_humanseg') # 加载模型 path = './imgs/' # 文件目录 files = [path + i for i in os.listdir(path)] # 获取文件列表 results = huseg.segmentation(data={'image': files}) # 抠图

我将图片放在代码文件夹的同级目录 imgs 文件夹下，运行代码后，输出的抠图图片会自动放在代码同级目录的 humanseg_output 目录下，文件名称跟原图片的名称相同，但是文件格式是 png 。

我在 imgs 目录下放了5张图片，为了便于展示，我将他们放在一起截图：

原图片

运行程序后，在 humanseg_output 目录下生成了5张图片，同样的，我将他们放在一起截图：

抠图图片

我们可以看到程序将每张图片中的人物（可以是一个，也可以是多个）识别出来，并且抠出来成图，背景是白色。虽然有些细节处还有些许瑕疵，但是看起来还算不错。

本文基于 paddlepaddle 平台，使用简单的五行代码实现了批量抠图，不仅解放了好多人的双手和双眼，而且为某些程序猿/程序媛的装逼工具箱提供了一件宝器。下次如果碰到某个女生或者闺蜜在为抠图发愁，别忘了掏出神器，赢得芳心哦！

在视频创作过程中，有时也会遇到人像抠图的需求，最一般的做法是使用PR、AE等工具将视频中的每一帧图像手动抠图。这么繁琐的步骤在理工男面前简直是不可存在的，那么有什么简单的方法能快速抠图吗？

当然有啦，接下来给大家介绍如何使用PaddleHub一键视频人像抠图。

效果展示

那顺便去看看埃菲尔铁塔呗。

到洛杉矶的海边散散步。

到上海欢乐谷锻炼锻炼身体。

最后到东京的观景台上看个日落

视频效果是不是很逼真呢，一天环游世界不是梦哈哈哈……

其实这些人像素材都是在房间里拍摄，然后使用PaddleHub工具库一键抠图，最后使用PR进行后期创作的，接下来介绍下如何操作吧。

这是如何实现的？

视频人像抠图跟上面是类似的，只要把视频的每一帧图像所含有的人像提取出来，然后加上背景重新合成视频就可以啦。大体的步骤知道了，那接下来开始实践吧。

哦对了，还得有一段含有人像的素材，小伙伴们可以自己拍摄或者从网络搜集。

01

安装必要组建

需要安装的是飞桨框架和PaddleHub工具库，安装步骤可以参考别再用PS了，我用5行Python代码就实现了批量抠图。或者直接阅读原文进入飞桨官网查看安装步骤。

02

人像抠图制作素材

由于目前PaddleHub人像抠图模型API的输入是单张图像的路径，故需要先将视频的每一帧图像分离存储后才能进行抠图。

当然也可以通过修改模型的源码，将API的输入修改成图像输入，这样就省去了视频分离存储的步骤，具体的源码可以参考：

https://aistudio.baidu.com/aistudio/projectdetail/370260，

这里主要介绍前一种方法。

import cv2 import os import numpy as np from PIL import Image import paddlehub as hub

def CutVideo2Image(video_path, img_path):     cap = cv2.VideoCapture(video_path)     index = 0     while(True):         ret,frame = cap.read()          if ret:             cv2.imwrite(img_path + '%d.jpg' % index, frame)             index += 1         else:             break     cap.release()     print('Video cut finish, all %d frame' % index)

该步骤将会把每一帧图像保存到本地目录。

def GetHumanSeg(frame_path, out_path):     # 加载模型     module = hub.Module(name="deeplabv3p_xception65_humanseg")     # 配置     test_img_path = [os.path.join(frame_path, fname) for fname in os.listdir(in_path)]     input_dict = {"image": test_img_path}     results = module.segmentation(data=input_dict, output_dir=out_path)     # Tips：使用GPU加速需安装paddlepaddle-gpu     # results = module.segmentation(data=input_dict, use_gpu = gpu, batch_size = 10,output_dir=out_path)

