在打算机视觉处理中，人像抠图有着重要的意义，当然PS技能也能达到类似的效果，实在实质也是代码的实现，前2期的视频，我们利用了RVM人像抠图技能来实现人像的抠图，效果视频如下：

人工智能人像抠图来进行清华虚拟AI人华智冰抠图

实时动态视频背景抠图技能，让没有绿布的你也可以制作绿幕大片

RVM是一款功能强大的实时视频人像抠图技能，其由字节跳动项目组开拓。
不同于现有神经网络将每一帧作为单独图片处理，RVM利用循环神经网络，在处理视频流时有韶光影象。
RVM可在任意视频上做实时高清抠像。
在Nvidia GTX 1080Ti上实现4K 76FPS和HD 104FPS。
开源地址：

RVM最新AI人像抠图技能代码已经开源

github.com/PeterL1n/RobustVideoMatting

我们可以从GitHub高下载其源代码，下载完成后，在项目文件夹里面可以建立一个test.py文件，当然在开始本代码之前须要安装如下第三方库

1

av==8.0.3

2

torch==1.9.0

3

torchvision==0.10.0

4

tqdm==4.61.1

5

pims==0.5

安装完成后，须要下载其项目预演习好的模型，当然大家可以在GitHub上面找到其分享的模型地址进行下载，其模型包含2种预演习模型：

rvm_mobilenetv3.pthrvm_resnet50.pth

rvm_mobilenetv3.pth模型比较小，速率快，大家可以按照此模型进行考试测验，当然，若电脑配置较高，可以利用rvm_mobilenetv3.pth模型

前面的准备事情完成后，在test.py文件中输入如下代码：

import torchfrom model import MattingNetworkfrom inference import convert_videomodel = MattingNetwork('mobilenetv3').eval().cuda() # or "resnet50"model.load_state_dict(torch.load('rvm_mobilenetv3.pth')) # or rvm_resnet50.pthconvert_video(model, # The model, can be on any device (cpu or cuda).input_source='input.mp4', # A video file or an image sequence directory.output_type='video', # Choose "video" or "png_sequence"output_composition='output.mp4', # File path if video; directory path if png sequence.output_video_mbps=4, # Output video mbps. Not needed for png sequence.downsample_ratio=None, # A hyperparameter to adjust or use None for auto.seq_chunk=12, # Process n frames at once for better parallelism.)

model = MattingNetwork('mobilenetv3').eval().cuda()，这里模型可以选择mobilenetv3，当然也可以选择resnet50，若电脑没有GPU，删除此行代码中的cuda()即可

torch.load('rvm_mobilenetv3.pth')加载模型文件，此模型文件须要放置在test.py文件夹的根目录中

然后利用convert_video函数便可以成功天生背景为绿色的人像抠图视频了

convert_video函数：

参数一：model为前定义的预演习模型

参数二：input_source，输入视频地址路径

参数三：output_composition，输出视频的路径地址

参数四：output_video_mbps，输出视频的mbps参数

参数五：downsample_ratio，一些超参数调度，可以配置成None,软件自动配置

参数六：seq_chunk，由于此技能具有韶光影象功能，可以同时一次处理多个视频帧来加快视频处理的速率

当然若想输出Pha通道与fgr通道

添加参数如下：

output_alpha=‘输出路径’

output_foreground=‘输出路径’

然后运行test.py，待代码运行完成后，便在设置的目录下，自动天生抠图后的效果视频

当然项目也可以按照如下办法进行抠图

from torch.utils.data import DataLoaderfrom torchvision.transforms import ToTensorfrom inference_utils import VideoReader, VideoWriterimport cv2reader = VideoReader('415809648-1-208.mp4', transform=ToTensor())writer = VideoWriter('output1234.mp4', frame_rate=30)bgr = torch.tensor([.47, 1, .6]).view(3, 1, 1) # Green background.rec = [None] 4 # Initial recurrent states.downsample_ratio = 0.25 # Adjust based on your video.with torch.no_grad(): for src in DataLoader(reader): # RGB tensor normalized to 0 ~ 1. fgr, pha, rec = model(src, rec, downsample_ratio) # Cycle the recurrent states. com = fgr pha + bgr (1 - pha) # Composite to green background. #cv2.imshow('com',com) writer.write(com) # Write frame.

当然也可以直策应用API 的办法

# Load the model.model = torch.hub.load("PeterL1n/RobustVideoMatting", "mobilenetv3") # or "resnet50"# Converter API.convert_video = torch.hub.load("PeterL1n/RobustVideoMatting", "converter")