怎么做网站推广怀化,柳州网站seo优化公司,我国的网络营销公司,免费logo设计网址“DeepFaceLab”项目已经发布了很长时间了#xff0c;作为研究的目的#xff0c;本文将介绍他的原理#xff0c;并使用Pytorch和OpenCV创建一个简化版本。
本文将分成3个部分#xff0c;第一部分从两个视频中提取人脸并构建标准人脸数据集。第二部分使用数据集与神经网络一…“DeepFaceLab”项目已经发布了很长时间了作为研究的目的本文将介绍他的原理并使用Pytorch和OpenCV创建一个简化版本。
本文将分成3个部分第一部分从两个视频中提取人脸并构建标准人脸数据集。第二部分使用数据集与神经网络一起学习如何在潜在空间中表示人脸并从该表示中重建人脸图像。最后部分使用神经网络在视频的每一帧中创建与源视频中相同但具有目标视频中人物表情的人脸。然后将原人脸替换为假人脸并将新帧保存为新的假视频。
项目的基本结构(在第一次运行之前)如下所示 ├── face_masking.py├── main.py├── face_extraction_tools.py├── quick96.py├── merge_frame_to_fake_video.py├── data│ ├── data_dst.mp4│ ├── data_src.mp4main.py是主脚本data文件夹包含程序需要的的data_dst.mp4和data_src.mp4文件。
提取和对齐-构建数据集
在第一部分中我们主要介绍face_extraction_tools.py文件中的代码。
因为第一步是从视频中提取帧所以需要构建一个将帧保存为JPEG图像的函数。这个函数接受一个视频的路径和另一个输出文件夹的路径。 def extract_frames_from_video(video_path: Union[str, Path], output_folder: Union[str, Path], frames_to_skip: int0) - None:Extract frame from video as a JPG images.Args:video_path (str | Path): the path to the input video from it the frame will be extractedoutput_folder (str | Path): the folder where the frames will be savedframes_to_skip (int): how many frames to skip after a frame which is saved. 0 will save all the frames.If, for example, this value is 2, the first frame will be saved, then frame 2 and 3 will be skipped,the 4th frame will be saved, and so on.Returns:video_path Path(video_path)output_folder Path(output_folder)if not video_path.exists():raise ValueError(fThe path to the video file {video_path.absolute()} is not exist)if not output_folder.exists():output_folder.mkdir(parentsTrue)video_capture cv2.VideoCapture(str(video_path))extract_frame_counter 0saved_frame_counter 0while True:ret, frame video_capture.read()if not ret:breakif extract_frame_counter % (frames_to_skip 1) 0:cv2.imwrite(str(output_folder / f{saved_frame_counter:05d}.jpg), frame, [cv2.IMWRITE_JPEG_QUALITY, 90])saved_frame_counter 1extract_frame_counter 1print(f{saved_frame_counter} of {extract_frame_counter} frames saved)函数首先检查视频文件是否存在以及输出文件夹是否存在如果不存在则自动创建。然后使用OpenCV 的videoccapture类来创建一个对象来读取视频然后逐帧保存为输出文件夹中的JPEG文件。也可以根据frames_to_skip参数跳过帧。 然后就是需要构建人脸提取器。该工具应该能够检测图像中的人脸提取并对齐它。构建这样一个工具的最佳方法是创建一个FaceExtractor类其中包含检测、提取和对齐的方法。
对于检测部分我们将使用带有OpenCV的YuNet。YuNet是一个快速准确的基于cnn的人脸检测器可以由OpenCV中的FaceDetectorYN类使用。要创建这样一个FaceDetectorYN对象我们需要一个带有权重的ONNX文件。该文件可以在OpenCV Zoo中找到当前版本名为“face_detection_yunet_2023mar.onnx”。
我们的init()方法如下 def __init__(self, image_size):Create a YuNet face detector to get face from image of size image_size. The YuNet modelwill be downloaded from opencv zoo, if its not already exist.Args:image_size (tuple): a tuple of (width: int, height: int) of the image to be analyzeddetection_model_path Path(models/face_detection_yunet_2023mar.onnx)if not detection_model_path.exists():detection_model_path.parent.mkdir(parentsTrue, exist_okTrue)url https://github.com/opencv/opencv_zoo/blob/main/models/face_detection_yunet/face_detection_yunet_2023mar.onnxprint(Downloading face detection model...)filename, headers urlretrieve(url, filenamestr(detection_model_path))print(Download finish!)self.detector cv2.FaceDetectorYN.create(str(detection_model_path), , image_size)函数首先检查权重文件是否存在如果不存在则从web下载。然后使用权重文件和要分析的图像大小创建FaceDetectorYN对象。检测方法采用YuNet检测方法在图像中寻找人脸 def detect(self, image):ret, faces self.detector.detect(image)return ret, facesYuNet的输出是一个大小为[num_faces, 15]的2D数组包含以下信息:
