基于dlib人脸关键点定位的图像视频处理工具

利用调参算法调整人脸关键点的定位，使其更加精确，更好的完成我们图像视频处理

AI Studio

483人浏览 · 2022-07-24 10:21:33

AI Studio · 2022-07-24 10:21:33 发布

1. 项目说明

图像视频处理在计算机视觉中是一个基本但具有挑战性的任务。它旨在提供详细的人脸关键点定位，相当于为每个人脸进行关键点描点。该技术目前被广泛应用于短视频媒体平台、直播等系统领域。以我们选用的“人脸关键点识别”数据集为例，该项目的挑战在于：

1.1 人脸光照条件的不确定性：

不同的场景会有不同的光照等因素，光照的来源方向、光照强度的不同都影响人脸图像的灰度布局。

1.2 人脸受遮挡的不确定性:

定位出人脸面部的关键区域位置，包括眉毛、眼睛、鼻子、嘴巴、脸部轮廓等和人脸检测类似，由于受到姿态和遮挡等因素的影响。

1.3 人脸关键点算法的设计：

要实现对视频和图像中的人脸的追踪并分析面部表情，来检测畸形面部体征以进行我们图像视频处理。

2. 安装说明

2.1 环境要求

·paddlepaddle >= 2.0.0rc1
·Python >= 3.7
·dlib库的安装（适配于python版本，本文提供3.8版本Python的dlib安装文件）

强烈建议您安装/使用 GPU 版本的 PaddlePaddle。因为人脸关键点定位模型开销很大，当模型运行在 CPU 时可能会出现内存不足。更详细的安装教程请参考 PaddlePaddle 官网

2.2 dlib库安装

1.首先下载文件dlib-19.19.0-cp38-cp38-win_amd64.whl
该文件在文件浏览器下，可以直接下载。

2.将下载的whl文件放到任意的路径下，然后通过命令行进入到该目录下，
然后运行代码：

pip install dlib-19.19.0-cp38-cp38-win_amd64.whl
之后回车安装即可。

2.3 解压数据

项目部分代码在 dingwei.zip 文件中，数据集在 data.zip 文件中，解压到合适路径即可使用。除了压缩包文件中的程序，也可以在在aistudio项目中可以直接查阅作品中对于帽子和嘴巴特效定位处理的代码：

