使用Python，OpenCV实现图像和实时视频流中的人脸模糊和马赛克

使用Python，OpenCV实现图像和实时视频流中的人脸模糊和人脸马赛克

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

这篇博客将介绍人脸检测，然后使用Python，OpenCV模糊它们来“匿名化”每张图像，以确保隐私得到保护，保证没有人脸可以被识别如何使用。

并介绍俩种模糊的方法：简单高斯模糊、像素模糊。

人脸模糊和匿名化的实际应用包括：

公共/私人区域的隐私和身份保护
在线保护儿童（即在上传的照片中模糊未成年人的脸）
摄影新闻和新闻报道（如模糊未签署弃权书的人的脸）
数据集管理和分发（如在数据集中匿名化个人）

1. 效果图

原始图 VS 简单高斯模糊效果图如下：

原始图 VS 像素模糊效果图如下：
在晚间新闻上看到的面部模糊正是像素模糊，主要是因为它比高斯模糊更“美观”；

多人的也可以哦：原始图 VS 简单高斯模糊效果图：

多人的也可以哦：原始图 VS 像素模糊效果图：

2. 原理

2.1 什么是人脸模糊，如何将其用于人脸匿名化？

人脸模糊是一种计算机视觉方法，用于对图像和视频中的人脸进行匿名化。

如上图中人的身份是不可辨认的，通常使用面部模糊来帮助保护图像中的人的身份。

2.2 执行人脸模糊/匿名化的步骤

人脸检测方法有很多，任选一种，进行图像中的人脸检测或者实时视频流中人脸的检测。人脸成功检测后可使用以下俩种方式进行模糊。

使用高斯模糊对图像和视频流中的人脸进行匿名化
应用“像素模糊”效果来匿名化图像和视频中的人脸

应用OpenCV和计算机视觉进行人脸模糊包括四部分：

进行人脸检测；（如Haar级联、HOG线性向量机、基于深度学习的检测）；
提取ROI（Region Of Interests）；
模糊/匿名化人脸；
将模糊的人脸存储回原始图像中（Numpy数组切片）。

3. 源码

3.1 图像人脸模糊源码

# 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 osimport 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ROIface = 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ROIimage[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)

3.2 实时视频流人脸模糊源码

# 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 timeimport 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400pxframe = 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ROIface = 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ROIframe[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()

参考

https://www.pyimagesearch.com/2020/04/06/blur-and-anonymize-faces-with-opencv-and-python/

使用Python，OpenCV实现图像和实时视频流中的人脸模糊和马赛克相关推荐

python opencv 从Intel Realsense D435 视频流中读取并显示帧，按下空格将图像保存到指定文件夹，按下回车自动以一定时间间隔保存图像至指定文件夹
参考文章1:opencv之读入一幅图像,显示图像以及如何保存一副图像,基础操作参考文章2:python-OpenCV2中 cv2.VideoCapture(),read(),waitKey()的使用 ...
Python+OpenCV：图像修复（Image Inpainting）
Python+OpenCV:图像修复(Image Inpainting) 理论 Most of you will have some old degraded photos at your home ...
Python+OpenCV：图像二进制鲁棒独立基本特征(BRIEF, Binary Robust Independent Elementary Features)
Python+OpenCV:图像二进制鲁棒独立基本特征(BRIEF, Binary Robust Independent Elementary Features) 理论 We know SIFT us ...
Python+OpenCV：图像快速角点检测算法(FAST Algorithm for Corner Detection)
Python+OpenCV:图像快速角点检测算法(FAST Algorithm for Corner Detection) 理论 Feature Detection using FAST Select ...
Python+OpenCV：图像Shi-Tomasi角点检测器
Python+OpenCV:图像Shi-Tomasi角点检测器理论 The scoring function in Harris Corner Detector was given by: Inst ...
Python+OpenCV：图像Harris角点检测(Harris Corner Detection)
Python+OpenCV:图像Harris角点检测(Harris Corner Detection) 理论 corners are regions in the image with large v ...
Python+OpenCV：图像对比度受限自适应直方图均衡化(CLAHE, Contrast Limited Adaptive Histogram Equalization)
Python+OpenCV:图像对比度受限自适应直方图均衡化(CLAHE, Contrast Limited Adaptive Histogram Equalization) ############ ...
Python+OpenCV：图像轮廓
Python+OpenCV:图像轮廓轮廓是什么? 轮廓可以简单地解释为一条连接所有连续点(沿边界)的曲线,具有相同的颜色和强度. 轮廓线是形状分析.目标检测和识别的重要工具. 为了获得更好的精度,可 ...
Python+OpenCV：图像金字塔
Python+OpenCV:图像金字塔理论通常情况下,我们使用固定大小的图像.但在某些情况下,我们需要处理(相同的)不同分辨率的图像. 例如,当搜索图像中的某些东西时,比如脸,我们不确定该物体在图 ...