0-1:边界框左上角的x, y2-3:边框的宽度、高度4-5:右眼的x, y(样图中蓝点)6-7:左眼x, y(样图中红点)8-9:鼻尖x, y(示例图中绿色点)10-11:嘴巴右角的x, y(样例图像中的粉色点)12-13:嘴角左角x, y(样例图中黄色点)14:面部评分 现在已经有了脸部位置数据我们可以用它来获得脸部的对齐图像。这里主要利用眼睛位置的信息。我们希望眼睛在对齐后的图像中处于相同的水平(相同的y坐标)。 staticmethoddef align(image, face, desired_face_width256, left_eye_desired_coordinatenp.array((0.37, 0.37))):Align the face so the eyes will be at the same levelArgs:image (np.ndarray): image with faceface (np.ndarray): face coordinates from the detection stepdesired_face_width (int): the final width of the aligned face imageleft_eye_desired_coordinate (np.ndarray): a length 2 array of values between0 and 1 where the left eye should be in the aligned imageReturns:(np.ndarray): aligned face imagedesired_face_height desired_face_widthright_eye_desired_coordinate np.array((1 - left_eye_desired_coordinate[0], left_eye_desired_coordinate[1]))# get coordinate of the center of the eyes in the imageright_eye face[4:6]left_eye face[6:8]# compute the angle of the right eye relative to the left eyedist_eyes_x right_eye[0] - left_eye[0]dist_eyes_y right_eye[1] - left_eye[1]dist_between_eyes np.sqrt(dist_eyes_x ** 2 dist_eyes_y ** 2)angles_between_eyes np.rad2deg(np.arctan2(dist_eyes_y, dist_eyes_x) - np.pi)eyes_center (left_eye right_eye) // 2desired_dist_between_eyes desired_face_width * (right_eye_desired_coordinate[0] - left_eye_desired_coordinate[0])scale desired_dist_between_eyes / dist_between_eyesM cv2.getRotationMatrix2D(eyes_center, angles_between_eyes, scale)M[0, 2] 0.5 * desired_face_width - eyes_center[0]M[1, 2] left_eye_desired_coordinate[1] * desired_face_height - eyes_center[1]face_aligned cv2.warpAffine(image, M, (desired_face_width, desired_face_height), flagscv2.INTER_CUBIC)return face_aligned这个方法获取单张人脸的图像和信息输出图像的宽度和期望的左眼相对位置。我们假设输出图像是平方的并且右眼的期望位置具有相同的y位置和x位置的1 - left_eye_x。计算两眼之间的距离和角度以及两眼之间的中心点。
最后一个方法是extract方法它类似于align方法但没有转换它也返回图像中人脸的边界框。 def extract_and_align_face_from_image(input_dir: Union[str, Path], desired_face_width: int256) - None:Extract the face from an image, align it and save to a directory inside in the input directoryArgs:input_dir (str|Path): path to the directory contains the images extracted from a videodesired_face_width (int): the width of the aligned imaged in pixelsReturns:input_dir Path(input_dir)output_dir input_dir / alignedif output_dir.exists():rmtree(output_dir)output_dir.mkdir()image cv2.imread(str(input_dir / 00000.jpg))image_height image.shape[0]image_width image.shape[1]detector FaceExtractor((image_width, image_height))for image_path in tqdm(list(input_dir.glob(*.jpg))):image cv2.imread(str(image_path))ret, faces detector.detect(image)if faces is None:continueface_aligned detector.align(image, faces[0, :], desired_face_width)cv2.imwrite(str(output_dir / f{image_path.name}), face_aligned, [cv2.IMWRITE_JPEG_QUALITY, 90])训练
对于网络我们将使用AutoEncoder。在AutoEncoder中有两个主要组件——编码器和解码器。编码器获取原始图像并找到它的潜在表示解码器利用潜在表示重构原始图像。
对于我们的任务要训练一个编码器来找到一个潜在的人脸表示和两个解码器——一个可以重建源人脸另一个可以重建目标人脸。 在这三个组件被训练之后我们回到最初的目标:创建一个源面部但具有目标表情的图像。也就是说使用解码器A和人脸B的图像。 面孔的潜在空间保留了面部的主要特征如位置、方向和表情。解码器获取这些编码信息并学习如何构建全脸图像。由于解码器A只知道如何构造A类型的脸因此它从编码器中获取图像B的特征并从中构造A类型的图像。
