译者 | 布加迪
审校 | 重楼
出于几个原因，您可能使用人脸模糊来隐藏视频或图像中的人脸。隐私和安全问题是最主要的原因。大多数视频分享平台和视频编辑软件都内置了人脸模糊功能。
您可以使用Python、OpenCV和NumPy库从头创建自己的人脸模糊程序。
要完成本文的学习，您需要熟悉Python的基础知识，并对NumPy库的使用有一番基本的了解。
打开任何您熟悉的Python IDE。创建一个虚拟环境，用来安装所需的库。创建一个新的Python文件。进入到终端，运行以下命令来安装所需的库。将库作为以空格分隔的列表来传递。
pip install OpenCV-python NumPy
您将使用OpenCV获取并预处理视频输入，使用NumPy处理数组。
一旦您安装了库，等待IDE更新项目骨干部分。更新完成、环境准备就绪后，您就可以开始编码了。
注意：完整的源代码可以在GitHub代码库中找到（https://github.com/makeuseofcode/Face-Blurring）。
首先，导入OpenCV库和NumPy库。这将使您能够调用和使用它们支持的任何函数。导入OpenCV-python作为cv2。
import cv2 import numpy as np
OpenCV-python模块使用名称cv2作为OpenCV社区建立的约定。OpenCV- Python是OpenCV库的Python包装器，用C++编写。
创建一个变量，并初始化VideoCapture对象。如果您想使用计算机的主摄像头作为输入源，应传递0作为参数。要使用连接到计算机上的外部摄像头，请传递1。要对预先录制的视频执行人脸模糊处理，请改而传递视频的路径。若要使用远程摄像头，传递摄像头的URL，其中含有IP地址和端口号。
cap = cv2.VideoCapture(0)
要对输入执行人脸模糊，您需要这三个函数：
创建一个输入预处理函数，将输入视频的每一帧作为其输入。初始化CascadeClassifier类，您将用这个类检测人脸。将帧大小调整为640 * 640像素。将调整大小的帧转换成灰度以便处理，最后检测输入中的人脸，并将其与矩形绑定。
def image_preprocess(frame): face_detector = cv2.CascadeClassifier(cv2.data.haarcascades + 'haarcascade_frontalface_default.xml') resized_image = cv2.resize(frame, (640, 640)) gray_image = cv2.cvtColor(resized_image, cv2.COLOR_BGR2GRAY) face_rects = face_detector.detectMultiScale( gray_image, 1.04, 5, minSize=(20, 20)) return resized_image, face_rects
该函数返回一个元组，含有调整大小的图像和表示检测到的人脸的矩形列表。
创建一个模糊函数，将模糊输入中的人脸。该函数将调整大小的帧和预处理函数返回的包围人脸的矩形列表作为输入。循环处理人脸矩形。计算每个矩形的中心和模糊圆的半径。通过将所有像素初始化为0，创建一个与调整大小的帧具有相同尺寸的黑色图像。使用计算出的半径，在中心位于人脸矩形的黑色图像上绘制白圆。最后，它模糊白圆上的图像。
def face_blur(resized_frame, face_rects): for (x, y, w, h) in face_rects: # Specifying the center and radius # of the blurring circle center_x = x + w // 3 center_y = y + h // 3 radius = h // 1 # creating a black image having similar # dimensions as the frame mask = np.zeros((resized_frame.shape[:3]), np.uint8) # draw a white circle in the face region of the frame cv2.circle(mask, (center_x, center_y), radius, (255, 255, 255), -1) # blurring the whole frame blurred_image = cv2.medianBlur(resized_frame, 99) # reconstructing the frame: # - the pixels from the blurred frame if mask > 0 # - otherwise, take the pixels from the original frame resized_frame = np.where(mask > 0, blurred_image, resized_frame) return resized_frame
该函数使用NumPy where()函数在模糊过程中重建帧。
创建一个主函数，充当程序的入口点。然后它将控制程序流程。该函数将开始一个无限循环，不断捕获视频输入的帧。调用cap对象的读取方法，从摄像头读取帧。
然后，该函数将帧传递给预处理函数，并将返回值传递给另一个函数face_blur，以获得模糊后的图像。然后，它调整模糊函数返回的帧的大小，并显示输出。
def main():
while True:
success, frame = cap.read()
resized_input, face_rects = image_preprocess(frame)
blurred_image = face_blur(resized_input, face_rects)
# Diplaying the blurred image
cv2.imshow("Blurred image", cv2.resize(blurred_image, (500, 500)))
if cv2.waitKey(1) == ord("q"):
break该函数还在用户按下q键时终止输出显示。
确保在运行脚本时先运行main函数。如果将脚本作为另一个程序中的模块导入，该条件将为假。
if __name__ == "__main__": main()
这允许您将脚本作为模块来使用或作为独立程序来运行。当程序运行时，您应该看到类似这样的输出：
人脸已经过模糊处理，辨认不出来。
您可以在许多类型的应用环境中运用人脸模糊来保护隐私。街景和地图服务使用模糊技术来模糊图像中人物的脸部。执法部门使用人脸模糊技术来保护证人的身份。
许多视频分享平台也为用户整合了人脸模糊功能。比较人脸模糊在这些领域的使用可以帮助您观察其他平台如何整合这项技术。
原文链接：https://www.makeuseof.com/python-blur-human-faces-real-time/
以上是如何使用Python实时模糊人脸的详细内容。更多信息请关注PHP中文网其他相关文章！
