本文利用人工智能技能，给图片或者***添加马赛克，避免自己出镜的尴尬，再也不用担心朋友圈屏蔽老爸老妈了。

添加马赛克步骤

1、给定要添加的***或者图片2、利用人工智能技能识别图片或者***中的人脸3、创建屏蔽层4、给图片或者***添加上屏蔽层5、显示终极的图片或者实时同步到*** 中创建屏蔽层

给图片或者***人脸添加马赛克，最紧张步骤是创建屏蔽层，我们利用2种办法进行人脸的打码

import numpy as npimport cv2def face_blur(image, factor=3.0):(h, w) = image.shape[:2]kW = int(w / factor)kH = int(h / factor) #高斯内核if kW % 2 == 0:kW -= 1if kH % 2 == 0:kH -= 1return cv2.GaussianBlur(image, (kW, kH), 0)

以上便是很大略的创建屏蔽层的代码

首先我们获取了图片的尺寸(h, w) = image.shape[:2]

利用要利用高斯运算，我们要打算高斯内核的尺寸

kW = int(w / factor)kH = int(h / factor)

以上打算了高斯内核的基本尺寸，由于高斯内核的尺寸只哀求是奇数，当我们检测到基数时，须要转成为奇数。
末了利用cv2.GaussianBlur(image, (kW, kH), 0)来创建屏蔽层

高斯函数

高斯滤波是一种线性平滑滤波，对付撤除高斯噪声有很好的效果。

在图像处理中高斯滤波一样平常有两种实现办法：一种是用离散化窗口滑窗卷积，另一种是通过傅里叶变换。
最常见的便是第一种滑窗实现，只有当离散化的窗口非常大，用滑窗打算量非常大的情形下会考虑基于傅里叶变换的方法。

opencv供应了GaussianBlur()函数对图形进行高斯滤波，其原型如下：

C++: void GaussianBlur(InputArray src, OutputArray dst, Size ksize, double sigmaX, double sigmaY=0, int borderType=BORDER_DEFAULT )

参数阐明：

. InputArray src: 输入图像，可以是Mat类型，图像深度为CV_8U、CV_16U、CV_16S、CV_32F、CV_64F。

. OutputArray dst: 输出图像，与输入图像有相同的类型和尺寸。

. Size ksize: 高斯内核大小，这个尺寸与前面两个滤波kernel尺寸不同，ksize.width和ksize.height可以不相同但是这两个值必须为正奇数，如果这两个值为0，他们的值将由sigma打算。

. double sigmaX: 高斯核函数在X方向上的标准偏差

. double sigmaY: 高斯核函数在Y方向上的标准偏差，如果sigmaY是0，则函数会自动将sigmaY的值设置为与sigmaX相同的值，如果sigmaX和sigmaY都是0，这两个值将由ksize.width和ksize.height打算而来。
详细可以参考getGaussianKernel()函数查看详细细节。
建议将size、sigmaX和sigmaY都指定出来。

. int borderType=BORDER_DEFAULT: 推断图像外部像素的某种便捷模式，有默认值BORDER_DEFAULT，如果没有分外须要不用变动，详细可以参考borderInterpolate()函数。

高斯屏蔽

自建马斯克图像

高斯函数的马赛克十分平滑，但是这跟我们平时见到的马斯克有所差异，我们新建一个函数来创建自己的马斯克

def face_blur(image, blocks=5):(h, w) = image.shape[:2]xSteps = np.linspace(0, w, blocks + 1, dtype="int")ySteps = np.linspace(0, h, blocks + 1, dtype="int")for i in range(1, len(ySteps)):for j in range(1, len(xSteps)):startX = xSteps[j - 1]startY = ySteps[i - 1]endX = xSteps[j]endY = ySteps[i]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 image

首先获取了图片的尺寸，把图片分成blockblock的小方块

打算每个小方块的初始位置与终极位置

把每个小方块图片提取roi = image[startY:endY, startX:endX]

opencv中封装了一个专门用于求解cv::Mat均值的函数，即cv::mean(&cv::Mat)，该函数会得到Mat中各个通道的均值，若要获取指定通道的均值，做进一步解析即可。

末了把获取的均匀值画到原始图片中，来实现加马赛克的效果

马赛克

函数中的blocks定义了图片须要进行马赛克的小方块的数量,以上图片的马赛克跟我们见到的很是类似

加载模型，检测图片

有了以上的添加屏蔽层的代码，便可以加载模型来进行图片的处理了

proto***FacePath = "model/deploy.proto***"weightsFacePath = "model/res10_300x300_ssd_iter_140000.caffemodel"faceNet = cv2.dnn.readNet(proto***FacePath, weightsFacePath)image = cv2.imread("image/img1.jpg")orig = image.copy()(h, w) = image.shape[:2]blob = cv2.dnn.blobFromImage(image, 1.0, (300, 300),(104.0, 177.0, 123.0))faceNet.setInput(blob)detections = faceNet.forward()

首先加载人脸检测模型

对人脸模型进行初始化faceNet = cv2.dnn.readNet(proto***FacePath, weightsFacePath)

获取图片的尺寸大小，然后进行图片blob值的打算blob = cv2.dnn.blobFromImage(image, 1.0, (300, 300),(104.0, 177.0, 123.0))

最后进行人脸神经网络的预测f

aceNet.setInput(blob)

detections = faceNet.forward()

for i in range(0, detections.shape[2]):confidence = detections[0, 0, i, 2]if confidence > 0.5:box = detections[0, 0, i, 3:7] np.array([w, h, w, h])(startX, startY, endX, endY) = box.astype("int")face = image[startY:endY, startX:endX]face = face_blur(face, factor=3.0)#face1 = face_blur(face,blocks=5)image[startY:endY, startX:endX] = faceoutput = np.hstack([orig,image])cv2.imshow("Output", output)cv2.waitKey(0)

当检测到人脸后，提取所有人脸的置信度，我们判断大于0.5的人脸置信度为可靠人脸.

打算人脸在图片中的位置(startX, startY, endX, endY) = box.astype("int")

获取人脸图片ROI：face = image[startY:endY, startX:endX]

根据人脸的ROI图片来进行高斯模糊，以便达到添加马赛克的效果

末了把马赛克图片合并到原始图片中

mask

你还以为很多***中的马赛克是后期处理添加上的吗？？下期带你看如何为***实时添加mask