#嘴巴特效：

import cv2  # 图像处理的opencv库
import argparse  # 加载解析模块
import os
def hat_face(opt):
    # 加载dlib的人脸检测模型
    detector = dlib.get_frontal_face_detector()
    # 使用opencv中的imread函数，读取需要添加特效的图片
    landmark_predictor = dlib.shape_predictor(opt.landmarks_model_path)
    # 使用opencv中的imread函数，读取嘴巴的图片
    img_hat = cv2.imread(opt.hat_path)
    # img_hat = img_hat[:]
    # 对图片进行dlib人脸检测，得到检测后的人脸框信息faceRects
    # faceRects = detector(img, 0)
    # 图片中可能存在多张人脸，依次遍历输出每张人脸的位置信息,并在特定位置，添加嘴巴特效
    cap = cv2.VideoCapture(opt.video_path)
    force= cv2.VideoWriter_fourcc("X","V","I","D")
    out1 = cv2.VideoWriter("output.avi",force,20,(640,480))
    frame_id = 0
    while cap.isOpened():
        try:
            # 因为视频采集，每秒可能会采集N帧图片，因此使用read函数，逐帧读取图片
            # ret 返回True或Fasle，表示是否读取到图片
            # frame 返回读取的图片信息
            ret, frame = cap.read()
            # 如果ok为false，则采集结束
            if not ret:
                # 打印输出，提示信息
                print("Camera cap over!")
                continue
            # frame_id加1，便于跳帧
            frame_id += 1
            if not int(frame_id) % 2 == 0: continue
            faceRects = detector(frame)
            if len(faceRects) > 0:
                for box_info in faceRects:
                    # dlib检测出的人脸位置信息，为rectangle类型，所以可以通过left()、top()、right()、bottom()提取人脸框左上角的x0,y0，右下角的x1,y1。
                    x0, y0, width_face, height_face = box_info.left(), box_info.top(), box_info.right() - box_info.left(), box_info.bottom() - box_info.top()
                    landmarks = landmark_predictor(frame, box_info)
                    # 获得嘴巴图片的高height_hat，宽width_hat，便于后面控制嘴巴显示的大小
                    height_hat, width_hat = img_hat.shape[0], img_hat.shape[1]
                    # 将嘴巴的高度变成，适合检测到的脸型的大小
                    imgComposeSizeH = int(height_hat / width_hat * width_face)
                    # 因为嘴巴在脸部上方，当脸部靠近视频顶部，为了保证嘴巴能显示出来，嘴巴的高度默认为脸部到视频上方的距离
                    if imgComposeSizeH > (y0 + 220):
                        imgComposeSizeH = (y0 + 220)
                    # 将嘴巴的图片归一化到适合的宽和高大小，宽度为人脸的宽度，高度为上面调整后的嘴巴高度
                    imgComposeSize = cv2.resize(img_hat, (width_face, imgComposeSizeH), interpolation=cv2.INTER_NEAREST)
                    # 为了实现在人脸上方的额头，添加嘴巴特效，只需要将嘴巴贴到额头处即可
                    # 注意：y0是人脸检测框左上方顶点的y坐标，y0-20,则差不多定位到额头处，再减去imgComposeSizeH，调整后嘴巴的高度
                    #      即从这个位置开始贴合嘴巴，可以实现人脸嘴巴特效
                    top = (y0 + 220 - imgComposeSizeH )
                    # 当人脸太靠近图片上方，通过前一行的计算，有可能为负数，所以当出现这样的情况时，top设置为0
                    if top <= 0:
                        top = 0
                    # 获得调整尺寸后，嘴巴新的高height_hat_new，新的宽width_hat_new
                    height_hat_new, width_hat_new = imgComposeSize.shape[0], imgComposeSize.shape[1]
                    small_img_hat = frame[top:top + height_hat_new, x0:x0 + width_hat_new]
                    # 如需查看，上一行的效果，可将cv2.imwrite前面的#取消，运行后，保存到本目录查看
                    #cv2.imwrite("small_img_hat.jpg",small_img_hat)
                    # 将嘴巴图像，从RGB彩色图像转换为灰度图像
                    small_img_hat_gray = cv2.cvtColor(imgComposeSize, cv2.COLOR_RGB2GRAY)
                    # 如需查看，上一行的效果，可将cv2.imwrite前面的#取消，运行后，保存到本目录查看
                    #cv2.imwrite("small_img_hat_gray.jpg", small_img_hat_gray)
                    # 阈值化处理，将10<像素<255区间的图像抠出来
                    # 因为背景为黑色，所以阈值设置10到255，即可将嘴巴区域提取出来
                    ret, mask_hat = cv2.threshold(small_img_hat_gray, 10, 255, cv2.THRESH_BINARY)
                    # 如需查看，上一行的效果，可将cv2.imwrite前面的#取消，运行后，保存到本目录查看
                    #cv2.imwrite("mask_hat.jpg", mask_hat)
                    # 使用取反操作，将嘴巴的图像从黑色0变为白色255，将白色255变成黑色0
                    mask_hat_inv = cv2.bitwise_not(mask_hat)
                    # 如需查看，上一行的效果，可将cv2.imwrite前面的#取消，运行后，保存到本目录查看
                    #cv2.imwrite("mask_hat_inv.jpg", mask_hat_inv)
                    # 使用按位与操作，将抠出的嘴巴区域和取反后的嘴巴图像相加
                    img1_bg = cv2.bitwise_and(small_img_hat, small_img_hat, mask=mask_hat_inv)
                    # 如需查看，上一行的效果，可将cv2.imwrite前面的#取消，运行后，保存到本目录查看
                    #cv2.imwrite("img1_bg.jpg", img1_bg)
                    # 使用按位与操作，将像素值在[10，255]之间的帽子RGB区域抠取出来
                    img2_fg = cv2.bitwise_and(imgComposeSize, imgComposeSize, mask=mask_hat)
                    dst = cv2.add(img1_bg, img2_fg)
                    # img_bg = cv2.bitwise_and(roi_face, roi_face, mask=mask_eyeglass_inv)
                    # 如需查看，上一行的效果，可将cv2.imwrite前面的#取消，运行后，保存到本目录查看
                    #cv2.imwrite("dst.jpg", dst)
                    # 将带了嘴巴的局部区域，贴合到原始图像上
                    frame[top:top + height_hat_new, x0:x0 + width_hat_new] = dst
                    out1.write(frame)
            img = cv2.resize(frame, (800, 600))
        # 显示图片
            cv2.imshow("image", img)
        # 显示图片停顿的时间，如果是0，则一直显示。如果是100，则显示100ms
            if cv2.waitKey(1) & 0xFF == ord('q'):
                break
            # 按‘q’退出
        except:pass


