不过重复打开Photoshop再复制/粘贴面部图像确实相称乏味。
在最初产生这个想法时，我就意识到这个项目将紧张包含三大组成部分：
1. 大略图像修正
2. Slack集成
3. 面部检测
以往我曾经利用过Go中的image与image/draw软件包，并阅读过与之干系的几篇文章，因此我对付完成这项任务很有信心。组成部分1就此搞定。
我还曾经在Go中构建过一款玩具性子的Slack机器人，个顶用到了查找自谷歌的几条指令。虽然短缺Go Slack官方整体客户端会让问题变得更为繁芜，但出于最基本的需求，我相信自己能够完成通过Slack下载及上传图像这样一项事情。组成部分2也就不是问题了。
我唯一不愿定的是面部检测事情到底是否易于实现。我在谷歌上查找golang面部检测内容，并点开第一条结果，其内容指向StackOverflow上关于go-opencv打算机视觉库的一条问题。在查阅了该库中的面部检测示例项目后，我理解到了自己须要节制的统统。组成部分3也同样得到理解决。
面部检测
由于熟习度最低，以是我决定首先从面部检测入手。这是项目中最大的难题，因此我打算先看看自己能否搞定，如果弗成那其它的事情都将毫无意义。
我决定尽可能对go-opencv库进行封装。可以肯定的是，opencv数据类型与Go标准库有所差异，至少在其定义Image与Rectangle两项接口方面存在差异，因此必须作出一些调度。
我在个中创造一项对opencv.FromImage方法的引用，其卖力将Go的image.Image转换为opencv库的形式。这意味着我不再须要将文件路径通报至opencv.LoadImage方法以进行转换，而可以直接处理存储在内存中的镜像。这能够节约从Slack吸收图像后将其保存在文件系统中的步骤。
遗憾的是，我无法利用同样的转换办法加载Haar面部识别XML文件，不过这样的结果我还可以接管，以是暂时先这样吧。
以此为根本，我编写出了以下facefinder包：
package facefinder import ( \"大众image\公众\"大众github.com/lazywei/go-opencv/opencv\公众 ) var faceCascade opencv.HaarCascade type Finder struct { cascade opencv.HaarCascade } func NewFinder(xml string) Finder { return &Finder{ cascade: opencv.LoadHaarClassifierCascade(xml), } } func (f Finder) Detect(i image.Image) []image.Rectangle { var output []image.Rectangle faces := f.cascade.DetectObjects(opencv.FromImage(i)) for _, face := range faces { output = append(output, image.Rectangle{ image.Point{face.X(), face.Y()}, image.Point{face.X() + face.Width(), face.Y() + face.Height()}, }) } return output }
而后，我能够轻松找到图像中的面部区域：
imageReader, _ := os.Open(imageFile) baseImage, _, _ := image.Decode(imageReader) finder := facefinder.NewFinder(haarCascadeFilepath) faces := finder.Detect(baseImage) for _, face := range faces { // [...] }
我从谷歌上复制了几段“绘制矩形”代码以进行功能检讨，并确定以上代码确实能够正常事情。有了位置信息，我又鼓捣出一条图像加载转换函数（个中更关注缺点内容，而非急于将统统塞进）。
func loadImage(file string) image.Image { reader, err := os.Open(file) if err != nil { log.Fatalf(\"大众error loading %s: %s\"大众, file, err) } img, _, err := image.Decode(reader) if err != nil { log.Fatalf(\"大众error loading %s: %s\公众, file, err) } return img }
图像修正
接下来，我的新循环如下所示：
baseImage := loadImage(imageFile) chrisFace := loadImage(chrisFaceFile) bounds := baseImage.Bounds() finder := facefinder.NewFinder(haarCascadeFilepath) faces := finder.Detect(baseImage) // Convert image.Image to a mutable image.ImageRGBA canvas := image.NewRGBA(bounds) draw.Draw(canvas, bounds, baseImage, bounds.Min, draw.Src) for _, face := range faces { draw.Draw( canvas, face, chrisFace, bounds.Min, draw.Src, ) }
