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.

• Un classifier entraîné dans la détection du visage, comme celui-ci.
• Cette image de base.

Le tout à placer dans le même dossier que celui du programme.

Remarques:

• Le classifier donné est celui utilisé par le programme. Vous pouvez le remplacer par n'importe quel autre classifier remplissant la même fonction mais si vous le faites, n'oubliez pas de changer son nom ici:
  

# Load XML Classifier
face_cascade = cv2.CascadeClassifier('haarcascade_frontalface_default.xml')

ligne 133.

• N'importe quelle image peut-être l'image de base du moment qu'elle s'appelle 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:

• Chargement du classifier.
• Si aucune image substituante n'a été donnée, charge celle de base.
• Lancer le traitement selon la méthode choisie, i.e:
  • Si traitement sur image fixe, détecte chaque visage et leur applique facesToOof un à un avant d'écrire le résultat.
  • Si traitement en temps réel, capture une image, détecte chaque visage et leur applique facesToOof un à un avant d'afficher le résultat et ce, jusqu'à pression de la touche Q.
• Quitter.

Même si la scène ou l'image comporte un visage, le programme peut:

1. Ne pas détecter pas de visage ou en détecter trop.
2. Ne pas substituer le visage même s'il l'a détecté.

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