### 函数主入口
# if __name__ == '__main__':
    # 新建一个解析器
def zuibab5():
    parser = argparse.ArgumentParser()
    # 为解析器添加选项，比如image_path，添加图片地址，可以更换其他图片尝试。（在default后面，添加需要读取的图片路径）
    # 注意：不同的图片，宽高大小可能不同，大家可以根据自己的图片比例，调试前面的的cv2.resize中的数值，修改显示窗口的大小。
    parser.add_argument('--video_path', default=0, help='path of cap video')
    # apath = os.path.abspath("mao1.png")
    # print(apath)
    # 为解析器添加选项，比如hat_path，添加嘴巴图片地址。（在default后面，添加需要读取的嘴巴图片路径）
    parser.add_argument('--hat_path', default="./image/zui5.1.png", help='path of hat image')
    parser.add_argument('--landmarks_model_path', default="shape_predictor_68_face_landmarks.dat", help='path of model')
    # 解析选项的参数
    opt = parser.parse_args()
    # 调用hat_face函数，对人脸进行检测，添加嘴巴特效
    hat_face(opt)

#帽子特效：

import cv2  # 图像处理的opencv库
import argparse  # 加载解析模块
import os
def hat_face(opt):
    # 加载dlib的人脸检测模型
    detector = dlib.get_frontal_face_detector()
    # 使用opencv中的imread函数，读取需要添加特效的图片
    landmark_predictor = dlib.shape_predictor(opt.landmarks_model_path)
    # 使用opencv中的imread函数，读取兔子帽子的图片
    img_hat = cv2.imread(opt.hat_path)
    # img_hat = img_hat[:]
    # 对图片进行dlib人脸检测，得到检测后的人脸框信息faceRects
    # faceRects = detector(img, 0)
    # 图片中可能存在多张人脸，依次遍历输出每张人脸的位置信息,并在特定位置，添加兔子帽子特效
    cap = cv2.VideoCapture(opt.video_path)
    frame_id = 0
    while cap.isOpened():
        # 因为视频采集，每秒可能会采集N帧图片，因此使用read函数，逐帧读取图片
        # ret 返回True或Fasle，表示是否读取到图片
        # frame 返回读取的图片信息
        ret, frame = cap.read()
        # 如果ok为false，则采集结束
        if not ret:
            # 打印输出，提示信息
            print("Camera cap over!")
            continue
        # frame_id加1，便于跳帧
        frame_id += 1
        if not int(frame_id) % 2 == 0: continue
        faceRects = detector(frame)
        if len(faceRects) > 0:
            for box_info in faceRects:
                # dlib检测出的人脸位置信息，为rectangle类型，所以可以通过left()、top()、right()、bottom()提取人脸框左上角的x0,y0，右下角的x1,y1。
                x0, y0, width_face, height_face = box_info.left(), box_info.top(), box_info.right() - box_info.left(), box_info.bottom() - box_info.top()
                landmarks = landmark_predictor(frame, box_info)
                # 获得帽子图片的高height_hat，宽width_hat，便于后面控制帽子显示的大小
                height_hat, width_hat = img_hat.shape[0], img_hat.shape[1]
                # 将帽子的高度变成，适合检测到的脸型的大小
                imgComposeSizeH = int(height_hat / width_hat * width_face)
                # 因为帽子在脸部上方，当脸部靠近视频顶部，为了保证帽子能显示出来，帽子的高度默认为脸部到视频上方的距离
                if imgComposeSizeH > (y0 - 20):
                    imgComposeSizeH = (y0 - 20)
                # 将帽子的图片归一化到适合的宽和高大小，宽度为人脸的宽度，高度为上面调整后的帽子高度
                imgComposeSize = cv2.resize(img_hat, (width_face, imgComposeSizeH), interpolation=cv2.INTER_NEAREST)
                top = (y0 - 20 - imgComposeSizeH )
                # 当人脸太靠近图片上方，通过前一行的计算，有可能为负数，所以当出现这样的情况时，top设置为0
                if top <= 0:
                    top = 0
                height_hat_new, width_hat_new = imgComposeSize.shape[0], imgComposeSize.shape[1]
                small_img_hat = frame[top:top + height_hat_new, x0:x0 + width_hat_new]
                # 如需查看，上一行的效果，可将cv2.imwrite前面的#取消，运行后，保存到本目录查看
                #cv2.imwrite("small_img_hat.jpg",small_img_hat)
                # 将帽子图像，从RGB彩色图像转换为灰度图像
                small_img_hat_gray = cv2.cvtColor(imgComposeSize, cv2.COLOR_RGB2GRAY)
                # 如需查看，上一行的效果，可将cv2.imwrite前面的#取消，运行后，保存到本目录查看
                ret, mask_hat = cv2.threshold(small_img_hat_gray, 10, 255, cv2.THRESH_BINARY)
                # 如需查看，上一行的效果，可将cv2.imwrite前面的#取消，运行后，保存到本目录查看
                #cv2.imwrite("mask_hat.jpg", mask_hat)
                # 使用取反操作，将帽子的图像从黑色0变为白色255，将白色255变成黑色0
                mask_hat_inv = cv2.bitwise_not(mask_hat)
                # 如需查看，上一行的效果，可将cv2.imwrite前面的#取消，运行后，保存到本目录查看
                #cv2.imwrite("mask_hat_inv.jpg", mask_hat_inv)
                # 使用按位与操作，将抠出的帽子区域和取反后的帽子图像相加
                img1_bg = cv2.bitwise_and(small_img_hat, small_img_hat, mask=mask_hat_inv)
                # 如需查看，上一行的效果，可将cv2.imwrite前面的#取消，运行后，保存到本目录查看
                #cv2.imwrite("img1_bg.jpg", img1_bg)
                # 使用按位与操作，将像素值在[10，255]之间的帽子RGB区域抠取出来
                img2_fg = cv2.bitwise_and(imgComposeSize, imgComposeSize, mask=mask_hat)
                # 将img1_bg和img2_fg相加，等于戴了帽子的区域图像
                dst = cv2.add(img1_bg, img2_fg)
                frame[top:top + height_hat_new, x0:x0 + width_hat_new] = dst
        img = cv2.resize(frame, (800, 600))
    # 显示图片
        cv2.imshow("image", img)
    # 显示图片停顿的时间，如果是0，则一直显示。如果是100，则显示100ms
        if cv2.waitKey(2) & 0xFF == ord('q'):
            break
        # 按‘q’退出


