TensorFlow.js制作了一个仅用 200 余行代码的项目

只需网页端，秒速消失不留痕。

Jason Mayes 是一名在谷歌工作的资深网页工程师，他长期致力于运用新兴技术提供物联网解决方案。近日，充满奇思妙想的 Mayes 又使用 TensorFlow.js 制作了一个仅用 200 余行代码的项目，名为 Real-Time-Person-Removal。它能够实时将复杂背景中的人像消除，而且仅基于网页端。 现在，Mayes 在 GitHub 上开源了他的代码，并在 Codepen.io 上提供了演示 Demo。从视频中看到，你现在只需要一台能上网的电脑和一个网络摄像头就能体验它。

项目地址：https://github.com/jasonmayes/Real-Time-Person-Removal

Demo 地址：https://codepen.io/jasonmayes/pen/GRJqgma

目前，该项目异常火热，在 Github 上已经获得了 3.4k 的 Star 量。 实时隐身不留痕项目作者：Jason Mayes 我们先来看一下运行的效果。下图中，上半部分是原始视频，下半部分是使用 TensorFlow.js 对人像进行消除后的视频。可以看到，除了偶尔会在边缘处留有残影之外，整体效果还是很不错的。 为了展现这个程序在复杂背景下消除人像并重建背景的能力，Mayes 特意在床上放了一台正在播放视频的笔记本电脑。当他的身体遮挡住笔记本电脑时，可以看到消除算法暂停在电脑被遮挡前的播放画面，并能在人移开时迅速地重建出当前画面。

此外，Mayes 还在 Codepen.io 上提供了能够直接运行的示例。只需要点击 Enable Webcam，离开摄像头一段距离确保算法能够较全面的收集到背景图像，之后当你再出现在摄像头前时就能从下方的预览窗口看到「隐形」后的画面了。

网友表示有了这个程序，像之前 BBC 直播中孩子闯进门来那样的大型翻车现场就有救了。 项目运行机制 Mayes 开发的这个人像消除程序背后的运行机制十分简单，他使用了 TensorFlow.js 中提供的一个预训练的 MobileNet，用于人像分割。

constbodyPixProperties={ architecture:'MobileNetV1', outputStride:16, multiplier:0.75, quantBytes:4 };

TensorFlow.js 提供的部分计算机视觉预训练模型。 MobileNet 是谷歌在 2017 年针对移动端和嵌入式设备提出的网络，针对图像分割。其核心思想是使用深度可分离卷积构建快速轻量化的网络架构。Mayes 选择使用它的原因也是出于其轻量化的原因，假如使用 YOLO 或者 Fast-RCNN 这类物体检测算法的话，在移动端就很难做到实时性。 通过 MobileNet 的输出获得检测到人物像素的边界框。

//Gothroughpixelsandfigureoutboundingboxofbodypixels. for(letx=0;x< canvas.width; x++) {     for (let y = 0; y < canvas.height; y++) {       let n = y * canvas.width + x;       // Human pixel found. Update bounds.       if (segmentation.data[n] !== 0) {         if(x < minX) {           minX = x;         }         if(y < minY) {           minY = y;         }         if(x >maxX){ maxX=x; } if(y>maxY){ maxY=y; } foundBody=true; } } } 为避免人物没有被检测完全的现象，这里使用变量额 scale 对检测区域进行适当放缩。这个 1.3 的参数是测试出来的，感兴趣的读者可以调整试试看。 //Calculatedimensionsofboundingbox. varwidth=maxX-minX; varheight=maxY-minY; //Definescalefactortousetoallowforfalsenegativesaroundthisregion. varscale=1.3; //Definescaleddimensions. varnewWidth=width*scale; varnewHeight=height*scale; //Caculatetheoffsettoplacenewboundingboxsoscaledfromcenterofcurrentboundingbox. varoffsetX=(newWidth-width)/2; varoffsetY=(newHeight-height)/2; varnewXMin=minX-offsetX; varnewYMin=minY-offsetY; 之后对人物 bounding box 之外的区域进行更新，并且当检测到人物移动时，更新背景区域。 //Nowloopthroughupdatebackgoundunderstandingwithnewdata //ifnotinsideaboundingbox. for(letx=0;x< canvas.width; x++) {     for (let y = 0; y < canvas.height; y++) {       // If outside bounding box and we found a body, update background.       if (foundBody && (x < newXMin || x >newXMin+newWidth)||(y< newYMin || y >newYMin+newHeight)){ //Convertxyco-ordstoarrayoffset. letn=y*canvas.width+x; data[n*4]=dataL[n*4]; data[n*4+1]=dataL[n*4+1]; data[n*4+2]=dataL[n*4+2]; data[n*4+3]=255; }elseif(!foundBody){ //Nobodyfoundatall,updateallpixels. letn=y*canvas.width+x; data[n*4]=dataL[n*4]; data[n*4+1]=dataL[n*4+1]; data[n*4+2]=dataL[n*4+2]; data[n*4+3]=255; } } } ctx.putImageData(imageData,0,0); if(DEBUG){ ctx.strokeStyle="#00FF00" ctx.beginPath(); ctx.rect(newXMin,newYMin,newWidth,newHeight); ctx.stroke(); } } 至此为算法的核心部分，用了这个程序，你也可以像灭霸一样弹一个响指（单击一下鼠标）让人凭空消失。 热门的「视频隐身术」 其实，这并非机器之心报道的第一个消除视频中人像的项目。 2019 年，我们也曾报道过「video-object-removal」项目。在此项目中，只要画个边界框，模型就能自动追踪边界框内的物体，并在视频中隐藏它。 项目地址：https://github.com/zllrunning/video-object-removal

但从项目效果来看，也会有一些瑕疵，例如去掉了行人后，背景内的车道线对不齐等。 与 Mayes 的这个项目类似，video-object-removal 主要借鉴了 SiamMask 与 Deep Video Inpainting，它们都来自 CVPR 2019 的研究。通过 SiamMask 追踪视频中的目标，并将 Mask 传递给 Deep Video Inpainting，然后模型就能重建图像，完成最终的修复了。 对此类技术感兴趣的读者可自行运行下这两个项目，做下对比。