重磅干货，第一时间送达
我们最终结果的快照：
第 1 步：导入所需的库
为图像操作导入 cv2 为数组操作导入 Numpy
import cv2
import numpy as np
第 2 步：定义模糊函数
这里我们定义了 Blur 函数。 它需要 2 个参数，图像 img 和模糊因子 k 。 然后我们通过将高度和宽度除以模糊因子来简单地计算内核高度和内核宽度。kw 和 kh 越小，模糊度越高。 然后我们检查 kw 和 kh 是否为奇数，如果它们是偶数，则减 1 以使它们为奇数。 然后简单地我们将高斯模糊应用于我们的图像并返回它。我们还可以应用任何其他模糊操作，请在此处阅读有关它们的更多信息：https://machinelearningprojects.net/blurrings-in-cv2/
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：定义 pixelate_face 函数
这是一个简单地为模糊图像添加像素化效果的函数。
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：让我们在实时提要中模糊面孔
下面的代码是代码的主要部分。 这里的 factor 定义了模糊量。 定义一个级联分类器对象 face_cascade 来检测人脸。 下载 haarcascade_frontalface_default.xml 文件 https://raw.githubusercontent.com/sharmaji27/face-blur-using-opencv/main/haarcascade_frontalface_default.xml 然后简单地运行一个无限循环，从网络摄像头读取图像，检测其中的人脸，然后用像素化的人脸替换该人脸部分。 阅读更多关于使用 HAARCASCADES 进行面部和眼睛检测的信息 https://machinelearningprojects.net/face-and-eye-detection-in-cv2/)
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()
让我们看看完整代码
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()
下载1：OpenCV-Contrib扩展模块中文版教程 在「小白学视觉」公众号后台回复：扩展模块中文教程，即可下载全网第一份OpenCV扩展模块教程中文版，涵盖扩展模块安装、SFM算法、立体视觉、目标跟踪、生物视觉、超分辨率处理等二十多章内容。 下载2：Python视觉实战项目52讲 在「小白学视觉」公众号后台回复：Python视觉实战项目，即可下载包括图像分割、口罩检测、车道线检测、车辆计数、添加眼线、车牌识别、字符识别、情绪检测、文本内容提取、面部识别等31个视觉实战项目，助力快速学校计算机视觉。 下载3：OpenCV实战项目20讲 在「小白学视觉」公众号后台回复：OpenCV实战项目20讲，即可下载含有20个基于OpenCV实现20个实战项目，实现OpenCV学习进阶。 交流群
欢迎加入公众号读者群一起和同行交流，目前有SLAM、三维视觉、传感器、自动驾驶、计算摄影、检测、分割、识别、医学影像、GAN、算法竞赛等微信群（以后会逐渐细分），请扫描下面微信号加群，备注：”昵称+学校/公司+研究方向“，例如：”张三 + 上海交大 + 视觉SLAM“。请按照格式备注，否则不予通过。添加成功后会根据研究方向邀请进入相关微信群。请勿在群内发送广告，否则会请出群，谢谢理解~
