編者按：在這篇教程中，作者Adrian Rosebrock將教你如何用OpenCV、Python和深度學(xué)習(xí)技術(shù)對圖像和實時視頻進(jìn)行神經(jīng)風(fēng)格遷移。

2015年，Gatsys等人在論文A Neural Algorithm of Artistic Style中提出了最初的神經(jīng)風(fēng)格遷移算法。2016年，Johnson等人發(fā)表了Perceptual Losses for Real-Time Style Transfer and Super-Resolutioin一文，將神經(jīng)網(wǎng)絡(luò)遷移作為用感知損失處理超分辨率問題的框架。結(jié)果表明該算法比Gatys等人的方法快了三倍。接下來，我將介紹如何在自己的圖像和視頻流中應(yīng)用神經(jīng)風(fēng)格遷移。

用OpenCV進(jìn)行神經(jīng)風(fēng)格遷移

首先說明的一點是，今天討論的方法在一個CPU上可以達(dá)到近乎實時的效果，如果在GPU上則完全可以實現(xiàn)實時效果。

首先我們會簡單塔倫下什么是神經(jīng)風(fēng)格遷移，以及它是如何運作的。之后我們會用OpenCV和Python動手操作。

什么是神經(jīng)風(fēng)格遷移？

從左至右：我們的內(nèi)容圖像；風(fēng)格圖像；輸出的風(fēng)格遷移圖像

神經(jīng)風(fēng)格遷移主要有兩個過程：

提取某張圖片的風(fēng)格

將該種風(fēng)格應(yīng)用到另一張圖片上

上圖就是將梵高著名的畫作《星夜》的風(fēng)格應(yīng)用到普通的生活照上，我們保留了原照片中的山、人物和啤酒等所有內(nèi)容，但全部替換成了梵高的油畫風(fēng)格。

問題就是，我們應(yīng)該如何定義一個神經(jīng)網(wǎng)絡(luò)，讓它執(zhí)行神經(jīng)風(fēng)格遷移呢？

神經(jīng)風(fēng)格遷移如何工作？

在Gatys等人提出的首篇論文中，神經(jīng)風(fēng)格遷移算法不需要新的架構(gòu)。相反，我們可以用一個預(yù)訓(xùn)練網(wǎng)絡(luò)（通常在ImageNet上進(jìn)行的預(yù)訓(xùn)練），并且定義一個損失函數(shù)，能讓我們達(dá)到風(fēng)格遷移的目標(biāo)，然后對損失函數(shù)不斷優(yōu)化。

那么，這里的問題就不是“該用什么神經(jīng)網(wǎng)絡(luò)”了，而是“該用什么損失函數(shù)”。

答案包括：內(nèi)容損失、風(fēng)格損失和總變差損失。每個部分都是單獨計算，然后在一個元損失函數(shù)中結(jié)合。通過將元損失函數(shù)最小化，我們將依次對內(nèi)容、風(fēng)格和總變差損失進(jìn)行優(yōu)化。

雖然Gatys等人的方法能生成不錯的神經(jīng)風(fēng)格遷移結(jié)果，但是它的速度非常慢。2016年，Johnson等人在Gatys的基礎(chǔ)上提出的全新算法速度快了三倍，但同時也存在著缺點，即用戶不能隨機(jī)選擇想要應(yīng)用的風(fēng)格圖像。用戶首先要訓(xùn)練一個網(wǎng)絡(luò)，生成你想要的風(fēng)格。網(wǎng)絡(luò)訓(xùn)練好后，你可以將它應(yīng)用到任意內(nèi)容圖像上。

然而到了2017年，Ulyanov等人發(fā)表了Instance Normalization: The Missing Ingredient for Fast Stylization一文，他們表示將batch normalization替換成instance normalization（然后在訓(xùn)練和測試時都應(yīng)用instance normalization），可以達(dá)到更快的效果，并且藝術(shù)效果也更好。

項目結(jié)構(gòu)

在開始今天的教程前，請先下載我提供的資料（點擊文末原文地址獲取資料）。準(zhǔn)備好了腳本、模型和圖像后，你可以用tree指令檢查項目的結(jié)構(gòu)：

