视频打马赛克软件哪个最好用（视频马赛克去除工具）

上期文章，我们分享了如何给图片添加马赛克，但是很多时候，我们需要给视频添加马赛克。当然你能想到的是通过后期软件处理的方法来进行，本文教你使用简单的几行代码便可以很方便的给视频添加马赛克

添加马赛克步骤

1、给定要添加的视频或者图片

2、利用人工智能技术识别图片或者视频中的人脸

3、创建屏蔽层

4、给图片或者视频添加上屏蔽层

5、显示最终的图片或者实时同步到视频 中

创建屏蔽层

给图片或者视频人脸添加马赛克，最主要步骤是创建屏蔽层，我们利用2种方式进行人脸的打码

import numpy as np

import cv2

def 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 -= 1

if kH % 2 == 0:

kH -= 1

return cv2.GaussianBlur(image, (kW, kH), 0)

以上便是很简单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]

利用要使用高斯运算，我们要计算高斯内核的尺寸

kW = int(w / factor)

kH = int(h / factor)

以上计算了高斯内核的基本尺寸，由于高斯内核的尺寸只要求是奇数，当我们检测到基数时，需要转成为奇数。最后使用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，对于除去高斯噪声有很好的效果。

在图像处理中高斯滤波一般有两种实现方式：一种是用离散化窗口滑窗卷积，另一种是通过傅里叶变换。最常见的就是第一种滑窗实现，只有当离散化的窗口非常大，用滑窗计算量非常大的情况下会考虑基于傅里叶变换的方法。

opencv提供了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 )

参数解释：

. 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计算。

. 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计算而来。具体可以参考getGaussianKernel()函数查看具体细节。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，如果没有特殊需要不用更改，具体可以参考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区别，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block*block的小方块

计算每个小方块的初始位置与最终位置

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。

最后把获取的平均值画到原始图片中，来实现加马赛克的效果

马赛克

函数中的blocks定义了图片需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，开启摄像头

prototxtFacePath = “model/deploy.prototxt”

weightsFacePath = “model/res10_300x300_ssd_iter_140000.caffemodel”

faceNet = cv2.dnn.readNet(prototxtFacePath, weightsFacePath)

capture = cv2.VideoCapture(0)

time.sleep(2.0)

首先我们加载需要的人脸检测模型

使用cv2.dnn.readNet(prototxtFacePath, weightsFacePath)函数初始化一个人脸检测神经网络

VideoCapture()中参数是0，表示打开笔记本的内置摄像头，参数是视频文件路径则打开视频，如cap = cv2.VideoCapture(“../高清.avi”)

默认打开摄像头，然后遍历视频，实时添加马赛克

读取视频帧，实时检测人脸

while True:

ret, frame = capture.read()

frame = cv2.resize(frame, (600,400))

(h, w) = frame.shape[:2]

blob = cv2.dnn.blobFromImage(frame, 1.0, (300, 300),(104.0, 177.0, 123.0))

faceNet.setInput(blob)

detections = faceNet.forward()

cap.read()按帧读取视频，ret,frame是获cap.read()方法的两个返回值。其中ret是布尔值，如果读取帧是正确的则返回True，如果文件读取到结尾，它的返回值就为False。frame就是每一帧的图像，是个三维矩阵。

获取图片的尺寸大小，然后进行图片blob值的计算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

faceNet.setInput(blob)

detections = faceNet.forward()

当检测到人脸后，对人脸进行分析识别

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 = frame[startY:endY, startX:endX]

face = face_blur(face, factor=4.0)

frame[startY:endY, startX:endX] = face

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.

计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 = frame[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

然后把添加马赛克的图片实时反馈到视频帧中

显示视频

cv2.imshow(“Frame”, frame)

key = cv2.waitKey(1) & 0xFF

if key == ord(“q”):

break

cv2.stop()

cv2.destroyAllWindows()

最后实时显示视频。