在本文中我们将使用来自原始DeepFaceLab项目的Quick96架构的一个小修改版本。 模型的全部细节可以在quick96.py文件中。
在我们训练模型之前还需要处理数据。为了使模型具有鲁棒性并避免过拟合我们还需要在原始人脸图像上应用两种类型的增强。第一个是一般的转换包括旋转缩放在x和y方向上的平移以及水平翻转。对于每个转换我们为参数或概率定义一个范围(例如我们可以用来旋转的角度范围)然后从范围中选择一个随机值来应用于图像。 random_transform_args {rotation_range: 10,zoom_range: 0.05,shift_range: 0.05,random_flip: 0.5,}def random_transform(image, rotation_range, zoom_range, shift_range, random_flip):Make a random transformation for an image, including rotation, zoom, shift and flip.Args:image (np.array): an image to be transformedrotation_range (float): the range of possible angles to rotate - [-rotation_range, rotation_range]zoom_range (float): range of possible scales - [1 - zoom_range, 1 zoom_range]shift_range (float): the percent of translation for x and yrandom_flip (float): the probability of horizontal flipReturns:(np.array): transformed imageh, w image.shape[0:2]rotation np.random.uniform(-rotation_range, rotation_range)scale np.random.uniform(1 - zoom_range, 1 zoom_range)tx np.random.uniform(-shift_range, shift_range) * wty np.random.uniform(-shift_range, shift_range) * hmat cv2.getRotationMatrix2D((w // 2, h // 2), rotation, scale)mat[:, 2] (tx, ty)result cv2.warpAffine(image, mat, (w, h), borderModecv2.BORDER_REPLICATE)if np.random.random() random_flip:result result[:, ::-1]return result第2个是通过使用带噪声的插值图产生的失真。这种扭曲将迫使模型理解人脸的关键特征并使其更加一般化。 def random_warp(image):Create a distorted face image and a target undistorted imageArgs:image (np.array): image to warpReturns:(np.array): warped version of the image(np.array): target image to construct from the warped versionh, w image.shape[:2]# build coordinate map to wrap the image according torange_ np.linspace(h / 2 - h * 0.4, h / 2 h * 0.4, 5)mapx np.broadcast_to(range_, (5, 5))mapy mapx.T# add noise to get a distortion of the face while warp the imagemapx mapx np.random.normal(size(5, 5), scale5*h/256)mapy mapy np.random.normal(size(5, 5), scale5*h/256)# get interpolation map for the center of the face with size of (96, 96)interp_mapx cv2.resize(mapx, (int(w / 2 * (1 0.25)) , int(h / 2 * (1 0.25))))[int(w/2 * 0.25/2):int(w / 2 * (1 0.25) - w/2 * 0.25/2), int(w/2 * 0.25/2):int(w / 2 * (1 0.25) - w/2 * 0.25/2)].astype(float32)interp_mapy cv2.resize(mapy, (int(w / 2 * (1 0.25)) , int(h / 2 * (1 0.25))))[int(w/2 * 0.25/2):int(w / 2 * (1 0.25) - w/2 * 0.25/2), int(w/2 * 0.25/2):int(w / 2 * (1 0.25) - w/2 * 0.25/2)].astype(float32)# remap the face image according to the interpolation map to get warp versionwarped_image cv2.remap(image, interp_mapx, interp_mapy, cv2.INTER_LINEAR)# create the target (undistorted) image# find a transformation to go from the source coordinates to the destination coordinatesrc_points np.stack([mapx.ravel(), mapy.ravel()], axis-1)dst_points np.mgrid[0:w//21:w//8, 0:h//21:h//8].T.reshape(-1, 2)# We want to find a similarity matrix (scale rotation and translation) between the# source and destination points. The matrix should have the structure# [[a, -b, c],# [b, a, d]]# so we can construct unknown vector [a, b, c, d] and solve for it using least# squares with the source and destination x and y points.A np.zeros((2 * src_points.shape[0], 2))A[0::2, :] src_points # [x, y]A[0::2, 1] -A[0::2, 1] # [x, -y]A[1::2, :] src_points[:, ::-1] # [y, x]A np.hstack((A, np.tile(np.eye(2), (src_points.shape[0], 1)))) # [x, -y, 1, 0] for x coordinate and [y, x, 0 ,1] for y coordinateb dst_points.flatten() # arrange as [x0, y0, x1, y1, ..., xN, yN]similarity_mat np.linalg.lstsq(A, b, rcondNone)[0] # get the similarity matrix elements as vector [a, b, c, d]# construct the similarity matrix from the result vector of the least squaressimilarity_mat np.array([[similarity_mat[0], -similarity_mat[1], similarity_mat[2]],[similarity_mat[1], similarity_mat[0], similarity_mat[3]]])# use the similarity matrix to construct the target image using affine transformationtarget_image cv2.warpAffine(image, similarity_mat, (w // 2, h // 2))return warped_image, target_image这个函数有两个部分我们首先在面部周围的区域创建图像的坐标图。有一个x坐标的映射和一个y坐标的映射。mapx和mapy变量中的值是以像素为单位的坐标。然后在图像上添加一些噪声使坐标在随机方向上移动。我们添加的噪声得到了一个扭曲的坐标(像素在随机方向上移动一点)。然后裁剪了插值后的贴图使其包含脸部的中心大小为96x96像素。现在我们可以使用扭曲的映射来重新映射图像得到一个新的扭曲的图像。
在第二部分创建未扭曲的图像这是模型应该从扭曲的图像中创建的目标图像。使用噪声作为源坐标并为目标图像定义一组目标坐标。然后我们使用最小二乘法找到一个相似变换矩阵(尺度旋转和平移)将其从源坐标映射到目标坐标并将其应用于图像以获得目标图像。 然后就可以创建一个Dataset类来处理数据了。FaceData类非常简单。它获取包含src和dst文件夹的文件夹的路径其中包含我们在前一部分中创建的数据并返回大小为(2 * 96,2 * 96)归一化为1的随机源和目标图像。我们的网络将得到的是一个经过变换和扭曲的图像以及源脸和目标脸的目标图像。所以还需要实现了一个collate_fn def collate_fn(self, batch):Collate function to arrange the data returns from a batch. The batch returns a listof tuples contains pairs of source and destination images, which is the input of thisfunction, and the function returns a tuple with 4 4D tensors of the warp and targetimages for the source and destinationArgs:batch (list): a list of tuples contains pairs of source and destination imagesas numpy arrayReturns:(torch.Tensor): a 4D tensor of the wrap version of the source images(torch.Tensor): a 4D tensor of the target source images(torch.Tensor): a 4D tensor of the wrap version of the destination images(torch.Tensor): a 4D tensor of the target destination imagesimages_src, images_dst list(zip(*batch)) # convert list of tuples with pairs of images into tuples of source and destination imageswarp_image_src, target_image_src get_training_data(images_src, len(images_src))warp_image_src torch.tensor(warp_image_src, dtypetorch.float32).permute(0, 3, 1, 2).to(device)target_image_src torch.tensor(target_image_src, dtypetorch.float32).permute(0, 3, 1, 2).to(device)warp_image_dst, target_image_dst get_training_data(images_dst, len(images_dst))warp_image_dst torch.tensor(warp_image_dst, dtypetorch.float32).permute(0, 3, 1, 2).to(device)target_image_dst torch.tensor(target_image_dst, dtypetorch.float32).permute(0, 3, 1, 2).to(device)return warp_image_src, target_image_src, warp_image_dst, target_image_dst当我们从Dataloader对象获取数据时它将返回一个元组其中包含来自FaceData对象的源图像和目标图像对。collate_fn接受这个结果并对图像进行变换和失真得到目标图像并为扭曲的源图像、目标源图像、扭曲的目标图像和目标目标图像返回四个4D张量。
训练使用的损失函数是MSE (L2)损失和DSSIM的组合 训练的指标和结果如上图所示
生成视频
在最后一步就是创建视频。处理此任务的函数称为merge_frame_to_fake_video.py。我们使用MediaPipe创建了facemask类。