令人振奋，测试结果统统顺利。
言归正传，其首次实际效果就远超我的预期。矩形绘制算法真棒！
在图像修正方面，我首先得想办法去掉玄色背景。我以前曾利用过PNG合营透明背景的方法，因此确信其一定有效。在谷歌了几下后，我有时创造了draw.Draw函数中的draw.Over。我将其塞进正在利用的draw.Src，确实有效！
虽然也可以用羽羊毫逐步绘边，但脑袋里的一个声音见告我，差不多就可以了。
好的，接下来我须要把面部图像缩小一点。可以肯定的是，如果将面部图像放进尺寸完备相同的矩形，那么二者肯定无法匹配。这只是一款面部检测工具，而非头部检测工具，这意味着我得到的矩形并不适用于更换全体头部。我编写了一条快速函数以为image.Rectangle增加特定空缺边缘，终极将详细值设定为30%。
完成后，我开始对图像进行大小/匹配调度。终极，我选择了disintegration/imaging，其拥有一条大略的imaging.Fit函数且供应水平镜像等其它转换操作。我的面部源图像不多，以是我想这种镜像功能可以供应多一种图像选择。
在导入后，我的新循环如下所示：
for _, face := range faces { // Pad the rectangle by 30 percent rect := rectMargin(30.0, face) // Grab a random face (also 50/50 chance it's mirrored) newFace := chrisFaces.Random() chrisFace := imaging.Fit(newFace, rect.Dx(), rect.Dy(), imaging.Lanczos) draw.Draw( canvas, rect, chrisFace, bounds.Min, draw.Over, ) }
我又进行了一轮新的测试，效果相称不错！
到这里，我意识到自己做出了一些真正有代价的东西。
Slack集成
我把面部修正代码转化为一个可运行的二进制文件，并打算将其打包成一个Slack机器人。之以是先转换为二进制形式，是为了方便测试并在确定统统无误后再行打包。现在机遇已经成熟，我将把它变成Slack机器人。
当然，由于个人水平的限定，我又转向了谷歌。
第一条结果便是我所须要的内容。我花了大量韶光阅读Slack的API解释文档并加以实践，终极我得到了以下结果：
不错
第一套迭代利用了Slack上传，但其作为自由Slack层意味着其不足空想。我转而将输出结果以本地办法存储在自己的做事器上，而后再将其链至Slack。由于Slack会自动扩展大部分图像链接，因此这种作法对大多数人来说并不会影响到用户体验，也不会引来顶头上司的把稳。
由于访问过程更为轻松，现在我能够快速得到大量实验性面部图像。我意识到，如果其找不到任何面部图像，则会全程回答同样的原有图像——这就不好玩了。以是我将循环调度为：
iflen(faces) == 0 { // Grab a specific face and resize it to 1/3 the width// of the base image face := imaging.Resize( chrisFaces[0], bounds.Dx()/3, 0, imaging.Lanczos, ) face_bounds := face.Bounds() draw.Draw( canvas, bounds, face, // I'll be honest, I was a couple beers in when I came up with this and I// have no idea how it works exactly, but it puts the face at the bottom of// the image, centered horizontally with the lower half of the face cut off bounds.Min.Add(image.Pt( -bounds.Max/2+face_bounds.Max.X/2, -bounds.Max.Y+int(float64(face_bounds.Max.Y)/1.9), )), draw.Over, ) }
现在的结果是：
我个人对这套办理方案非常满意。
到这里全部事情已经就绪，就等同事们的反应了。我只用了一个晚上就完备了从观点到原型的全部事情，没人知道我为他们准备了若何的惊喜。
截至目前，我的经理是最为积极的Chrisbot手动配置用户。
抱歉了Mat，看来自动化方案终极一定会取代人类的职位。
但这家伙自己则非常愉快。
不久之后，全体办公室都在向@Chrisbot发送图片。
我惊喜地创造，它确实能够精确地处理面部重叠情形，即首先绘制最远处的面孔。虽然这纯粹属于go-opencv库返回矩形时实际顺序带来的副浸染，但我对结果非常满意。
不过虽然自动化面部更换大大增加了Slack当中Chris的亮相次数，但仍有一些人认为，人为操作的结果更有灵性一些。
不得不承认，他们的不雅观点确实站得住脚——至少在某些情形之下。
原文链接：http://blog.zikes.me/post/how-i-ruined-office-productivity-with-a-slack-bot/
原文标题：How I Ruined Office Productivity With a Face-Replacing Slack Bot
(Without Really Knowing What I Was Doing)
核子可乐译
【51CTO翻译稿件，互助站点转载请注明原文作者和出处为51CTO.com】
