如何使用 OpenCV Python 模糊影像中的面部？

為了模糊影像中的面部，我們首先使用 Haar 級聯分類器檢測面部。OpenCV 為我們提供了用於物件檢測的不同型別的訓練好的 Haar 級聯。我們使用 **haarcascade_frontalface_alt.xml** 作為 Haar 級聯 xml 檔案。為了模糊面部區域，我們應用 **cv2.GaussianBlur()**。

如何下載 Haar 級聯？

您可以在以下 GitHub 網站地址找到不同的 Haar 級聯：

https://github.com/opencv/opencv/tree/master/data/haarcascades

要下載用於人臉檢測的 **haarcascade**，請點選 **haarcascade_frontalface_alt.xml** 檔案。以原始格式開啟它，右鍵單擊並儲存。

步驟

您可以按照以下步驟模糊影像中的面部：

  • 匯入所需的庫。在以下所有示例中，所需的 Python 庫是 **OpenCV**。確保您已安裝它。

  • 使用 **cv2.imread()** 讀取輸入影像。指定完整的影像路徑。

  • 初始化一個用於人臉檢測的 Haar 級聯分類器，例如 **face_cascade = cv2.CascadeClassifier()**。提供 Haar 級聯 xml 檔案的完整路徑。您可以使用 **haarcascade_frontalface_alt.xml** 來檢測影像中的人臉。

  • 使用 **face_cascade.detectMultiScale()** 檢測輸入影像中的人臉。它以 **(x,y,w,h)** 格式返回檢測到的人臉的座標。

  • 對於檢測到的人臉，定義 **roi** 為 **image[y:y+h, x:x+w]**，並對 roi 應用高斯模糊。將模糊後的面部新增到原始影像以獲得最終影像。

  • 列印帶有模糊面部的影像。

讓我們看一些示例，以便更好地理解。

**注意**：您必須將“Haar 級聯 XML 檔案”放在正確的資料夾中。在這裡，我們將 XML 檔案放在名為“haarcascades”的資料夾中。

示例

在此示例中，我們將模糊輸入影像中檢測到的人臉。

# import required libraries
import cv2

# Read the input image
image = cv2.imread('man3.jpg')

# define haar cascade for face detection
face_cascade =
cv2.CascadeClassifier('haarcascades/haarcascade_frontalface_alt.xml')
faces = face_cascade.detectMultiScale(image, 1.3, 5)
print("Face detected in the image:", len(faces))

# Loop over all the detected faces in the image
for (x, y, w, h) in faces:
   roi = image[y:y+h, x:x+w]
 
   # apply gaussian blur to face rectangle
   roi = cv2.GaussianBlur(roi, (17, 17), 30)
 
   # add blurred face on original image to get final image
   image[y:y+roi.shape[0], x:x+roi.shape[1]] = roi

# Display the output
cv2.imshow('Blur Face', image)
cv2.waitKey(0)
cv2.destroyAllWindows()

輸入影像

將以下影像視為上述示例中使用的輸入影像“**man3.jpg**”。


輸出

執行後，它將產生以下 **輸出**：

Face detected in the image: 1

並且我們將獲得以下視窗，顯示影像中模糊的面部：


示例

下面的 Python 程式演示瞭如何在輸入影像中模糊面部。

# import required libraries
import cv2

# Read the input image
image = cv2.imread('faces.jpg')

# define haar cascade for face detection
face_cascade =
cv2.CascadeClassifier('haarcascades/haarcascade_frontalface_alt.xml')
faces = face_cascade.detectMultiScale(image, 1.1, 2)
print("Face detected in the image:", len(faces))

# Loop over all the detected faces in the image
for (x, y, w, h) in faces:
   roi = image[y:y+h, x:x+w]
   
   # apply gaussian blur to face rectangle
   roi = cv2.GaussianBlur(roi, (15, 15), 30)
 
   # add blurred face on original image to get final image
   image[y:y+roi.shape[0], x:x+roi.shape[1]] = roi

# Display the output
cv2.imshow('Blur Face', image)
cv2.waitKey(0)
cv2.destroyAllWindows()

輸入影像

我們將使用以下影像作為此程式的輸入檔案：


執行後，它將產生以下 **輸出**

Face detected in the image: 15

並且我們將獲得以下視窗，顯示輸入影像中模糊的面部。請注意，所有 15 張面部大小都不同。所有不同的面部都已模糊。


並且我們將獲得以下視窗，顯示輸入影像中模糊的面部。請注意，所有 15 張面部大小都不同。所有不同的面部都已模糊。

**注意** - 為了獲得更好的面部檢測效果，請調整 **detectMultiScale()** 函式中使用的第二個和第三個引數。

更新於： 2022-12-05

2K+ 閱讀量

開啟你的 職業生涯

透過完成課程獲得認證

開始學習
廣告