超詳細(xì)注釋之OpenCV實現(xiàn)視頻實時人臉模糊和人臉馬賽克
更新時間：2021年09月09日 14:59:51 作者：程序媛一枚~
這篇文章主要介紹了OpenCV實現(xiàn)視頻實時人臉模糊和人臉馬賽克，本文給大家介紹的非常詳細(xì)，對大家的學(xué)習(xí)或工作具有一定的參考借鑒價值，需要的朋友可以參考下
這篇博客將介紹人臉檢測，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別如何使用。
并介紹倆種模糊的方法：簡單高斯模糊、像素模糊。
人臉模糊和匿名化的實際應(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)集中匿名化個人）
1. 效果圖
原始圖 VS 簡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，主要是因為它比高斯模糊更“美觀”；
多人的也可以哦：原始圖 VS 簡單高斯模糊效果圖：
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？
人臉模糊是一種計算機(jī)視覺方法，用于對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
人臉檢測方法有很多，任選一種，進(jìn)行圖像中的人臉檢測或者實時視頻流中人臉的檢測。人臉成功檢測后可使用以下倆種方式進(jìn)行模糊。
- 使用高斯模糊對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和計算機(jī)視覺進(jìn)行人臉模糊包括四部分：
- 進(jìn)行人臉檢測；（如Haar級聯(lián)、HOG線性向量機(jī)、基于深度學(xué)習(xí)的檢測）；
- 提取ROI（Region Of Interests）；
- 模糊/匿名化人臉；
- 將模糊的人臉存儲回原始圖像中（Numpy數(shù)組切片）。
3. 源碼
3.1 圖像人臉模糊源碼
# USAGE
# python blur_face.py --image examples/we.jpg --face face_detector
# python blur_face.py --image examples/we.jpg --face face_detector --method pixelated
# 使用OpenCV實現(xiàn)圖像中的人臉模糊
# 導(dǎo)入必要的包
import argparse
import os
import cv2
import imutils
import numpy as np
from pyimagesearch.face_blurring import anonymize_face_pixelate
from pyimagesearch.face_blurring import anonymize_face_simple
# 構(gòu)建命令行參數(shù)及解析
# --image 輸入人臉圖像
# --face 人臉檢測模型的目錄
# --method 使用簡單高斯模糊、像素模糊
# --blocks 面部分塊數(shù)，默認(rèn)20
# --confidence 面部檢測置信度，過濾弱檢測的值，默認(rèn)50%
ap = argparse.ArgumentParser()
ap.add_argument("-i", "--image", required=True,
help="path to input image")
ap.add_argument("-f", "--face", required=True,
help="path to face detector model directory")
ap.add_argument("-m", "--method", type=str, default="simple",
choices=["simple", "pixelated"],
help="face blurring/anonymizing method")
ap.add_argument("-b", "--blocks", type=int, default=20,
help="# of blocks for the pixelated blurring method")
ap.add_argument("-c", "--confidence", type=float, default=0.5,
help="minimum probability to filter weak detections")
args = vars(ap.parse_args())
# 加載基于Caffe的人臉檢測模型
# 從磁盤加載序列化的面部檢測模型及標(biāo)簽文件
print("[INFO] loading face detector model...")
prototxtPath = os.path.sep.join([args["face"], "deploy.prototxt"])
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)，并獲取面部檢測結(jié)果
print("[INFO] computing face detections...")
net.setInput(blob)
detections = net.forward()
# 遍歷人臉檢測結(jié)果
for i in range(0, detections.shape[2]):
# 提取檢測的置信度，即可能性
confidence = detections[0, 0, i, 2]
# 過濾弱檢測結(jié)果，確保均高于最小置信度
if confidence > args["confidence"]:
# 計算人臉的邊界框（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]
# 檢查是使用簡單高斯模糊 還是 像素模糊方法
if args["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("Origin VS " + str(args['method']), output)
cv2.waitKey(0)
3.2 實時視頻流人臉模糊源碼
# USAGE
# python blur_face_video.py --face face_detector
# python blur_face_video.py --face face_detector --method pixelated
# 導(dǎo)入必要的包
import argparse
import os
import time
import cv2
import imutils
import numpy as np
from imutils.video import VideoStream
from pyimagesearch.face_blurring import anonymize_face_pixelate
from pyimagesearch.face_blurring import anonymize_face_simple
# 構(gòu)建命令行參數(shù)及解析
# --face 人臉檢測模型的目錄
# --method 使用簡單高斯模糊、像素模糊
# --blocks 面部分塊數(shù)，默認(rèn)20
# --confidence 面部檢測置信度，過濾弱檢測的值，默認(rèn)50%
ap = argparse.ArgumentParser()
ap.add_argument("-f", "--face", required=True,
help="path to face detector model directory")
ap.add_argument("-m", "--method", type=str, default="simple",
choices=["simple", "pixelated"],
help="face blurring/anonymizing method")
ap.add_argument("-b", "--blocks", type=int, default=20,
help="# of blocks for the pixelated blurring method")
ap.add_argument("-c", "--confidence", type=float, default=0.5,
help="minimum probability to filter weak detections")
args = vars(ap.parse_args())
# 從磁盤加載訓(xùn)練好的人臉檢測器Caffe模型
print("[INFO] loading face detector model...")
