這幾天，你的朋友圈一定被“請給我一頂圣誕帽@微信官方”刷屏了……很多不知真相的網友也紛紛求問如何給自己的頭像加上圣誕帽。

[[214593]]

圣誕帽火了，上億人瘋狂@微信官方

圣誕節到了，朋友圈悄悄地掀起一股加帽風，大家紛紛@微信官方，申請給自己的頭像加圣誕帽。

圣誕帽搜索指數隨之在 24 小時內狂飆：

然后，一場花式求圣誕帽的儀式開始刷屏了，還混入了各種奇怪的東西。不料卻發現@微信官方并不能帶上圣誕帽，才知道“被騙”了。

一大波知道真相的網友隨后開始把@微信官方變成了許愿池：

要錢和禮物的

討房子的

要明星的

要博士帽的

求減肥的

還有送綠帽子的

[[214600]]

網友們一邊@微信官方許愿，一邊默默的自己 P 上圣誕帽……戲精這波操作我給滿分！

如何從技術上實現@微信官方頭像添加圣誕帽？

那么，身為程序員，從技術的角度思考一下，這事兒到底能不能成呢？

首先看一下網上某猿的分析：

這體現了騰訊強大的人工智能實力，首先微信收到用戶發送的朋友圈后，便獲取用戶頭像上傳至服務器云端，然后借助云計算和人臉識別，豬臉識別（來自友商京東的技術）和物體識別，根據頭像角度、人臉大小，不斷調整圣誕帽的尺寸和位置，***生成圣誕帽頭像。

網友 @IT大智表示：

這個功能目前幾乎是不可能實現的。首先要明確一點，所有 APP 或者網站都是由代碼程序實現的。

假設微信想給用戶添加圣誕帽，必須要再引用一次圣誕帽的圖片地址，直接添加的話肯定要覆蓋用戶原來的頭像，退一步騰訊可以做到圖片疊加，那么也一定要定義圖片的大小和位置。

所以微信最多做到在固定位置添加一個大小一定的帽子，大家想象一下微信用戶的頭像千差萬別，人頭位置也很不確定，圣誕帽怎么會正好加在頭像頭頂呢？

所以這是個謠言，類似于“明天是馬化騰生日，轉發本條信息到三個群會得到 200Q 幣”等等。

不少好友都發布了請求添加圣誕帽的朋友圈并@了微信官方，但實際上微信只能@自己的好友，微信并沒有推出自己的官方號，所以你在朋友圈@微信官方，微信的人能收到你的@信息嗎？當然不能。

然而還有更厲害的：

大致來說，當用戶在朋友圈發布這樣的文字消息：請給我頭像一頂圣誕帽@微信官方。

微信官方會收到這個艾特，并通過該用戶的 openid（微信用戶的唯一標志 ID）獲取到該用戶的微信頭像文件，將該圖片和文本傳至后臺 AI。

所謂“自然語言”，就是我們人類平常說的話，一般情況下，計算機只能理解編程語言，不能理解人類說的話。

但是，騰訊 AI 可以進行“自然語言處理”，將“請給我頭像一頂圣誕帽”這句話進行分解，并解讀其中的意思。

至此，騰訊 AI 理解了該段文本的內容，通過智能圖像處理技術，識別到人臉及頭部，選擇好合適的大小及方向，將提前準備好的圣誕帽圖片與頭像疊加，這樣就生成了一張帶圣誕帽的新頭像，并將頭像傳至前端。

微信官方收到圖片后，還是通過讀取 openid 找到該用戶，將該圖片應用到該用戶的頭像，并提醒到該用戶，整個過程不到五分鐘。

當然，有些情形會難倒 AI，比如你的頭像圖片中有很多人，AI 就沒法判斷你到底要給哪個人添加圣誕帽，只能給所有人頭上都添加一頂圣誕帽。

[[214601]]

所以，大家還是不要調戲 AI，用一張美美的圖片@微信官方就好！

當然啦，這只是對@微信官方求帽子的調侃，但是還真的有人站出來說，這事兒能成。

閱文集團***架構師徐海峰老師：

他表示使用大數據分析+AI+圖片動態處理能夠實現，架構圖如下：

雖然微信暫時沒有這個功能，但并不代表程序員們實現不了！在人工智能火爆的今天，看程序員如何用 Python 給自己戴上圣誕帽？

用 Python 給頭像加上圣誕帽

大家紛紛@官方微信給自己的頭像加上一頂圣誕帽，當然這種事情用很多 P 圖軟件都可以做到。

但是作為一個學習圖像處理的技術人，還是覺得我們有必要寫一個程序來做這件事情。

用到的工具

• OpenCV
• dlib（dlib 的人臉檢測比 OpenCV 更好用，而且 dlib 有 OpenCV 沒有的關鍵點檢測。）

用到的語言為 Python，但是完全可以改成 C++ 版本。

操作的流程

素材準備

首先我們需要準備一個圣誕帽的素材，格式***為 PNG，因為 PNG 我們可以直接用 Alpha 通道作為掩膜使用，用到的圣誕帽如下圖：

我們通過通道分離可以得到圣誕帽圖像的 Alpha 通道，代碼如下：

r,g,b,a = cv2.split(hat_img)  
rgb_hat = cv2.merge((r,g,b)) 
cv2.imwrite("hat_alpha.jpg",a) 