### 函数主入口
# if __name__ == '__main__':
    # 新建一个解析器
def maoc1():
    parser = argparse.ArgumentParser()
    # 为解析器添加选项，比如image_path，添加图片地址，可以更换其他图片尝试。（在default后面，添加需要读取的图片路径）
    # 注意：不同的图片，宽高大小可能不同，大家可以根据自己的图片比例，调试前面的的cv2.resize中的数值，修改显示窗口的大小。
    parser.add_argument('--video_path', default=0, help='path of cap video')
    # apath = os.path.abspath("mao1.png")
    # print(apath)
    # 为解析器添加选项，比如hat_path，添加帽子图片地址。（在default后面，添加需要读取的帽子图片路径）
    parser.add_argument('--hat_path', default="./image/m8.png", help='path of hat image')
    parser.add_argument('--landmarks_model_path', default="shape_predictor_68_face_landmarks.dat", help='path of model')
    # 解析选项的参数
    opt = parser.parse_args()
    # 调用hat_face函数，对人脸进行检测，添加兔子帽子特效
    hat_face(opt)

3. 系统关键技术

本作品是使用python语言进行开发设计，主要使用到pyqt5、opencv、dlib、math、requests、bs4等第三方库来实现。作品在读取图片和视频数据的功能上是使用opencv库来实现，除了对图像数据的读取外，还有一关键功能，就是为识别的人像进行68点关键点描点；dlib库是我们作品实现的关键技术，它是基于opencv对人像的描点进行检测，使人脸关键点定位更加精准，为我们后续的特效添加起到了重要的作用；并且通过dlib来进行调参算法对paddlehub框架进行优化；pyqt5模块支撑着我们作品的“排面”，界面设计简约，极易理解，非常容易上手。顺应时下流行的短视频媒体平台的潮流和广大用户的需要，以飞桨平台的模型调用便捷性，结合python开发技术，将图像视频处理工具进行打包，将一个具备免费、免安装、免网络的全民使用工具呈现给大家。

