自动人脸替换也称换脸,属于图像合成领域,它将图像中人脸的身份特征进行替换,同时保持图像中其它特征不变。其广泛应用于AI安全与隐私保护、影视制作、虚拟体验等领域,是国内外研究的热点前沿方向。该方法首先捕捉图像中需要替换的人脸,然后对人脸进行身份替换,最后将换脸图像融合到源图像中。实际进行换脸操作时,往往需要面对复杂的成像条件,其中非均匀光照是一种很常见的复杂场景。非均匀光照不光会影响人脸捕捉的性能,还会让融合的人脸图像不够真实,因此现实场景下的换脸融合度普遍不高,往往需要手工调试。本论文将对非均匀光照条件下的自动人脸替换算法进行研究及实现,围绕人脸替换、人脸捕捉、人脸融合开展如下工作:1)调研整理人脸替换领域主要的研究成果,以新的角度对人脸替换方法进行划分,并分析对比各类方法的优缺点及适用场景。特别针对基于深度学习的换脸方法,本文进行了视觉质量比较和结果对比分析。人脸替换领域尚处于快速发展当中,本文提供具有参考性的方法综述,希望对后来的研究者有所帮助。2)针对非均匀光照图像中人脸难捕捉的情况,实现了鲁棒的人脸捕捉系统,拓展了传统基于理想光照假设的人脸捕捉算法在非均匀光照条件下的人脸捕捉能力。人脸捕捉作为人脸替换的重要前置步骤,尚缺乏完整且性能良好的实现。本文针对非均匀光照场景,在传统的人脸捕捉框架中结合图像光照预处理算法实现了具有良好效果的实时人脸捕捉系统,可为任意需要捕捉人脸的场景提供帮助。3)针对非均匀光照换脸图像与背景融合不理想的情况,提出基于人脸关键点的换脸方法,该方法简化了换脸图像的光照,可获得高质量的换脸结果。高质量的换脸需要满足成像层面的真实自然和语义层面的准确身份替换,而许多现有方法只关注其中一方面。基于人脸关键点的换脸方法有助于从上述两方面提升图像质量,并在非均匀光照条件下表现良好。以上工作,已通过实验验证。在非均匀光照条件下,换脸系统可以从图像中鲁棒的捕捉人脸,合成真实的人脸图像,并可以准确地替换人脸身份且保留人脸图像中的非身份特征。