前言
随着移动互联网的普及，随时随地拍照已成为人们生活中不可或缺的一部分。然而，很多时候在拍照时，我们无法掌控周围环境的光线、角度以及背景等因素，导致拍出的照片效果并不如意。其中一个常见的问题是背景杂乱，这时我们就需要用到人像背景自动去除服务。
本文将介绍如何基于 Serverless 与机器学习实现人像背景自动去除服务，这不仅可以帮助你把焦点放在重要的主体上，同时也可以让你的照片更加美观。
服务架构
上图为本文所用服务的架构图。用户上传带有人像的照片至对象存储服务，并触发事件通知函数，函数将照片交由机器学习服务进行背景去除处理，得到只有人像的照片，并将其返回给用户。
实现步骤
1. 创建对象存储服务
本文使用阿里云对象存储 OSS 作为存储照片的服务，读者可以根据自己的需求选择其他云服务商提供的对象存储服务。
创建完对象存储服务后，需要在存储桶设置中配置事件通知功能，并设置事件通知的目标为函数计算服务。
2. 创建机器学习服务
本文使用阿里云机器学习 PAI 作为处理背景去除的服务，读者可以根据自己的需求选择其他云服务商提供的机器学习服务。
在创建机器学习服务时，需要上传一定数量的有标注数据集，用于训练模型。数据集的标注可以通过图像标注工具或人工标注等方式完成。
3. 创建函数计算服务
本文使用阿里云函数计算服务作为事件通知的处理服务，读者可以根据自己的需求选择其他云服务商提供的函数计算服务。
在创建函数计算服务时，需要上传处理照片的代码包，在代码中调用机器学习服务进行背景去除处理，并将处理后的照片上传至对象存储服务。
4. 测试服务
创建完服务后，可以上传一些带有人像的照片进行测试，查看服务是否正常工作。
代码示例
函数计算代码
import logging
import requests
import traceback
from io import BytesIO
from PIL import Image
logger = logging.getLogger()
def handler(event, context):
logger.info(event)
for record in event['Records']:
if 'oss' in record:
oss = record['oss']
bucket_name = oss['bucket']['name']
object_key = oss['object']['key']
url = f"https://{bucket_name}.oss-cn-hangzhou.aliyuncs.com/{object_key}"
response = requests.get(url)
try:
if response.status_code == 200:
img = Image.open(BytesIO(response.content))
img = img.convert('RGB')
response = requests.post("https://dtplus-cn-shanghai.data.aliyuncs.com/image/tag",
headers={
"Content-Type": "application/json",
"Authorization": "APPCODE YOUR_APPCODE"
},
json={
"imageUrl": url
})
response_json = response.json()
result = response_json['tags'][0]['value']
if result == '1':
logger.info('not a human image')
return
response = requests.post("https://dtplus-cn-shanghai.data.aliyuncs.com/face/attribute",
headers={
"Content-Type": "application/json",
"Authorization": "APPCODE YOUR_APPCODE"
},
json={
"type": 0,
"content": url
})
response_json = response.json()
attributes = response_json['faceList'][0]['attribute']
if attributes['maskprobability'] > 0.5:
logger.info('wearing a mask')
return
# TODO: 使用机器学习服务进行背景去除处理，并将处理后的照片上传至对象存储服务
else:
logger.info(f'response status code {response.status_code}')
except Exception as e:
logger.error(str(e))
logger.error(traceback.format_exc())上述代码使用对象存储服务提供的事件通知功能，当有照片上传至存储桶时，代码将读取照片内容并发送到机器学习服务进行处理，并将处理后的结果上传至对象存储服务。
机器学习代码
本文不涉及机器学习模型的训练部分，读者可以使用已经训练好的模型来处理照片。下面是一个简单的 Python 代码示例，使用已经训练好的背景去除模型对照片进行处理。
import paddlehub as hub
from PIL import Image
import numpy as np
model = hub.Module(name="deeplabv3p_xception65_humanseg")
def remove_background(image_file):
img = Image.open(image_file)
img = np.array(img)
results = model.segmentation(images=[img])
mask = results[0]['data']
mask = Image.fromarray(mask.astype('uint8')).resize(img.size, resample=Image.NEAREST)
image = Image.new('RGBA', img.size, (0, 0, 0, 0))
image.paste(Image.fromarray(img))
image.putalpha(mask.split()[0])
return image上述代码将照片读取为数组，然后使用 PaddleHub 的 deeplabv3p_xception65_humanseg 模型进行背景去除处理，并返回处理后的带有 alpha 通道的图片。
总结
本文介绍了如何基于 Serverless 与机器学习实现人像背景自动去除服务，并提供了代码示例。读者可以根据本文所述的方法和思路，自行搭建自己的服务，同时根据实际需求进行调整和优化。
来源：JavaScript中文网 ，转载请注明来源 本文地址：https://www.javascriptcn.com/post/65b6b9a0add4f0e0fff60071