当初始化facemask对象时初始化MediaPipe人脸检测器。 class FaceMasking:def __init__(self):landmarks_model_path Path(models/face_landmarker.task)if not landmarks_model_path.exists():landmarks_model_path.parent.mkdir(parentsTrue, exist_okTrue)url https://storage.googleapis.com/mediapipe-models/face_landmarker/face_landmarker/float16/latest/face_landmarker.taskprint(Downloading face landmarks model...)filename, headers urlretrieve(url, filenamestr(landmarks_model_path))print(Download finish!)base_options python_mp.BaseOptions(model_asset_pathstr(landmarks_model_path))options vision.FaceLandmarkerOptions(base_optionsbase_options,output_face_blendshapesFalse,output_facial_transformation_matrixesFalse,num_faces1)self.detector vision.FaceLandmarker.create_from_options(options)这个类也有一个从人脸图像中获取掩码的方法: def get_mask(self, image):return uint8 mask of the face in imageArgs:image (np.ndarray): RGB image with single faceReturns:(np.ndarray): single channel uint8 mask of the faceim_mp mp.Image(image_formatmp.ImageFormat.SRGB, dataimage.astype(np.uint8).copy())detection_result self.detector.detect(im_mp)x np.array([landmark.x * image.shape[1] for landmark in detection_result.face_landmarks[0]], dtypenp.float32)y np.array([landmark.y * image.shape[0] for landmark in detection_result.face_landmarks[0]], dtypenp.float32)hull np.round(np.squeeze(cv2.convexHull(np.column_stack((x, y))))).astype(np.int32)mask np.zeros(image.shape[:2], dtypenp.uint8)mask cv2.fillConvexPoly(mask, hull, 255)kernel np.ones((7, 7), np.uint8)mask cv2.erode(mask, kernel)return mask该函数首先将输入图像转换为MediaPipe图像结构然后使用人脸检测器查找人脸。然后使用OpenCV找到点的凸包并使用OpenCV的fillConvexPoly函数填充凸包的区域从而得到一个二进制掩码。最后我们应用侵蚀操作来缩小遮蔽。 def get_mask(self, image):return uint8 mask of the face in imageArgs:image (np.ndarray): RGB image with single faceReturns:(np.ndarray): single channel uint8 mask of the faceim_mp mp.Image(image_formatmp.ImageFormat.SRGB, dataimage.astype(np.uint8).copy())detection_result self.detector.detect(im_mp)x np.array([landmark.x * image.shape[1] for landmark in detection_result.face_landmarks[0]], dtypenp.float32)y np.array([landmark.y * image.shape[0] for landmark in detection_result.face_landmarks[0]], dtypenp.float32)hull np.round(np.squeeze(cv2.convexHull(np.column_stack((x, y))))).astype(np.int32)mask np.zeros(image.shape[:2], dtypenp.uint8)mask cv2.fillConvexPoly(mask, hull, 255)kernel np.ones((7, 7), np.uint8)mask cv2.erode(mask, kernel)return maskmerge_frame_to_fake_video函数就是将上面所有的步骤整合创建一个新的视频对象一个FaceExtracot对象一个facemask对象创建神经网络组件并加载它们的权重。 def merge_frames_to_fake_video(dst_frames_path, model_nameQuick96, saved_models_dirsaved_model):model_path Path(saved_models_dir) / f{model_name}.pthdst_frames_path Path(dst_frames_path)image Image.open(next(dst_frames_path.glob(*.jpg)))image_size image.sizeresult_video cv2.VideoWriter(str(dst_frames_path.parent / fake.mp4), cv2.VideoWriter_fourcc(*MJPG), 30, image.size)face_extractor FaceExtractor(image_size)face_masker FaceMasking()encoder Encoder().to(device)inter Inter().to(device)decoder Decoder().to(device)saved_model torch.load(model_path)encoder.load_state_dict(saved_model[encoder])inter.load_state_dict(saved_model[inter])decoder.load_state_dict(saved_model[decoder_src])model torch.nn.Sequential(encoder, inter, decoder)然后针对目标视频中的所有帧找到脸。如果没有人脸就把画面写入视频。如果有人脸将其提取出来转换为网络的适当输入并生成新的人脸。
