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！ 博士在博客中分享了通过实现“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？
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，到分别用对人脸进行高斯模糊和像素化模糊的详细操作。
博士的详细教程：
简单来说，实现人脸模糊可以分为以下4步：
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。
有一些常见的人脸检测工具可以供你参考：
Haar
HOG + SVM
Deep -based face
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(如果使用和，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 博士的这篇博文中获取源代码，然后打开人脸检测器，使用以下命令启动.py：
$ .py –face — [INFO] face model…[INFO] video …
高斯模糊实时视频流
以可以通过 来进行像素化的人脸模糊：
$ .py –face — [INFO] face model…[INFO] video …
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。
———END———
限 时 特 惠： 本站每日持续更新海量各大内部创业教程，永久会员只需99元，全站资源免费下载 点击查看详情
站 长 微 信： hs105011
