让你眼里的人，只有心中的那一个——用人工智能做单人CUT

无聊是第一生产力，尤其是在吃饱了撑的的情况下；而懒又是另一个促进科技发展的重要因素。众所周知，追星会使人勤奋，尤其体现在做单人剪辑视频这一点上:

单人CUT视频有两大用处:提供给二次创作党做素材，以及供某些只想看一个人的观众观看，当红明星的“求CUT”是一个很高的需求。

为什么不想想怎么把这件事用机器自动实现呢？先告诉你们结论——如果把这个任务交给一个学人工智能的大学生，完成起来并不会很难。

主要是因为制作单人CUT的门槛很简单:

• 纵观全视频
• 找到每一个目标艺人的出场镜头
• 使用剪辑软件剔除多余的内容

而单人CUT又有很多细节视情况而定，比如说是否保留完整的对话上下文，不“断章取义”；是否只剪脸不剪只有声音的部分……这个工作的主要时间都花在看视频跟找子片段的起始点上，可以说技术含量并不高，只是一个搬砖的苦差事。

用一种简单粗暴的思路就行了:通过人脸识别的方法学习艺人的外貌(为了简单起见，只看脸),针对目标视频的帧进行识别，然后根据一定的规则确定剪辑的子片段，最后使用视频处理工具(如ffmpeg)生成成品单人CUT视频。

下面是具体的尝试过程:

一、适用于菜鸟的人脸识别方法

人工智能+人脸识别=一大批赫赫有名的技术、公司、专家、论文，堪称炙手可热的C位,这里我就不多说了。

一个人应当尽量避免班门弄斧，比如随便抄一个CNN/KNN/GAN的模型，用爬虫爬来的数据集跑半天，最后不管效果如何总归水了篇博客。事实上我用的是这个东西:

它有两个用处:

• 找到图片中的人脸，用一个小矩形圈出来(只是识别是不是人脸，是谁的不做判断)。速度很快，精准度比OpenCV强不少，不会把某些奇奇怪怪的树杈、广告牌什么的识别为人脸(我是怎么知道的?无聊的时候试出来的)
• 判断人脸的相似性，它的判断是基于阈值的，就是说严格要求只能有百分之多少的数据不同，才认为是同一张脸。这种方法虽然太莽了，但是速度非常之快。也就是说，我可以用几千个同一人的脸跟样本对比，然后设一个很低的阈值，只要有几个通过，就认为是同一张脸。

它依赖于一个库叫dlib，看了一下，貌似很牛逼:

然而，装这个库是非常麻烦的，识别人脸可以显卡加速，但是必须自己编译:

首先要装cmake：

然后装cuda:

下面开始编译:

搞完之后，我们就可以开始，首先截了几千个超超越越的大头贴:

这1700个图的面部信息都会保存到一个表里，留着供比对使用。先来一个测试:

二、对视频进行正确处理的姿势

1. 每隔25帧取一帧，每取14张720P(单张图片的识别速度跟分辨率有关，每次可以一块识别的图片数量跟显存有关，这个数值是供6G显存用的)的截图，就进行一次批量识别。
2. 每一次识别是将此帧中的每一个面孔都与样本集中1700组数据进行比对，设置识别阈值为0.4(严格程度堪称六亲不认),如果通过的数量超过5个(0，10，1这些我也都试过，这个值越小，CUT得到的子视频越多)，就标记这一帧有用，并截一张图保存下来。
3. 如果两帧间隔超过10秒(我随便定的，越小则CUT的次数越多)，就记录一次子CUT，确定开始时间和截止时间。
4. 用ffmpeg把子CUT导出，截图也放到同一个文件夹里

无聊之时，还可以加一个进度条:

这种方式是很落后的:

ffmpeg截取视频应当使用这条命令:

ffmpeg -ss {} -to {} -i {} -codec copy -avoid_negative_ts 1 {}
#参数依次为:开始时间、持续时间、输入视频文件名、输出视频文件名

不需要重新编码，CPU再也不会满载了:

尤其是avoid_negative_ts，否则截出来的视频会出现奇怪的表现

三、论如何使用人工弥补人工智能的愚蠢

如果降低了识别阈值，那么就会出现认错人的情况，但是认错也比漏认强，前者是可以通过人工来弥补的:

比如说这个视频中好几个别的火箭少女都被认成了超越，但是多余的可以ctrl+d直接删掉

这样就OK了。怎么样，学会了吗？这是某个成品链接

附上github链接;