大蟒蛇python教程共享超详细注释之OpenCV实现视频实时人脸模糊和人脸马赛克

目录

• 1. 效果图
• 2. 原理
• 2.1 什么是人脸模糊，如何将其用于人脸匿名化？
• 2.2 执行人脸模糊/匿名化的步骤
• 3. 源码
• 3.1 图像人脸模糊源码
• 3.2 实时视频流人脸模糊源码
• 参考

  # 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实现图像中的人脸模糊  # 导入必要的包  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    # 构建命令行参数及解析  # --image 输入人脸图像  # --face 人脸检测模型的目录  # --method 使用简单高斯模糊、像素模糊  # --blocks 面部分块数，默认20  # --confidence 面部检测置信度，过滤弱检测的值，默认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())    # 加载基于caffe的人脸检测模型  # 从磁盘加载序列化的面部检测模型及标签文件  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)    # 从此盘加载输入图像，获取图像维度  image = cv2.imread(args["image"])  image = imutils.resize(image, width=600)  orig = image.copy()  (h, w) = image.shape[:2]    # 预处理图像，构建图像blob  blob = cv2.dnn.blobfromimage(image, 1.0, (300, 300),                               (104.0, 177.0, 123.0))    # 传递blob到网络，并获取面部检测结果  print("[info] computing face detections...")  net.setinput(blob)  detections = net.forward()    # 遍历人脸检测结果  for i in range(0, detections.shape[2]):      # 提取检测的置信度，即可能性      confidence = detections[0, 0, i, 2]        # 过滤弱检测结果，确保均高于最小置信度      if confidence > args["confidence"]:          # 计算人脸的边界框（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]            # 检查是使用简单高斯模糊 还是 像素模糊方法          if args["method"] == "simple":              face = anonymize_face_simple(face, factor=3.0)          # 否则应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盖图像中的原始人脸roi          image[starty:endy, startx:endx] = face    # 原始图像和匿名图像并排显示  output = np.hstack([orig, image])  cv2.imshow("origin vs " + str(args['method']), output)  cv2.waitkey(0)  

  # usage  # python blur_face_video.py --face face_detector  # python blur_face_video.py --face face_detector --method pixelated    # 导入必要的包  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    # 构建命令行参数及解析  # --face 人脸检测模型的目录  # --method 使用简单高斯模糊、像素模糊  # --blocks 面部分块数，默认20  # --confidence 面部检测置信度，过滤弱检测的值，默认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())    # 从磁盘加载训练好的人脸检测器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)    # 初始化视频流，预热传感器2s  print("[info] starting video stream...")  vs = videostream(src=0).start()  time.sleep(2.0)    # 遍历视频流的每一帧  while true:      # 从线程化的视频流获取一帧，保持宽高比的缩放宽度为400px      frame = vs.read()      frame = imutils.resize(frame, width=400)        # 获取帧的维度，预处理帧（构建blob）      (h, w) = frame.shape[:2]      blob = cv2.dnn.blobfromimage(frame, 1.0, (300, 300),                                   (104.0, 177.0, 123.0))        # 传递blob到网络并获取面部检测结果      net.setinput(blob)      detections = net.forward()        # 遍历人脸检测结果      for i in range(0, detections.shape[2]):          # 提取检测的置信度，即可能性          confidence = detections[0, 0, i, 2]            # 过滤弱检测结果，确保均高于最小置信度          if confidence > args["confidence"]:              # 计算人脸的边界框（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]                # 检查是使用简单高斯模糊 还是 像素模糊方法              if args["method"] == "simple":                  face = anonymize_face_simple(face, factor=3.0)              # 否则应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覆盖图像中的原始人脸roi              frame[starty:endy, startx:endx] = face        # 展示输出帧      cv2.imshow("frame", frame)      key = cv2.waitkey(1) & 0xff        # 按下‘q'键，退出循环      if key == ord("q"):          break    # 做一些清理工作  # 关闭所有窗口，释放视频流指针  cv2.destroyallwindows()  vs.stop()