3.1 图像与视频数据读取的实现

图像与视频的读取是我们工具必备的功能，图像和视频的读取不仅可以选择本地已有素材，在借助python的opencv模块功能下实现了可以实时进行拍摄、录制素材。在获取实时素材这一部分，我们加入了异常判断指令，使得获取的图像可以清晰、无延迟地显示到客户端，从而较好地实现了拍摄的实时效果，为后续对图片和视频进行处理奠定了基础。
这里提供简单的内容展示：

def Jietu(self):
        try:
            import time
            import win32com.client 
            speak = win32com.client.Dispatch("SAPI.SpVoice")
            # speak.Speak("正在获取图片")
            self.da = []
            times = str(round(time.time()))
            cap = cv2.VideoCapture(0)
            ret, frame = cap.read()  # cao.read()返回两个值，第一个存储一个bool值，表示拍摄成功与否。第二个是当前截取的图片帧。
            cv2.imwrite(f"./capture1_{times}.jpg", frame)  # 写入图片
            cap.release()  # 释放
            self.da.append(f"./capture1_{times}.jpg")
            time.sleep(0.2)
            self.labbeltu.setPixmap(QPixmap(self.da[0]))
            self.path_files1 = [1]
            self.path_files1[0] = self.da[0]
            speak.Speak("正在识别图片")
        except:
            pass

3.2 人脸关键点定位的调参优化

在图像处理中，关键点本质上是一种特征。它是对一个固定区域或者空间物理关系的抽象描述，描述的是一定邻域范围内的组合或上下文关系。它不仅仅是一个点信息，或代表一个位置，更代表着上下文与周围邻域的组合关系。关键点检测的目标就是通过计算机从图像中找出这些点的坐标，作为计算机视觉领域的一个基础任务，关键点的检测对于高级别任务，例如识别和分类具有至关重要的意义。
关键点检测方法总体上可以分成两个类型，一个种是用坐标回归的方式来解决，另一种是将关键点建模成热力图，通过像素分类任务，回归热力图分布得到关键点位置。这两个方法，都是一种手段或者是途径，解决的问题就是要找出这个点在图像当中的位置与关系。其中人脸关键点检测是关键点检测方法的一个成功实践。我们作品也将人脸关键点定位的功能完美应用其中。
这里提供瘦脸优化和美白优化的代码实例：

def thin_face(image, face_landmark):
    """
    实现自动人像瘦脸
    image： 人像图片
    face_landmark: 人脸关键点
    """
    end_point = face_landmark[30]
 # 瘦左脸，3号点到5号点的距离作为瘦脸距离
    dist_left = np.linalg.norm(face_landmark[3] - face_landmark[5])
    image = local_traslation_warp(image, face_landmark[3], end_point, dist_left)

    # 瘦右脸，13号点到15号点的距离作为瘦脸距离
    dist_right = np.linalg.norm(face_landmark[13] - face_landmark[15])
    image = local_traslation_warp(image, face_landmark[13], end_point, dist_right)
    return image

def whitening(img, face_landmark):
	"""
	美白
	"""
	# 简单估计额头所在区域
	# 根据0号、16号点画出额头(以0号、16号点所在线段为直径的半圆)
	radius=(np.linalg.norm(face_landmark[0] - face_landmark[16]) / 2).astype('int32')
	center_abs=tuple(((face_landmark[0] + face_landmark[16]) / 2).astype('int32'))
	angle=np.degrees(np.arctan((lambda l:l[1]/l[0])(face_landmark[16]-face_landmark[0]))).astype('int32')
	face = np.zeros_like(img)
	cv2.ellipse(face,center_abs,(radius,radius),angle,180,360,(255,255,255),2)
	# cv2.ellipse(face, center_abs, (radius, radius), angle, 180, 360, (0,0,0), 2)
	points=face_landmark[0:17]
	hull = cv2.convexHull(points)
	cv2.polylines(face, [hull], True, (255,255,255), 2)
	# cv2.polylines(face, [hull], True, (0,0,0), 2)

