超詳細(xì)注釋之OpenCV實(shí)現(xiàn)視頻實(shí)時(shí)人臉模糊和人臉馬賽克

第超詳細(xì)注釋之OpenCV實(shí)現(xiàn)視頻實(shí)時(shí)人臉模糊和人臉馬賽克目錄1.效果圖2.原理2.1什么是人臉模糊，如何將其用于人臉匿名化？2.2執(zhí)行人臉模糊/匿名化的步驟3.源碼3.1圖像人臉模糊源碼3.2實(shí)時(shí)視頻流人臉模糊源碼參考這篇博客將介紹人臉檢測(cè)，然后使用Python，OpenCV模糊它們來“匿名化”每張圖像，以確保隱私得到保護(hù)，保證沒有人臉可以被識(shí)別如何使用。

并介紹倆種模糊的方法：簡(jiǎn)單高斯模糊、像素模糊。

人臉模糊和匿名化的實(shí)際應(yīng)用包括：

公共/私人區(qū)域的隱私和身份保護(hù)

在線保護(hù)兒童（即在上傳的照片中模糊未成年人的臉）

攝影新聞和新聞報(bào)道（如模糊未簽署棄權(quán)書的人的臉）

數(shù)據(jù)集管理和分發(fā)（如在數(shù)據(jù)集中匿名化個(gè)人）

1.效果圖

原始圖VS簡(jiǎn)單高斯模糊效果圖如下：

原始圖VS像素模糊效果圖如下：

在晚間新聞上看到的面部模糊正是像素模糊，主要是因?yàn)樗雀咚鼓：懊烙^”；

多人的也可以哦：原始圖VS簡(jiǎn)單高斯模糊效果圖：

多人的也可以哦：原始圖VS像素模糊效果圖：

2.原理

2.1什么是人臉模糊，如何將其用于人臉匿名化？

人臉模糊是一種計(jì)算機(jī)視覺方法，用于對(duì)圖像和視頻中的人臉進(jìn)行匿名化。

如上圖中人的身份是不可辨認(rèn)的，通常使用面部模糊來幫助保護(hù)圖像中的人的身份。

2.2執(zhí)行人臉模糊/匿名化的步驟

人臉檢測(cè)方法有很多，任選一種，進(jìn)行圖像中的人臉檢測(cè)或者實(shí)時(shí)視頻流中人臉的檢測(cè)。人臉成功檢測(cè)后可使用以下倆種方式進(jìn)行模糊。

使用高斯模糊對(duì)圖像和視頻流中的人臉進(jìn)行匿名化

應(yīng)用“像素模糊”效果來匿名化圖像和視頻中的人臉

應(yīng)用OpenCV和計(jì)算機(jī)視覺進(jìn)行人臉模糊包括四部分：

進(jìn)行人臉檢測(cè)；（如Haar級(jí)聯(lián)、HOG線性向量機(jī)、基于深度學(xué)習(xí)的檢測(cè)）；

提取ROI（RegionOfInterests）；

模糊/匿名化人臉；

將模糊的人臉存儲(chǔ)回原始圖像中（Numpy數(shù)組切片）。

3.源碼

3.1圖像人臉模糊源碼

#USAGE

#pythonblur_face.py--imageexamples/we.jpg--faceface_detector

#pythonblur_face.py--imageexamples/we.jpg--faceface_detector--methodpixelated

#使用OpenCV實(shí)現(xiàn)圖像中的人臉模糊

#導(dǎo)入必要的包

importargparse

importos

importcv2

importimutils

importnumpyasnp

frompyimagesearch.face_blurringimportanonymize_face_pixelate

frompyimagesearch.face_blurringimportanonymize_face_simple

#構(gòu)建命令行參數(shù)及解析

#--image輸入人臉圖像

#--face人臉檢測(cè)模型的目錄

#--method使用簡(jiǎn)單高斯模糊、像素模糊

#--blocks面部分塊數(shù)，默認(rèn)20

#--confidence面部檢測(cè)置信度，過濾弱檢測(cè)的值，默認(rèn)50%

ap=argparse.ArgumentParser()

ap.add_argument("-i","--image",required=True,

help="pathtoinputimage")

ap.add_argument("-f","--face",required=True,

help="pathtofacedetectormodeldirectory")

ap.add_argument("-m","--method",type=str,default="simple",

choices=["simple","pixelated"],

help="faceblurring/anonymizingmethod")

ap.add_argument("-b","--blocks",type=int,default=20,

help="#ofblocksforthepixelatedblurringmethod")

ap.add_argument("-c","--confidence",type=float,default=0.5,

help="minimumprobabilitytofilterweakdetections")

args=vars(ap.parse_args())

#加載基于Caffe的人臉檢測(cè)模型

#從磁盤加載序列化的面部檢測(cè)模型及標(biāo)簽文件

print("[INFO]loadingfacedetectormodel...")

