本文將學(xué)習(xí)如何使用 OpenCV 和 Python 在直播中模糊人臉。這將是一個非常有趣的博客，讓我們開始吧！

我們最終結(jié)果的快照：

第 1 步：導(dǎo)入所需的庫

· 為圖像操作導(dǎo)入 cv2

· 為數(shù)組操作導(dǎo)入 Numpy

import cv2

import numpy as np

第 2 步：定義模糊函數(shù)

· 這里我們定義了 Blur 函數(shù)。

· 它需要 2 個參數(shù)，圖像 img 和模糊因子 k 。

· 然后我們通過將高度和寬度除以模糊因子來簡單地計算內(nèi)核高度和內(nèi)核寬度。kw 和 kh 越小，模糊度越高。

· 然后我們檢查 kw 和 kh 是否為奇數(shù)，如果它們是偶數(shù)，則減 1 以使它們?yōu)槠鏀?shù)。

· 然后簡單地我們將高斯模糊應(yīng)用于我們的圖像并返回它。

def blur（img，k）：

   h，w ＝ img．shape［：2］

   kh，kw ＝ h／／k，w／／k

   if kh％2＝＝0：

       kh－＝1

   if kw％2＝＝0：

       kw－＝1

   img ＝ cv2．GaussianBlur（img，ksize＝（kh，kw），sigmaX＝0）

   return img

第 3 步：定義 pixelate＿face 函數(shù)

· 這是一個簡單地為模糊圖像添加像素化效果的函數(shù)。

def pixelate＿face（image， blocks＝10）：

   ＃ divide the input image into NxN blocks

   （h， w） ＝ image．shape［：2］

   xSteps ＝ np．linspace（0， w， blocks ＋ 1， dtype＝＂int＂）

   ySteps ＝ np．linspace（0， h， blocks ＋ 1， dtype＝＂int＂）

   ＃ loop over the blocks in both the x and y direction

   for i in range（1， len（ySteps））：

       for j in range（1， len（xSteps））：

           ＃ compute the starting and ending （x， y）－coordinates

           ＃ for the current block

           startX ＝ xSteps［j － 1］

           startY ＝ ySteps［i － 1］

           endX ＝ xSteps［j］

           endY ＝ ySteps［i］

           ＃ extract the ROI using NumPy array slicing， compute the

           ＃ mean of the ROI， and then draw a rectangle with the

           ＃ mean RGB values over the ROI in the original image

           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 the pixelated blurred image

   return image

第 4 步：讓我們在實時提要中模糊面孔

· 下面的代碼是代碼的主要部分。

· 這里的 factor  定義了模糊量。

· 定義一個級聯(lián)分類器對象 face＿cascade 來檢測人臉。

· 下載 haarcascade＿frontalface＿default．xml 文件

然后簡單地運行一個無限循環(huán)，從網(wǎng)絡(luò)攝像頭讀取圖像，檢測其中的人臉，然后用像素化的人臉替換該人臉部分。

閱讀更多關(guān)于使用 HAARCASCADES 進(jìn)行面部和眼睛檢測的信息

factor ＝ 3    

cap ＝ cv2．VideoCapture（0）

face＿cascade ＝ cv2．CascadeClassifier（＇haarcascade＿frontalface＿default．xml＇）

while 1：

   ret，frame ＝ cap．read（）

   gray ＝ cv2．cvtColor（frame，cv2．COLOR＿BGR2GRAY）

   faces ＝ face＿cascade．detectMultiScale（gray， 1．5， 5）

   for （x，y，w，h） in faces：

       frame［y：y＋h，x：x＋w］ ＝ pixelate＿face（blur（frame［y：y＋h，x：x＋w］，factor））

   cv2．imshow（＇Live＇，frame）

   if cv2．waitKey（1）＝＝27：

       break

cap．release（）

cv2．destroyAllWindows（）

讓我們看看完整代碼

import cv2

import numpy as np

def blur（img，k）：

   h，w ＝ img．shape［：2］

   kh，kw ＝ h／／k，w／／k

   if kh％2＝＝0：

       kh－＝1

   if kw％2＝＝0：

       kw－＝1

   img ＝ cv2．GaussianBlur（img，ksize＝（kh，kw），sigmaX＝0）

   return img
   

def pixelate＿face（image， blocks＝10）：

   ＃ divide the input image into NxN blocks

   （h， w） ＝ image．shape［：2］

   xSteps ＝ np．linspace（0， w， blocks ＋ 1， dtype＝＂int＂）

   ySteps ＝ np．linspace（0， h， blocks ＋ 1， dtype＝＂int＂）

   ＃ loop over the blocks in both the x and y direction

   for i in range（1， len（ySteps））：

       for j in range（1， len（xSteps））：

           ＃ compute the starting and ending （x， y）－coordinates

           ＃ for the current block

           startX ＝ xSteps［j － 1］

           startY ＝ ySteps［i － 1］

           endX ＝ xSteps［j］

           endY ＝ ySteps［i］

           ＃ extract the ROI using NumPy array slicing， compute the

           ＃ mean of the ROI， and then draw a rectangle with the

           ＃ mean RGB values over the ROI in the original image

           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 the pixelated blurred image

   return image

factor ＝ 3    

cap ＝ cv2．VideoCapture（0）

face＿cascade ＝ cv2．CascadeClassifier（＇haarcascade＿frontalface＿default．xml＇）

while 1：

   ret，frame ＝ cap．read（）

   gray ＝ cv2．cvtColor（frame，cv2．COLOR＿BGR2GRAY）
   

   faces ＝ face＿cascade．detectMultiScale（gray， 1．5， 5）

   for （x，y，w，h） in faces：

       frame［y：y＋h，x：x＋w］ ＝ pixelate＿face（blur（frame［y：y＋h，x：x＋w］，factor））

   cv2．imshow（＇Live＇，frame）

   if cv2．waitKey（1）＝＝27：

       break

cap．release（）

cv2．destroyAllWindows（）

這就是你在直播中模糊面孔的方式！

       原文標(biāo)題 : 使用 OpenCV 和 Python 在直播中模糊人臉