3.3 界面的设计与制作

本功能是使用Pyqt5模块来进行工具GUI界面设计与制作。Pyqt5是基于图形程序框架Qt5的Python语言实现，由一组Python模块构成，是目前最主流的Python GUI框架。功能资源强大的同时又方便快捷。通过使用pyqt5模块可以很容易的对工具界面进行精美的设计和制作。并且在python打包的qt工具中，pyqt5库支持跨平台使用。

4. 功能介绍

我们的工具主要对图片、视频进行处理，包括人像美颜、视频制作、等功能，具有方便、免安装、免费的优势。分为两大功能，分别是图片处理工具和视频处理工具，并且支持现场拍摄和现场录制视频来进行处理。

4.1 图像处理工具

图片处理工具是本作品中的一种功能工具，它对于图片的风格化处理、图像质量的提升等功能有着很全面的实现，下面是图片处理工具的功能介绍图：

在这里插入图片描述

下面是我们的图片处理工具的界面图展示图：
可以通过选取本地图片或者现场拍摄的图片来选择瘦脸处理、眼睛处理、美白以及黑白图片上色等功能。

在这里插入图片描述

实时拍摄图片来进行处理，更是我们图像视频工具的一大特点：

在这里插入图片描述

操作流程：
Step1 选择需要处理的照片
可以选择本地已有的照片或者现场拍摄的照片

Step2 选择需要处理的功能
使用图片风格美化和图片质量提升等功能

Step3 进行美化处理
使用人像处理、人像美颜、图片上色，抠图等来对图片进行美化

Step4 检查图片
检查处理后的图片是否符合自己的要求

Step5 保存图片
将处理后的图片用原图进行保存

4.2 视频处理工具

视频处理工具在本作品中，主要体现的是特效的添加。对于人脸的定位来进行精准的特效添加。
在这里插入图片描述

下面是我们作品的视频处理工具的界面展示图：
可以选择不同的特效来进行实时的录像。

在这里插入图片描述

效果展示图：

在这里插入图片描述

效果展示图：

在这里插入图片描述

操作流程：
Step 1 选择需要做处理的视频
可以直接添加本地视频或者现场实时录制视频

Step 2 选择需要的功能
工具中带有视频风格化处理、AI换脸、视频剪辑等功能

Step 3 进行调试
可以随意播放处理后视频，观看是否满足要求并进行调整

Step 4 保存视频
将处理后的视频保存到与原视频相同的路径下，并且不覆盖原视频

4.3 工具操作流程

由于本作品是一款面向大众的功能性工具，而流程图是流经一个系统的信息流、观点流或部件流的图形代表，可以让用户更加直观的了解和使用我们的工具。下面是本工具的操作流程图：
在这里插入图片描述

用户可以根据我们的流程图通过简单的操作来实现图像视频处理。

5. 总结

经过几个月的设计和编码，作品《咔秀》基本开发完毕。基本实现了预定完成的功能。本文阐述了该工具的基础理论、实现过程和关键技术。由于篇幅的原因，不可能把整个系统中的每一项技术，每一个细节具体地讲出来，因此，我们只是有选择地对系统中的一些内容进行了介绍。不足之处，还望各位指教。
通过使用python语言中dilib人像关键点定位、opencv库等各种技巧，通过opencv库对图片和视频进行处理，使用photoshop工具设计图片。并且结合dlib库，利用设备摄像头进行人脸捕捉。从而定位人脸关键点，对人脸所在位置添加特效。
在作品设计期间，学习了python语言编程，用到的主要技术有pyqt5（界面设计）、opencv(读取摄像头）、dlib（人脸关键点定位）、、match(模块算法）、requests（数据获取）、bs4等主要技术，并查看学习了许多资料。在系统的研发过程中，我们也遇到许多困难，因为以前没有项目经验，起步很难，不过通过各种知识的补充学习，并且查找各种资料，团队慢慢进入状态，并且从中找到很多乐趣。
本系统经过测试，效果良好，但是由于时间有限，技术上存在许多需要改进之处。在功能上还有许多待完善的地方，比如可以增加特效种类，对特效进行动态处理在视频中增加互动，这些设想我们都在进一步的研究与实现。希望通过我们今后的不断努力，我们的作品不断扩大应用范围，真正服务于图片、视频特效这个领域。

此文仅为搬运，原作链接：https://aistudio.baidu.com/aistudio/projectdetail/4264449?channelType=0&channel=0