随着抖音帶貨的火熱，很多人開始加入了自媒體時代的潮流。由于很多人都不是專業演員出身，當拍視頻的時候，或多或少有點不适應，好不容拍好的視頻，由于不願意露臉，又不會添加馬賽克，幸苦拍好的視頻也不願意發出去。畢竟很多人也不會進行視頻制作，更别說視頻添加馬賽克了。

本文利用人工智能技術，給圖片或者視頻添加馬賽克，避免自己出鏡的尴尬，再也不用擔心朋友圈屏蔽老爸老媽了。

1、給定要添加的視頻或者圖片 2、利用人工智能技術識别圖片或者視頻中的人臉 3、創建屏蔽層 4、給圖片或者視頻添加上屏蔽層 5、顯示最終的圖片或者實時同步到視頻 中

給圖片或者視頻人臉添加馬賽克，最主要步驟是創建屏蔽層，我們利用2種方式進行人臉的打碼

import numpy as np import cv2 def face_blur(image, factor=3.0): (h, w) = image.shape[:2] kW = int(w / factor) kH = int(h / factor) #高斯内核 if kW % 2 == 0: kW -= 1 if kH % 2 == 0: kH -= 1 return cv2.GaussianBlur(image, (kW, kH), 0)

以上便是很簡單的創建屏蔽層的代碼

首先我們獲取了圖片的尺寸(h, w) = image.shape[:2]

利用要使用高斯運算，我們要計算高斯内核的尺寸

kW = int(w / factor) kH = int(h / factor)

以上計算了高斯内核的基本尺寸，由于高斯内核的尺寸隻要求是奇數，當我們檢測到基數時，需要轉成為奇數。最後使用cv2.GaussianBlur(image, (kW, kH), 0)來創建屏蔽層

高斯濾波是一種線性平滑濾波，對于除去高斯噪聲有很好的效果。

在圖像處理中高斯濾波一般有兩種實現方式：一種是用離散化窗口滑窗卷積，另一種是通過傅裡葉變換。最常見的就是第一種滑窗實現，隻有當離散化的窗口非常大，用滑窗計算量非常大的情況下會考慮基于傅裡葉變換的方法。

opencv提供了GaussianBlur()函數對圖形進行高斯濾波，其原型如下：

C : void GaussianBlur(InputArray src, outputArray dst, Size ksize, double sigmaX, double sigmaY=0, int borderType=BORDER_DEFAULT )

參數解釋：

. InputArray src: 輸入圖像，可以是Mat類型，圖像深度為CV_8U、CV_16U、CV_16S、CV_32F、CV_64F。

. OutputArray dst: 輸出圖像，與輸入圖像有相同的類型和尺寸。

. Size ksize: 高斯内核大小，這個尺寸與前面兩個濾波kernel尺寸不同，ksize.width和ksize.height可以不相同但是這兩個值必須為正奇數，如果這兩個值為0，他們的值将由sigma計算。

. double sigmaX: 高斯核函數在X方向上的标準偏差

. double sigmaY: 高斯核函數在Y方向上的标準偏差，如果sigmaY是0，則函數會自動将sigmaY的值設置為與sigmaX相同的值，如果sigmaX和sigmaY都是0，這兩個值将由ksize.width和ksize.height計算而來。具體可以參考getGaussianKernel()函數查看具體細節。建議将size、sigmaX和sigmaY都指定出來。

. int borderType=BORDER_DEFAULT: 推斷圖像外部像素的某種便捷模式，有默認值BORDER_DEFAULT，如果沒有特殊需要不用更改，具體可以參考borderInterpolate()函數。

高斯屏蔽

高斯函數的馬賽克十分平滑，但是這跟我們平時見到的馬斯克有所區别，我們新建一個函數來創建自己的馬斯克

def face_blur(image, blocks=5): (h, w) = image.shape[:2] xSteps = np.linspace(0, w, blocks 1, dtype="int") ySteps = np.linspace(0, h, blocks 1, dtype="int") for i in range(1, len(ySteps)): for j in range(1, len(xSteps)): startX = xSteps[j - 1] startY = ySteps[i - 1] endX = xSteps[j] endY = ySteps[i] ROI = image[startY:endY, startX:endX] (B, G, R) = [int(x) for x in cv2.mean(roi)[:3]] cv2.rectangle(image, (startX, startY), (endX, endY),(B, G, R), -1) return image

首先獲取了圖片的尺寸，把圖片分成block*block的小方塊

計算每個小方塊的初始位置與最終位置

把每個小方塊圖片提取roi = image[startY:endY, startX:endX]

opencv中封裝了一個專門用于求解cv::Mat均值的函數，即cv::mean(&cv::Mat)，該函數會得到Mat中各個通道的均值，若要獲取指定通道的均值，做進一步解析即可。

最後把獲取的平均值畫到原始圖片中，來實現加馬賽克的效果

馬賽克

函數中的blocks定義了圖片需要進行馬賽克的小方塊的數量,以上圖片的馬賽克跟我們見到的很是類似

有了以上的添加屏蔽層的代碼，便可以加載模型來進行圖片的處理了

prototxtFacePath = "model/deploy.prototxt" weightsFacePath = "model/res10_300x300_ssd_iter_140000.caffemodel" faceNet = cv2.dnn.readNet(prototxtFacePath, weightsFacePath) image = cv2.imread("image/img1.jpg") orig = image.copy() (h, w) = image.shape[:2] blob = cv2.dnn.blobFromImage(image, 1.0, (300, 300),(104.0, 177.0, 123.0)) faceNet.setInput(blob) detections = faceNet.forward()

首先加載人臉檢測模型

對人臉模型進行初始化faceNet = cv2.dnn.readNet(prototxtFacePath, weightsFacePath)

獲取圖片的尺寸大小，然後進行圖片blob值的計算blob = cv2.dnn.blobFromImage(image, 1.0, (300, 300),(104.0, 177.0, 123.0))

最後進行人臉神經網絡的預測f

aceNet.setInput(blob)

detections = faceNet.forward()

for i in range(0, detections.shape[2]): confidence = detections[0, 0, i, 2] if confidence > 0.5: box = detections[0, 0, i, 3:7] * np.array([w, h, w, h]) (startX, startY, endX, endY) = box.astype("int") face = image[startY:endY, startX:endX] face = face_blur(face, factor=3.0) # face1 = face_blur(face,blocks=5) image[startY:endY, startX:endX] = face output = np.hstack([orig,image]) cv2.imshow("Output", output) cv2.waitKey(0)

當檢測到人臉後，提取所有人臉的置信度，我們判斷大于0.5的人臉置信度為可靠人臉.

計算人臉在圖片中的位置(startX, startY, endX, endY) = box.astype("int")

獲取人臉圖片ROI：face = image[startY:endY, startX:endX]

根據人臉的ROI圖片來進行高斯模糊，以便達到添加馬賽克的效果

最後把馬賽克圖片合并到原始圖片中

mask

更多精彩资讯请关注tft每日頭條，我们将持续为您更新最新资讯!