对原人脸和新人脸进行遮蔽利用遮蔽图像上的矩量找到原人脸的中心。使用无缝克隆以逼真的方式将新脸代替原来的脸(例如改变假脸的肤色以适应原来的脸皮肤)。最后将结果作为一个新的帧放回原始帧并将其写入视频文件。 frames_list sorted(dst_frames_path.glob(*.jpg))for ii, frame_path in enumerate(frames_list, 1):print(fWorking om {ii}/{len(frames_list)})frame cv2.imread(str(frame_path))retval, face face_extractor.detect(frame)if face is None:result_video.write(frame)continueface_image, face face_extractor.extract(frame, face[0])face_image face_image[..., ::-1].copy()face_image_cropped cv2.resize(face_image, (96, 96)) #face_image_resized[96//2:9696//2, 96//2:9696//2]face_image_cropped_torch torch.tensor(face_image_cropped / 255., dtypetorch.float32).permute(2, 0, 1).unsqueeze(0).to(device)generated_face_torch model(face_image_cropped_torch)generated_face (generated_face_torch.squeeze().permute(1,2,0).detach().cpu().numpy() * 255).astype(np.uint8)mask_origin face_masker.get_mask(face_image_cropped)mask_fake face_masker.get_mask(generated_face)origin_moments cv2.moments(mask_origin)cx np.round(origin_moments[m10] / origin_moments[m00]).astype(int)cy np.round(origin_moments[m01] / origin_moments[m00]).astype(int)try:output_face cv2.seamlessClone(generated_face, face_image_cropped, mask_fake, (cx, cy), cv2.NORMAL_CLONE)except:print(Skip)continuefake_face_image cv2.resize(output_face, (face_image.shape[1], face_image.shape[0]))fake_face_image fake_face_image[..., ::-1] # change to BGRframe[face[1]:face[1]face[3], face[0]:face[0]face[2]] fake_face_imageresult_video.write(frame)result_video.release()一帧的结果是这样的 模型并不完美面部的某些角度特别是侧面视图会导致图像不那么好但总体效果不错。
整合
为了运行整个过程还需要创建一个主脚本。 from pathlib import Pathimport face_extraction_tools as fetimport quick96 as q96from merge_frame_to_fake_video import merge_frames_to_fake_video##### user parameters ###### True for executing the stepextract_and_align_src Trueextract_and_align_dst Truetrain Trueeval Falsemodel_name Quick96 # use this name to save and load the modelnew_model False # True for creating a new model even if a model with the same name already exists##### end of user parameters ###### the path for the videos to processdata_root Path(./data)src_video_path data_root / data_src.mp4dst_video_path data_root / data_dst.mp4# path to folders where the intermediate product will be savedsrc_processing_folder data_root / srcdst_processing_folder data_root / dst# step 1: extract the frames from the videosif extract_and_align_src:fet.extract_frames_from_video(video_pathsrc_video_path, output_foldersrc_processing_folder, frames_to_skip0)if extract_and_align_dst:fet.extract_frames_from_video(video_pathdst_video_path, output_folderdst_processing_folder, frames_to_skip0)# step 2: extract and align face from framesif extract_and_align_src:fet.extract_and_align_face_from_image(input_dirsrc_processing_folder, desired_face_width256)if extract_and_align_dst:fet.extract_and_align_face_from_image(input_dirdst_processing_folder, desired_face_width256)# step 3: train the modelif train:q96.train(str(data_root), model_name, new_model, saved_models_dirsaved_model)# step 4: create the fake videoif eval:merge_frames_to_fake_video(dst_processing_folder, model_name, saved_models_dirsaved_model)总结
在这篇文章中我们介绍了DeepFaceLab的运行流程并使用我们自己的方法实现了该过程。我们首先从视频中提取帧然后从帧中提取人脸并对齐它们以创建一个数据库。使用神经网络来学习如何在潜在空间中表示人脸以及如何重建人脸。遍历了目标视频的帧找到了人脸并替换这就是这个项目的完整流程。
本文只做学习研究实际项目请参见
https://avoid.overfit.cn/post/ec72d69b57464a08803c86db8720e3e9
作者DZ