该步骤将会把人像提取并保存为png至本地

为什么要使用绿幕呢，主要是为了后续在视频后期软件里方便使用素材。当然熟悉Python的同学也可以直接使用一些Python模块进行视频后期。但是在这里还是推荐使用PR、AE这类专业软件，可以方便地对素材进行缩放、变速、位置处理、以及添加特效等操作。更重要的是，可以对素材进行调色，与新的背景更好地融合。

def init_canvas(width, height, color=(255, 255, 255)):     canvas = np.ones((height, width, 3), dtype="uint8")     canvas[:] = color     return canvas # 生成绿幕 def GetGreenScreen(size, out_path):     canvas = init_canvas(size[0], size[1], color=(0, 255, 0))     cv2.imwrite(out_path, canvas) def BlendImg(fore_image, base_image, output_path):     """     将抠出的人物图像换背景     fore_image: 前景图片，抠出的人物图片     base_image: 背景图片     """     # 读入图片     base_image = Image.open(base_image).convert('RGB')     fore_image = Image.open(fore_image).resize(base_image.size)     # 图片加权合成     scope_map = np.array(fore_image)[:,:,-1] / 255     scope_map = scope_map[:,:,np.newaxis]     scope_map = np.repeat(scope_map, repeats=3, axis=2)     res_image = np.multiply(scope_map, np.array(fore_image)[:,:,:3]) + np.multiply((1-scope_map), np.array(base_image))     # 保存图片     res_image = Image.fromarray(np.uint8(res_image))     res_image.save(output_path) def BlendHumanImg(in_path, screen_path, out_path):     humanseg_png = [filename for filename in os.listdir(in_path)]     for i, img in enumerate(humanseg_png):         img_path = os.path.join(in_path + '%d.png' % (i))         output_path_img = out_path + '%d.png' % i         BlendImg(img_path, screen_path, output_path_img)

该步骤完成后将会得到类似这样的绿幕图片：

def CompVideo(in_path, out_path, size):     fourcc = cv2.VideoWriter_fourcc(*'mp4v')     out = cv2.VideoWriter(out_path,fourcc, 30.0, size)     files = os.listdir(in_path)     for i in range(len(files)):         img = cv2.imread(in_path + '%d.png' % i)         out.write(img)    # 保存帧     out.release()

该步骤完成后即可得到类似下图的人体绿幕素材

# Config Video_Path = 'video/0.mp4' Video_Size = (1920, 1080) FrameCut_Path = 'video/frame/' FrameSeg_Path = 'video/frame_seg/' FrameCom_Path = 'video/frame_com/' GreenScreen_Path = 'video/green.jpg' ComOut_Path = 'output.mp4' if __name__ == "__main__":     # 第一步：视频->图像     if not os.path.exists(FrameCut_Path):         os.mkdir(FrameCut_Path)              CutVideo2Image(Video_Path, FrameCut_Path)     # 第二步：抠图     if not os.path.exists(FrameSeg_Path):         os.mkdir(FrameSeg_Path)          GetHumanSeg(FrameCut_Path, FrameSeg_Path)     # 第三步：生成绿幕并合成     if not os.path.exists(GreenScreen_Path):         GetGreenScreen(Video_Size, GreenScreen_Path)     if not os.path.exists(FrameCom_Path):         os.mkdir(FrameCom_Path)          BlendHumanImg(FrameSeg_Path, GreenScreen_Path, FrameCom_Path)     # 第四步：合成视频     if not os.path.exists(ComOut_Path):         CompVideo(FrameCom_Path, ComOut_Path, Video_Size)

OK，绿幕素材都已经制作完毕，下一步就可以导入到后期软件内进行创作啦，这里以PR为例。

03

后期创作

将绿幕素材和背景素材导入PR，在绿幕素材上使用`超级键`效果，并将主要颜色选取为绿幕的颜色，即可轻松去除绿幕颜色。

再往后的各种骚操作就看各位小伙伴的想象力啦！

这里附上我的作品：[AI人像抠图]|百度PaddleHub抠图创意赛[附教程、代码]：

https://www.bilibili.com/video/BV1cA411b7r2

• 头发、手指等细节部分还需要进一步完善。
• 人体动作幅度大导致图像帧模糊，会造成提取失败。
• 模型的API接口有待继续丰富。