能去码也能打码！OpenCV实时检测视频流人脸并马赛克之，视频后期福音

vlambda
2020-04-18

能去码也能打码！OpenCV实时检测视频流人脸并马赛克之，视频后期福音

大数据文摘出品

我们现在经常用到的马赛克其实起源于建筑上的图案装饰，如今马赛克常用于图像或视频的模糊处理。随着技术的进步，打码与去码变成了一种常见的技术研究方向，同时也掀起了一场技术与道德的“战争”。

那么为什么要打马赛克？其实是处于一种隐私保护，例如新闻上出现犯罪嫌疑人的画面时是需要打码的，因为尚未定罪时需要维护嫌疑人的肖像权。

现如今，大部分打马赛克的工作都需要我们手动来打，比如在图像/视频制作软件里添加马赛克。那么这种工作能不能交给AI呢？如果AI可以自动对图像/视频进行实时处理，无疑会帮人类减轻很大的工作量。

答案是可以！Adrian Rosebrock博士在博客中分享了通过OpenCV实现“人脸自动马赛克”这一教程，而这个项目是受到了他的一位博客读者的启发。事实上，这个项目有很大的现实意义。

那么，AI究竟是如何做到自动实时打码的？说到这里，首先需要介绍一下什么是人脸模糊。

什么是人脸模糊？

Adrian Rosebrock博士在博客中详细的分享了技术实现方法，从介绍人脸检测器，人脸模糊的简单步骤，到分别用OpenCV对人脸进行高斯模糊和像素化模糊的详细操作。

Adrian Rosebrock博士的详细教程：

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

简单来说，实现人脸模糊可以分为以下4步：

能去码也能打码！OpenCV实时检测视频流人脸并马赛克之，视频后期福音

第一步：人脸检测

在这一步可以使用任何的人脸检测器，只要它能在图像或视频中生成人脸的边界框坐标就行。

能去码也能打码！OpenCV实时检测视频流人脸并马赛克之，视频后期福音

有一些常见的人脸检测工具可以供你参考：

Haar cascades
HOG + Linear SVM
Deep learning-based face detectors

一旦识别到人脸，就可以进入到第二步了。

第二步：图像/视频的ROI提取

脸探测器会给出一个边界框，也就是图像中人脸的坐标(x, y)。

这些坐标通常表示:

人脸边界框的起始坐标x
面部截止的坐标x
人脸位置的起始坐标y
面部截止的坐标y

然后就可以用这些信息来提取人脸ROI（感兴趣区域），如下图所示：

接下来就开始进行人脸模糊啦。

第三步：人脸模糊

说到打码这件事，有两种常用的模糊方式，一个是高斯模糊，一个是像素化模糊。高斯模糊的效果比较“温柔”，但很可能面临着模糊不彻底的问题，而像素化模糊就相当简单粗暴，是我们最常见的马赛克样式。

高斯模糊下的面部图像

这两个模糊方式都可以实现人脸自动模糊这个项目，练习时可以凭你的个人喜好选择。

在进行人脸模糊之后，最后一步就是将模糊后的人脸放回原始图像中。

第四步：将模糊后的照片整合到原始图像中

使用来自人脸检测的原始(x, y)坐标(步骤二中提到的)，我们可以得到模糊/匿名化的人脸，然后将其存储到原始图像中(如果使用OpenCV和Python，则此步骤使用NumPy数组切片)。

至此，人脸模糊的部分就完成了。

如何在实时视频中通过AI实现人脸自动模糊？

文摘菌在这里简单展示一下如何使用OpenCV识别人脸，然后再将人脸模糊应用到实时视频流中。

首先需要从Adrian Rosebrock博士的这篇博文中获取源代码，然后打开OpenCV人脸检测器，使用以下命令启动blur_face_video.py：

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

高斯模糊实时视频流

以可以通过method pixelated来进行像素化的人脸模糊：

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

像素化模糊实时视频流

以上应用的人脸模糊方法，是假设输入视频流的每一帧中都可以检测到人脸。

那么，如果检测器中途未能检测到人脸会怎样？显然，在漏掉的帧中无法进行打码，也就破坏了人脸模糊的目的。

在这种情况下我们该怎么做呢?

通常，在人脸移动的比较慢的情况下，有一个简单的方法是取最后一个已知的面部位置，然后模糊该区域。

还有一种高级的方法是使用专门的对象跟踪器，如果人脸检测器没有识别到，则对象追踪器可以补充提供面部位置，这个方法会复杂很多，因为要在人脸的多个角度建立跟踪，但是这个方法也更加完善。

微软曾提出一种可在视频中通过AI实现人脸模糊的方法

早在2017年，微软研究院就提出了一套基于AI算法的视频人脸模糊解决方案。虽然该算法能够对视频进行自动处理，但是需要用户点击想要打码的人才能打上马赛克。

这套算法能够将源视频中的人物提取出来，并返回给用户，然后用户可以自由选择给谁打码。

要想打码，首先需要找出所有人脸的出现位置，并把同一个人所有帧中的人脸连接起来。为此，需要有三个算法：人脸检测、跟踪、识别。

下图更为详细的展示了关于这套人脸模糊系统具体是如何工作的：

在时间复杂度方面，微软研究院称该系统在Azure的CPU服务器上能够实时处理720p的视频，并且能够以2倍时长处理1080p的高清视频。

技术始终在进步，3年前就可以做到在视频中通过AI进行人脸模糊，3年后已经可以利用AI在实时视频流中自动打码了，我们相信，科技还能做到更多。

尽管，目前AI实时打码这一技术还尚未成熟，但总有一天技术能够“承担”起更多的社会责任，保护更多的人。

vlambda博客
学习文章列表