能去碼也能打碼!OpenCV實時檢測視頻流人臉並馬賽克之,視頻後期福音

　　大數據文摘出品

　　作者：牛婉楊

　　我們現在經常用到的馬賽克其實起源於建築上的圖案裝飾，如今馬賽克常用於圖像或視頻的模糊處理。隨著技術的進步，打碼與去碼變成了一種常見的技術研究方向，同時也掀起了一場技術與道德的「戰爭」。

　　那麼為什麼要打馬賽克？其實是處於一種隱私保護，例如新聞上出現犯罪嫌疑人的畫面時是需要打碼的，因為尚未定罪時需要維護嫌疑人的肖像權。

　　現如今，大部分打馬賽克的工作都需要我們手動來打，比如在圖像/視頻製作軟體裡添加馬賽克。那麼這種工作能不能交給AI呢？如果AI可以自動對圖像/視頻進行實時處理，無疑會幫人類減輕很大的工作量。

　　答案是可以！Adrian Rosebrock博士在博客中分享了通過OpenCV實現「人臉自動馬賽克」這一教程，而這個項目是受到了他的一位博客讀者的啟發。事實上，這個項目有很大的現實意義。

　　那麼，AI究竟是如何做到自動實時打碼的？說到這裡，首先需要介紹一下什麼是人臉模糊。

　　什麼是人臉模糊？

　　Adrian Rosebrock博士在博客中詳細的分享了技術實現方法，從介紹人臉檢測器，人臉模糊的簡單步驟，到分別用OpenCV對人臉進行高斯模糊和像素化模糊的詳細操作。

　　Adrian Rosebrock博士的詳細教程：

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

　　簡單來說，實現人臉模糊可以分為以下4步：

　　第一步：人臉檢測

　　在這一步可以使用任何的人臉檢測器，只要它能在圖像或視頻中生成人臉的邊界框坐標就行。

　　有一些常見的人臉檢測工具可以供你參考：

　　Haar cascades

　　HOG + Linear SVM

　　Deep learning-based face detectors

　　一旦識別到人臉，就可以進入到第二步了。

　　第二步：圖像/視頻的ROI提取

　　臉探測器會給出一個邊界框，也就是圖像中人臉的坐標(x, y)。

　　這些坐標通常表示:

　　人臉邊界框的起始坐標x

　　面部截止的坐標x

　　人臉位置的起始坐標y

　　面部截止的坐標y

　　然後就可以用這些信息來提取人臉ROI（感興趣區域），如下圖所示：

　　接下來就開始進行人臉模糊啦。

　　第三步：人臉模糊

　　說到打碼這件事，有兩種常用的模糊方式，一個是高斯模糊，一個是像素化模糊。高斯模糊的效果比較「溫柔」，但很可能面臨著模糊不徹底的問題，而像素化模糊就相當簡單粗暴，是我們最常見的馬賽克樣式。

　　高斯模糊下的面部圖像

　　這兩個模糊方式都可以實現人臉自動模糊這個項目，練習時可以憑你的個人喜好選擇。

　　在進行人臉模糊之後，最後一步就是將模糊後的人臉放回原始圖像中。

　　第四步：將模糊後的照片整合到原始圖像中

　　使用來自人臉檢測的原始(x, y)坐標(步驟二中提到的)，我們可以得到模糊/匿名化的人臉，然後將其存儲到原始圖像中(如果使用OpenCV和Python，則此步驟使用NumPy數組切片)。

　　至此，人臉模糊的部分就完成了。

　　如何在實時視頻中通過AI實現人臉自動模糊？

　　文摘菌在這裡簡單展示一下如何使用OpenCV識別人臉，然後再將人臉模糊應用到實時視頻流中。

　　首先需要從Adrian Rosebrock博士的這篇博文中獲取原始碼，然後打開OpenCV人臉檢測器，使用以下命令啟動blur_face_video.py：

　　$ python blur_face_video.py --face face_detector --method simple[INFO] loading face detector model...[INFO] starting video stream...

　　高斯模糊實時視頻流

　　以可以通過method pixelated來進行像素化的人臉模糊：

　　$ python blur_face_video.py --face face_detector --method pixelated[INFO] loading face detector model...[INFO] starting video stream...

　　像素化模糊實時視頻流

　　以上應用的人臉模糊方法，是假設輸入視頻流的每一幀中都可以檢測到人臉。

　　那麼，如果檢測器中途未能檢測到人臉會怎樣？顯然，在漏掉的幀中無法進行打碼，也就破壞了人臉模糊的目的。

　　在這種情況下我們該怎麼做呢?

　　通常，在人臉移動的比較慢的情況下，有一個簡單的方法是取最後一個已知的面部位置，然後模糊該區域。

　　還有一種高級的方法是使用專門的對象跟蹤器，如果人臉檢測器沒有識別到，則對象追蹤器可以補充提供面部位置，這個方法會複雜很多，因為要在人臉的多個角度建立跟蹤，但是這個方法也更加完善。

　　微軟曾提出一種可在視頻中通過AI實現人臉模糊的方法

　　早在2017年，微軟研究院就提出了一套基於AI算法的視頻人臉模糊解決方案。雖然該算法能夠對視頻進行自動處理，但是需要用戶點擊想要打碼的人才能打上馬賽克。

　　這套算法能夠將源視頻中的人物提取出來，並返回給用戶，然後用戶可以自由選擇給誰打碼。

　　要想打碼，首先需要找出所有人臉的出現位置，並把同一個人所有幀中的人臉連接起來。為此，需要有三個算法：人臉檢測、跟蹤、識別。

　　下圖更為詳細的展示了關於這套人臉模糊系統具體是如何工作的：

　　在時間複雜度方面，微軟研究院稱該系統在Azure的CPU伺服器上能夠實時處理720p的視頻，並且能夠以2倍時長處理1080p的高清視頻。

　　技術始終在進步，3年前就可以做到在視頻中通過AI進行人臉模糊，3年後已經可以利用AI在實時視頻流中自動打碼了，我們相信，科技還能做到更多。

　　儘管，目前AI實時打碼這一技術還尚未成熟，但總有一天技術能夠「承擔」起更多的社會責任，保護更多的人。

本文首發於微信公眾號：大數據文摘。文章內容屬作者個人觀點，不代表和訊網立場。投資者據此操作，風險請自擔。

（責任編輯：董雲龍 ）