如果你從下載了.zip文件，就無需上網(wǎng)找其他素材了。我在其中提供了很多測試用的圖像和模型。同時還有三種Python腳本。

開始神經(jīng)風(fēng)格遷移

接下來讓我們用OpenCV和Python進(jìn)行神經(jīng)風(fēng)格遷移的實踐。

首先打開neural_style_transfer.py文件，插入如下代碼：

首先，我們導(dǎo)入所需的包并解析命令行參數(shù)。

導(dǎo)入的有：

imutils：這個包可以通過pip install --upgrade imutils安裝。最近我發(fā)布了imutils==0.5.1，所以不要忘記更新！

OpenCV：你需要一個OpenCV 3.4或者更高版本。

該腳本下需要兩個命令行：

--model：神經(jīng)風(fēng)格遷移的模型路徑。在“下載”區(qū)中，我加入了11中經(jīng)過與訓(xùn)練的模型。

--image：需要進(jìn)行風(fēng)格遷移的圖像（輸入圖像）。在其中我放入了四張圖片。

你不需要改變命令行代碼，參數(shù)會在運行過程中進(jìn)行處理。如果你不熟悉這一過程，可以閱讀我另一篇文章：www.pyimagesearch.com/2018/03/12/python-argparse-command-line-arguments/

接下來的部分比較有趣，我們要下載圖像和模型，然后計算神經(jīng)風(fēng)格遷移：

在這部分代碼中，我們進(jìn)行了：

將下載的預(yù)訓(xùn)練神經(jīng)風(fēng)格遷移模型稱為net（第17行）；

下載輸入圖像并調(diào)整尺寸（21和22行）；

用均值減法創(chuàng)建blob（27和28行）；

執(zhí)行forward，獲取output圖像（31行）。

接下來，重要的是對輸出圖像進(jìn)行后處理：

最后一步是將輸出圖像顯示在屏幕上：

神經(jīng)風(fēng)格遷移結(jié)果

當(dāng)你下載好文件后，打開終端執(zhí)行以下命令：

現(xiàn)在，對命令行參數(shù)做簡單改變，然后用《侏羅紀(jì)公園》中的截圖作為內(nèi)容圖像，進(jìn)行風(fēng)格遷移：

另一個例子：

這是我最喜歡的案例，感覺都能當(dāng)做酒吧的裝飾畫了。

實時神經(jīng)風(fēng)格遷移

上面我們講了如何在單一圖像上應(yīng)用風(fēng)格遷移，現(xiàn)在我們要把這一過程放在視頻上。

大致流程和圖像處理差不多，在這一腳本中，我們將：

利用一個特殊的Python迭代器，它可以讓我們在模型路徑中循環(huán)使用所有可用的神經(jīng)風(fēng)格遷移模型。

啟動網(wǎng)絡(luò)攝像頭視頻流，我們會（近乎）實時處理攝像頭的幀。對于某些較大的模型，系統(tǒng)可能會慢一些。

在每一幀上應(yīng)用風(fēng)格遷移，對輸出進(jìn)行后處理，并將結(jié)果顯示在屏幕上。

如果用戶按下“n”鍵，我們將把迭代器循環(huán)運用到下一個神經(jīng)風(fēng)格遷移模型上，不用重啟腳本。

首先，打開neural_style_transfer_video.py文件，插入以下代碼：

之后，創(chuàng)建模型路徑迭代器：

一旦我們開始在while循環(huán)中處理幀，“n”按鍵就會在迭代器中下載“下一個”模型。

為了創(chuàng)建模型迭代器，我們：

搜集所有神經(jīng)風(fēng)格遷移模型并分類（18和19行）

為每種模型分配ID（23行）

利用itertools和cycle創(chuàng)建迭代器（27行）。

讓我們開始下載第一個模型并對視頻進(jìn)行處理：

在32行，我們讀取了第一個模型利用的路徑。在36和37行，啟動了視頻，從攝像頭中采集幀。

之后在幀與幀之間進(jìn)行循環(huán)：

接著進(jìn)行后處理并將輸出圖像展示出來：

對按鍵的處理：

兩種不同的按鍵會對腳本運行產(chǎn)生不同的影響：

“n”：抓取下一個模型的路徑和ID，并進(jìn)行下載。如果我們已經(jīng)獲取上一個模型，迭代器就會從頭開始循環(huán)。

“q”：按下q會退出while循環(huán)。

實時風(fēng)格遷移的結(jié)果

執(zhí)行以下命令就可以在視頻上運用風(fēng)格遷移啦：

可以看到，只需要按一個按鍵就能輕松地進(jìn)行循環(huán)。