python3 cv2 视频人脸识别如何快速模糊处理

Question

import cv2
import numpy as np
import subprocess
if __name__ == '__main__':
    video = cv2.VideoCapture('input.mp4')
    
    # 调整视频的播放速度为原来的两倍
    #video.set(cv2.CAP_PROP_FPS, video.get(cv2.CAP_PROP_FPS) * 2)
    
    fps = video.get(cv2.CAP_PROP_FPS)  # 视频的帧率
    width = int(video.get(cv2.CAP_PROP_FRAME_WIDTH))
    height = int(video.get(cv2.CAP_PROP_FRAME_HEIGHT))
    #count = video.get(cv2.CAP_PROP_FRAME_COUNT)
    #size = (int(width), int(height))
    print("fps:", fps)
    print("width:", width)
    print("height:", height)
    #print("count:", count)
    #print("size:", size)
    # 视频的本质是逐帧播放
    face_detector = cv2.CascadeClassifier("haarcascade_frontalface_default.xml")
    fourcc = cv2.VideoWriter_fourcc(*'XVID')
    out = cv2.VideoWriter('out.avi',fourcc, fps, (width,height))
    #minSize = (100, 100)  # 设置检测窗口的最小尺寸
    #maxSize = (200, 200)  # 设置检测窗口的最大尺寸
    while True:
        retval, image = video.read()  # retval 是bool型的值 读取到最后一帧 变成false
        if not retval:
            print("视频读取完成")
            break
        image = cv2.resize(image, (width, height))
        gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
        faces = face_detector.detectMultiScale(gray,minNeighbors=3)  # 耗费时间的操作  每一张图片你都要遍历
        for x, y, w, h in faces:
            face = image[y:y + h, x:x + w]  # face = 人脸图片在整个视频中的范围
            face = face[::10, ::10]  # 将人脸图片 每隔10个像素取出来一次
            face = np.repeat(np.repeat(face, 10, axis=0), 10, axis=1)  # 将像素放10次 在两个方向上
            image[y:y + h, x:x + w] = face[:h, :w]  # 将整个视频中的人脸位置赋值为替换成马赛克的人脸
            #cv2.rectangle(image, pt1=(x, y), pt2=(x + w, y + h), color=[0, 0, 255], thickness=2)    #绘制矩形框
        out.write(image)
        cv2.imshow("playing", image)
        
        #选择适当的cv2.waitKey（）时间，如果该值太小，视频会非常快，如果它太大，视频会很慢（这可以用来慢动作显示视频）。 正常情况下，25毫秒即可。
        if cv2.waitKey(25) == ord('q'):
            print("exit")
            break
    video.release()
    out.release()
    #-crf是常量速因子，值范围从0（无损）到51（极低质量），20是一个通用的高质量范围值。-preset用于指定转码的预设，ultrafast速度最快也是最模糊的，veryfast是一个快速转码但质量还不错的选项。音频流使用-c:a copy参数直接复制，不进行重编码
    #调用系统ffmpeg命令
    command = [
        'ffmpeg',
        '-i', 'out.avi',
        '-c:v', 'libx264',
        '-crf', '20',
        '-preset', 'veryfast',
        '-c:a', 'copy',
        'output.mp4'
    ]
    #转换h264格式
    #try:
        #subprocess.run(command)
        #print(f"转码成功: output.mp4")
    #except subprocess.CalledProcessError as e:
    #    print(f"转码失败: {e}")
    
    cv2.destroyAllWindows()
 

这是一个调用python cv2对视频人脸模糊处理的脚本，但是如何进行快速处理，如果一个视频有15分钟，那么处理完生成新的mp4也需要15分钟，能否实现快速处理，本人做java开发的，对python不是很熟，也是在百度找的代码自己做了一些修改，不知道是否有相关的api，在网上没查到.
请教大lao对我这个人脸模糊处理的代码进行优化（目前马赛克范围不够大，还要提高下模糊度和人脸识别跟踪速度）和实现快速处理功能
现开发环境python3.10，opencv 4.9，有偿悬赏提问。

Answer 1

晚上好🌙🌙🌙
本答案参考ChatGPT-3.5

针对你的需求，可以采用以下方法来优化和加快视频人脸模糊处理：

1. 通过调整参数来提高人脸识别的速度：在face_detector.detectMultiScale()方法中，可以调整minNeighbors参数以减少人脸检测的误报率和漏报率。通过适当调整此参数可以加快人脸识别的速度。

2. 减少人脸处理的频率：不需要对每一帧都进行人脸检测和模糊处理，可以设置一个间隔帧数，在间隔帧中进行人脸处理，可以大幅度减少处理的帧数，从而提高处理速度。

3. 减少模糊处理的区域：如果你只需要对人脸进行模糊处理，可以利用人脸检测结果来提取人脸区域，然后对该区域进行处理，而不是对整个图像进行处理。这样可以减少处理的像素数量，从而提高处理速度。

4. 优化人脸模糊处理算法：可以尝试使用其他更高效的模糊处理算法，比如高斯模糊或均值模糊。这些算法在模糊效果相近的情况下，可以提供更快的处理速度。

5. 利用多线程或多进程并行处理：将视频分割成多个均匀的小片段，然后使用多个线程或多个进程来并行处理这些片段，可以提高处理速度。可以使用Python的threading或multiprocessing模块来实现并行处理。

下面是对你代码的一些优化建议和修改示例：

import cv2
import numpy as np
import subprocess
from multiprocessing import Pool

def process_frame(frame):
    # 在这里进行每帧的处理
    gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
    faces = face_detector.detectMultiScale(gray, minNeighbors=3)
    
    for x, y, w, h in faces:
        face = frame[y:y + h, x:x + w]
        face = cv2.resize(face, (w // 10, h // 10))
        face = cv2.resize(face, (w, h), interpolation=cv2.INTER_NEAREST)
        frame[y:y + h, x:x + w] = face
    
    return frame

if __name__ == '__main__':
    video = cv2.VideoCapture('input.mp4')
    fps = video.get(cv2.CAP_PROP_FPS)
    width = int(video.get(cv2.CAP_PROP_FRAME_WIDTH))
    height = int(video.get(cv2.CAP_PROP_FRAME_HEIGHT))
    face_detector = cv2.CascadeClassifier("haarcascade_frontalface_default.xml")
    out = cv2.VideoWriter('out.avi', cv2.VideoWriter_fourcc(*'XVID'), fps, (width, height))

    with Pool() as p:
        while True:
            retval, frame = video.read()
            if not retval:
                print("视频读取完成")
                break

            frame = cv2.resize(frame, (width, height))
            out_frame = p.map(process_frame, [frame])[0]
            cv2.imshow("playing", out_frame)
            out.write(out_frame)

            if cv2.waitKey(25) == ord('q'):
                print("exit")
                break

    video.release()
    out.release()
    cv2.destroyAllWindows()

请注意，这个示例中使用了multiprocessing.Pool来实现多进程并行处理，可能需要根据你的具体环境进行调整。另外，还对模糊处理的代码进行了一些优化，可以根据需求进行调整。

此外，如果需要进一步提高处理速度，可以考虑使用GPU加速，例如使用CUDA进行人脸识别和模糊处理。这需要安装相应的库和配置GPU环境。每个环境情况不同，可以在网上搜索相关的教程进行配置。