超詳細注釋之OpenCV實現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，對大家的學習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，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用包括：
- 公共/私人區(qū)域的隱私和身份保護
- 在線保護兒童（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（如模糊未簽署棄權書的人的臉）
- 數據集管理和分發(fā)（如在數據集中匿名化個人）
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視覺方法，用于對圖像和視頻中的人臉進行匿名化。
如上圖中人的身份是不可辨認的，通常使用面部模糊來幫助保護圖像中的人的身份。
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行模糊。
- 使用高斯模糊對圖像和視頻流中的人臉進行匿名化
- 應用“像素模糊”效果來匿名化圖像和視頻中的人臉
應用OpenCV和計算機視覺進行人臉模糊包括四部分：
- 進行人臉檢測；（如Haar級聯、HOG線性向量機、基于深度學習的檢測）；
- 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實現圖像中的人臉模糊
# 導入必要的包
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
# 構建命令行參數及解析
# --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，默認20
# --confidence 面部檢測置信度，過濾弱檢測的值，默認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]
# 預處理圖像，構建圖像blob
blob = cv2.dnn.blobFromImage(image, 1.0, (300, 300),
(104.0, 177.0, 123.0))
# 傳遞blob到網絡，并獲取面部檢測結果
print("[INFO] computing face detections...")
net.setInput(blob)
detections = net.forward()
# 遍歷人臉檢測結果
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
# 構建命令行參數及解析
# --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，默認20
# --confidence 面部檢測置信度，過濾弱檢測的值，默認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，預處理幀（構建blob）
(h, w) = frame.shape[:2]
blob = cv2.dnn.blobFromImage(frame, 1.0, (300, 300),
(104.0, 177.0, 123.0))
# 傳遞blob到網絡并獲取面部檢測結果
net.setInput(blob)
detections = net.forward()
# 遍歷人臉檢測結果
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/
到此這篇關于超詳細注釋之OpenCV實現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OpenCV人臉馬賽克內容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關文章希望大家以后多多支持腳本之家！
相關文章
Linux安裝Python3如何和系統(tǒng)自帶的Python2并存
這篇文章主要介紹了Linux安裝Python3如何和系統(tǒng)自帶的Python2并存,文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值,需要的朋友可以參考下2020-07-07
這篇文章主要介紹了python的三種等待方式及優(yōu)缺點的相關資料,三種等待元素加載的方法分別是強制等待、隱式等待和顯式等待,并詳細比較了它們的優(yōu)缺點,需要的朋友可以參考下2024-12-12
協(xié)程是 Python 中另外一種實現多任務的方式，只不過比線程更小，占用更小執(zhí)行單元（理解為需要的資源）。這篇文章主要介紹了協(xié)程Python 中實現多任務耗資源最小的方式,需要的朋友可以參考下2020-10-10
這篇文章主要介紹了python中求兩個向量的夾角方式，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
今天小編就為大家分享一篇python用列表生成式寫嵌套循環(huán)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2018-11-11
很多計算過程都需要每次從一個字符串中取一個字符,下面這篇文章主要給大家介紹了關于python遍歷字符串中每一個字符的4種方式,文中通過實例代碼介紹的非常詳細,需要的朋友可以參考下2023-05-05
這篇文章主要介紹了Python定時器實例代碼，向大家分享了兩部分代碼示例，一個是通過線程實現定時器timer，另一個是Python實現的精度可調的定時器實例，具有一定參考價值，需要的朋友可以了解下。2017-11-11
這篇文章主要介紹了python安裝sklearn模塊的方法詳解,本文給大家介紹的非常詳細，對大家的學習或工作具有一定的參考借鑒價值，需要的朋友可以參考下2020-11-11
這篇文章主要介紹了pymongo為mongodb數據庫添加索引的方法,涉及Python操作mongodb數據庫的相關技巧,非常簡單實用,需要的朋友可以參考下2015-05-05
這篇文章主要為大家詳細介紹了python實現五子棋之人機對戰(zhàn)游戲，文中示例代碼介紹的非常詳細，具有一定的參考價值，感興趣的小伙伴們可以參考一下2019-06-06