facesToX est un programme permettant de changer chaque instance de visage dans une image par une autre image. “L'image” en entrée peut être donnée, prise, ou du temps réel sur n'importe quelle caméra supportant la librairie OpenCV.
Ce programme n'a pas d'autre but que de divertir.
Voici un exemple classique d'une exécution de ce programme:
(Si vous vous demandez pourquoi certains visages ne sont pas pris, je vous propose de regarder la section Problèmes et améliorations).
Le programme se trouve en intégralité ici.
Le tout à placer dans le même dossier que celui du programme.
Remarques:
# Load XML Classifier face_cascade = cv2.CascadeClassifier('haarcascade_frontalface_default.xml')
ligne 133.
oof.png
.Ce programme utilise les librairies suivantes:
# Libraries import cv2 import sys
lignes 1 à 3
cv2
référence la librairie OpenCV permettant de nombreuses opérations sur les images en Python et C++sys
référence la librairie sys pour la gestion des paramètres en Python.
Il s'agit d'un pan entier de code contrôlant l'arbre d'argument suivant:
Ce n'est pas nécessairement excitant mais ça permet au programme de détecter différentes erreurs, de s'arrêter dans de meilleures conditions et en indiquant l'erreur en question.
Si cela vous intéresse, le contrôle s'étend lignes 35 à 126.
Ce programme ne contient qu'une seule fonction: facesToOof.
facesToOof
def facesToOof(img,oof,x,y,w,h): # ~0.008s # Datas add_h = 13 add_w = 0 # Preprocess new_h = h+2*add_w new_w = w+2*add_h resized_oof = cv2.resize(oof,(new_h,new_w),interpolation = cv2.INTER_AREA) y1, y2 = y-add_h, y+h+add_h x1, x2 = x-add_w, x+w+add_w alpha = resized_oof[:, :, 3] / 255 ctr_alpha = 1.0 - alpha # Treatment try: for c in range(0, 3): img[y1:y2, x1:x2, c] = (alpha * resized_oof[:, :, c] + ctr_alpha * img[y1:y2, x1:x2, c]) except Exception as e: pass return img
lignes 9 à 31.
La partie #Data
contient les données paramètres de “d'explosion” du ROI s'ajoutant aux calculs suivant pour étendre l'image substituante après le resize
.
La partie #Preprocess
contient le calcul de la taille du nouvel ROI, le changement de taille de l'image substituante, le calcul des nouvelles valeurs de départ et de fin dans l'image de départ et le calcul de la valeur de transparence.
La partie #Treatment
pose dans un try … catch
(voir problèmes et améliorations) l'image substituante sur l'image de départ pixel par pixel avant de la renvoyer.
Et voilà, tous les visages ont été substitués ! Il ne reste plus qu'à afficher le résultat.
Il s'étend lignes 130 jusqu'à la fin et se résume à:
Q
.Même si la scène ou l'image comporte un visage, le programme peut:
En ce qui concerne les problèmes de détection (1), il suffirait d'utiliser un classifier mieux entraîné, ou bien de faire le traitement (detectMultiScale
) avec plusieurs classifiers et compiler les résultats dans une liste sans doublon.
Faire tourner plusieurs classifiers par image porterait un certain coup sur le temps réel, mais est envisageable pour l'image fixe.
Concernant l'absence d'affichage malgré détection (2), il s'agit d'un compromis.
Vous vous souvenez du traitement coincé dans un try … catch
? C'est de ça qu'il s'agit. Cela provient de “l'explosion” du ROI qui se fait sans contrôle de valeur aucun.
Une solution serait d'avoir un traitement plus rigoureux concernant les valeurs maximales de l'image de départ, définir une limite à ne pas franchir et ne superposer qu'une portion du flash lumineux d'une limite vers la fin, du début jusqu'à une limite, ou même d'une limite jusqu'à une limite.
Cette fois-ci, on peut considérer que cela n’entacherait pas le temps réel car il s'agit d'opérations de tests, peu coûteuses. Seulement, par soucis de temps, cette solution n'a pas été réalisée.
Enfin, vis à vis des améliorations possibles, j'ai surtout en tête des améliorations de performance pour le temps réel sur une machine moins puissante (RaspBerry par exemple). Une amélioration évidente serait de paralléliser le programme, puisque la fonction s'applique indépendamment à chaque visage.
Merci pour votre attention.
Philibert Thomas