prototxtPath = os.path.sep.join([args["face"], "deploy.prototxt"])
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] starting video stream...")
vs = VideoStream(src=0).start()
time.sleep(2.0)
# 遍歷視頻流的每一幀
while True:
# 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)并獲取面部檢測結(jié)果
net.setInput(blob)
detections = net.forward()
# 遍歷人臉檢測結(jié)果
for i in range(0, detections.shape[2]):
# 提取檢測的置信度，即可能性
confidence = detections[0, 0, i, 2]
# 過濾弱檢測結(jié)果，確保均高于最小置信度
if confidence > args["confidence"]:
# 計算人臉的邊界框（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 = frame[startY:endY, startX:endX]
# 檢查是使用簡單高斯模糊 還是 像素模糊方法
if args["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ROI覆蓋圖像中的原始人臉ROI
frame[startY:endY, startX:endX] = face
# 展示輸出幀
cv2.imshow("Frame", frame)
key = cv2.waitKey(1) & 0xFF
# 按下‘q'鍵，退出循環(huán)
if key == ord("q"):
break
# 做一些清理工作
# 關(guān)閉所有窗口，釋放視頻流指針
cv2.destroyAllWindows()
vs.stop()
參考
https://www.pyimagesearch.com/2020/04/06/blur-and-anonymize-faces-with-opencv-and-python/
到此這篇關(guān)于超詳細(xì)注釋之OpenCV實現(xiàn)視頻實時人臉模糊和人臉馬賽克的文章就介紹到這了,更多相關(guān)OpenCV人臉馬賽克內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！
相關(guān)文章
關(guān)于Series的index的方法和屬性使用說明
這篇文章主要介紹了關(guān)于Series的index的方法和屬性使用說明，具有很好的參考價值，希望對大家有所幫助。如有錯誤或未考慮完全的地方，望不吝賜教2023-06-06
這篇文章主要為大家介紹了Python?Tornado?框架使用終極指南,有需要的朋友可以借鑒參考下,希望能夠有所幫助,祝大家多多進(jìn)步,早日升職加薪2024-01-01
這篇文章主要介紹了python粘包問題及socket套接字編程詳解,之所以出現(xiàn)粘包，是因為兩個數(shù)據(jù)非常小,然后間隔時間又短，或數(shù)據(jù)太大,一次取不完,下一次還會取這個大數(shù)據(jù),需要的朋友可以參考下2019-06-06
這篇文章主要為大家介紹了Python?print函數(shù)使用由淺入深全面詳解,有需要的朋友可以借鑒參考下,希望能夠有所幫助,祝大家多多進(jìn)步,早日升職加薪2023-12-12
這篇文章主要給大家介紹了關(guān)于python文件夾分區(qū)的實現(xiàn)方法，文中通過示例代碼介紹的非常詳細(xì)，對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價值，需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧2021-04-04
Starship定制shell提示符實現(xiàn)信息自由
這篇文章主要介紹了Starship定制shell提示符的實現(xiàn)，讓你需要的所有信息觸手可及，有需要的朋友可以借鑒參考下，希望能夠有所幫助，祝大家多多進(jìn)步，早日升職加薪2022-03-03
python實現(xiàn)輸入三角形邊長自動作圖求面積案例
這篇文章主要介紹了python實現(xiàn)輸入三角形邊長自動作圖求面積案例，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2020-04-04
這篇文章主要介紹了Python取讀csv文件做dbscan分析，讀取csv文件中相應(yīng)的列，然后進(jìn)行轉(zhuǎn)化，處理為本算法需要的格式，然后進(jìn)行dbscan運(yùn)算，下面文章的具體介紹需要的小伙伴可以參考一下2022-04-04
python腳本生成caffe train_list.txt的方法
下面小編就為大家分享一篇python腳本生成caffe train_list.txt的方法，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2018-04-04
這篇文章主要介紹了Python?ndarray數(shù)組的變形詳情，文章圍繞主題展開詳細(xì)的內(nèi)容介紹，具有一定的參考價值，需要的小伙伴可以參考一下2022-09-09