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 實時視頻流人臉模糊源碼
- 參考
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（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
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瀏覽下面的相關文章希望大家以后多多支持腳本之家！
您可能感興趣的文章:- 超詳細注釋之OpenCV dlib實現人臉采集
- 手把手教你利用opencv實現人臉識別功能（附源碼+文檔）
- opencv基于Haar人臉檢測和眼睛檢測
- OpenCV-Python實現人臉磨皮算法
- 基于Opencv制作的美顏相機帶你領略美顏特效的效果