為了能夠與 rgb 通道的頭像圖片進行運算，我們把 rgb 三通道合成一張 rgb 的彩色帽子圖，Alpha 通道的圖像如下圖所示：

人臉檢測與人臉關鍵點檢測

我們用下面這張圖作為我們的測試圖片：

下面我們用 dlib 的正臉檢測器進行人臉檢測，用 dlib 提供的模型提取人臉的五個關鍵點，代碼如下：

# dlib人臉關鍵點檢測器 
    predictor_path = "shape_predictor_5_face_landmarks.dat" 
    predictor = dlib.shape_predictor(predictor_path)   
    # dlib正臉檢測器 
    detector = dlib.get_frontal_face_detector() 
    # 正臉檢測 
    dets = detector(img, 1) 
    # 如果檢測到人臉 
    if len(dets)>0:   
        for d in dets: 
            x,y,w,h = d.left(),d.top(), d.right()-d.left(), d.bottom()-d.top() 
            # x,y,w,h = faceRect   
            cv2.rectangle(img,(x,y),(x+w,y+h),(255,0,0),2,8,0) 
            # 關鍵點檢測，5個關鍵點 
            shape = predictor(img, d) 
            for point in shape.parts(): 
                cv2.circle(img,(point.x,point.y),3,color=(0,255,0)) 
            cv2.imshow("image",img) 
            cv2.waitKey()   

這部分效果如下圖：

調整帽子大小

我們選取兩個眼角的點，求中心作為放置帽子的 x 方向的參考坐標，y 方向的坐標用人臉框上線的y坐標表示。

然后我們根據人臉檢測得到的人臉的大小調整帽子的大小，使得帽子大小合適。

# 選取左右眼眼角的點 
            point1 = shape.part(0) 
            point2 = shape.part(2) 
            # 求兩點中心 
            eyes_center = ((point1.x+point2.x)//2,(point1.y+point2.y)//2) 
            # cv2.circle(img,eyes_center,3,color=(0,255,0))   
            # cv2.imshow("image",img) 
            # cv2.waitKey() 
            #  根據人臉大小調整帽子大小 
            factor = 1.5 
            resized_hat_h = int(round(rgb_hat.shape[0]*w/rgb_hat.shape[1]*factor)) 
            resized_hat_w = int(round(rgb_hat.shape[1]*w/rgb_hat.shape[1]*factor)) 
            if resized_hat_h > y: 
                resized_hat_h = y-1 
            # 根據人臉大小調整帽子大小 
            resized_hat = cv2.resize(rgb_hat,(resized_hat_w,resized_hat_h)) 

提取帽子和需要添加帽子的區域

按照之前所述，去 Alpha 通道作為 mask，并求反。這兩個 mask 一個用于把帽子圖中的帽子區域取出來；一個用于把人物圖中需要填帽子的區域空出來。

# 用alpha通道作為mask 
           mask = cv2.resize(a,(resized_hat_w,resized_hat_h)) 
           mask_inv =  cv2.bitwise_not(mask) 

后面你將會看到：

從原圖中取出需要添加帽子的區域，這里我們用的是位運算操作：

# 帽子相對與人臉框上線的偏移量 
           dh = 0 
           dw = 0 
           # 原圖ROI 
           # bg_roi = img[y+dh-resized_hat_h:y+dh, x+dw:x+dw+resized_hat_w] 
           bg_roi = img[y+dh-resized_hat_h:y+dh,(eyes_center[0]-resized_hat_w//3):(eyes_center[0]+resized_hat_w//3*2)] 
           # 原圖ROI中提取放帽子的區域 
           bg_roi = bg_roi.astype(float) 
           mask_inv = cv2.merge((mask_inv,mask_inv,mask_inv)) 
           alpha = mask_inv.astype(float)/255 
           # 相乘之前保證兩者大小一致（可能會由于四舍五入原因不一致） 
           alpha = cv2.resize(alpha,(bg_roi.shape[1],bg_roi.shape[0])) 
           # print("alpha size: ",alpha.shape) 
           # print("bg_roi size: ",bg_roi.shape) 
           bg = cv2.multiply(alpha, bg_roi) 
           bg = bg.astype('uint8') 

這是背景區域（bg），如下圖所示，可以看到，剛好是需要填充帽子的區域缺失了。

然后我們提取帽子區域。

# 提取帽子區域 
          hat = cv2.bitwise_and(resized_hat,resized_hat,mask = mask) 

提取得到的帽子區域如下圖，帽子區域正好與上一個背景區域互補。

添加圣誕帽

***我們把兩個區域相加，再放回到原圖中去，就可以得到我們想要的圣誕帽圖了。

這里需要注意的就是，相加之前 resize 一下保證兩者大小一致，因為可能會由于四舍五入原因不一致。

# 相加之前保證兩者大小一致（可能會由于四舍五入原因不一致） 
            hat = cv2.resize(hat,(bg_roi.shape[1],bg_roi.shape[0])) 
            # 兩個ROI區域相加 
            add_hat = cv2.add(bg,hat) 
            # cv2.imshow("add_hat",add_hat)  
            # 把添加好帽子的區域放回原圖 
            img[y+dh-resized_hat_h:y+dh,(eyes_center[0]-resized_hat_w//3):(eyes_center[0]+resized_hat_w//3*2)] = add_hat 

***我們得到的效果圖如下所示：