prototxtPath=os.path.sep.join([args["face"],"totxt"])

weightsPath=os.path.sep.join([args["face"],

"res10_300x300_ssd_iter_140000.caffemodel"])

net=cv2.dnn.readNet(prototxtPath,weightsPath)

#從此盤加載輸入圖像，獲取圖像維度

image=cv2.imread(args["image"])

image=imutils.resize(image,width=600)

orig=image.copy()

(h,w)=image.shape[:2]

#預(yù)處理圖像，構(gòu)建圖像blob

blob=cv2.dnn.blobFromImage(image,1.0,(300,300),

(104.0,177.0,123.0))

#傳遞blob到網(wǎng)絡(luò)，并獲取面部檢測(cè)結(jié)果

print("[INFO]computingfacedetections...")

net.setInput(blob)

detections=net.forward()

#遍歷人臉檢測(cè)結(jié)果

foriinrange(0,detections.shape[2]):

#提取檢測(cè)的置信度，即可能性

confidence=detections[0,0,i,2]

#過濾弱檢測(cè)結(jié)果，確保均高于最小置信度

ifconfidenceargs["confidence"]:

#計(jì)算人臉的邊界框（x,y）

box=detections[0,0,i,3:7]*np.array([w,h,w,h])

(startX,startY,endX,endY)=box.astype("int")

#提取面部ROI

face=image[startY:endY,startX:endX]

#檢查是使用簡(jiǎn)單高斯模糊還是像素模糊方法

ifargs["method"]=="simple":

face=anonymize_face_simple(face,factor=3.0)

#否則應(yīng)用像素匿名模糊方法

else:

face=anonymize_face_pixelate(face,

blocks=args["blocks"])

#用模糊的匿名面部覆蓋圖像中的原始人臉ROI

image[startY:endY,startX:endX]=face

#原始圖像和匿名圖像并排顯示

output=np.hstack([orig,image])

cv2.imshow("OriginVS"+str(args['method']),output)

cv2.waitKey(0)

3.2實(shí)時(shí)視頻流人臉模糊源碼

#USAGE

#pythonblur_face_video.py--faceface_detector

#pythonblur_face_video.py--faceface_detector--methodpixelated

#導(dǎo)入必要的包

importargparse

importos

importtime

importcv2

importimutils

importnumpyasnp

fromimutils.videoimportVideoStream

frompyimagesearch.face_blurringimportanonymize_face_pixelate

frompyimagesearch.face_blurringimportanonymize_face_simple

#構(gòu)建命令行參數(shù)及解析

#--face人臉檢測(cè)模型的目錄

#--method使用簡(jiǎn)單高斯模糊、像素模糊

#--blocks面部分塊數(shù)，默認(rèn)20

#--confidence面部檢測(cè)置信度，過濾弱檢測(cè)的值，默認(rèn)50%

ap=argparse.ArgumentParser()

ap.add_argument("-f","--face",required=True,

help="pathtofacedetectormodeldirectory")

ap.add_argument("-m","--method",type=str,default="simple",

choices=["simple","pixelated"],

help="faceblurring/anonymizingmethod")

ap.add_argument("-b","--blocks",type=int,default=20,

help="#ofblocksforthepixelatedblurringmethod")

ap.add_argument("-c","--confidence",type=float,default=0.5,

help="minimumprobabilitytofilterweakdetections")

args=vars(ap.parse_args())

#從磁盤加載訓(xùn)練好的人臉檢測(cè)器Caffe模型

print("[INFO]loadingfacedetectormodel...")

prototxtPath=os.path.sep.join([args["face"],"totxt"])

weightsPath=os.path.sep.join([args["face"],

"res10_300x300_ssd_iter_140000.caffemodel"])

net=cv2.dnn.readNet(prototxtPath,weightsPath)

#初始化視頻流，預(yù)熱傳感器2s

print("[INFO]startingvideostream...")

vs=VideoStream(src=0).start()

time.sleep(2.0)

#遍歷視頻流的每一幀

whileTrue:

#從線程化的視頻流獲取一幀，保持寬高比的縮放寬度為400px

frame=vs.read()

frame=imutils.resize(frame,width=400)

#獲取幀的維度，預(yù)處理幀（構(gòu)建blob）

(h,w)=frame.shape[:2]

blob=cv2.dnn.blobFromImage(frame,1.0,(300,300),

(104.0,177.0,123.0))

#傳遞blob到網(wǎng)絡(luò)并獲取面部檢測(cè)結(jié)果

net.setInput(blob)

detections=net.forward()

#遍歷人臉檢測(cè)結(jié)果

foriinrange(0,detections.shape[2]):

#提取檢測(cè)的置信度，即可能性

confidence=detections[0,0,i,2]

#過濾弱檢測(cè)結(jié)果，確保均高于最小置信度

ifconfidenceargs["confidence"]:

#計(jì)算人臉的邊界框（x,y）

box=detections[0,0,i,3:7]*np.array([w,h,w,h])

(startX,startY,endX