对换脸、动嘴生成的视频做初筛

首尾帧人脸差异检测

代码概述

本脚本实现了一个简单的视频筛查系统,主要功能是通过比较视频首帧和尾帧中的人脸差异来判断视频是否合格。如果视频中没有人脸或存在其他异常情况,视频将被移动到错误目录中。具体来说,系统包含以下几个主要步骤:

  1. 加载视频文件:尝试打开视频文件,并读取首帧和尾帧。
  2. 人脸检测:使用OpenCV的Haar级联分类器检测视频首帧和尾帧中的人脸。
  3. 人脸提取与标准化:从检测到的人脸区域中提取并标准化脸部图像。
  4. 差异计算:计算首帧和尾帧中脸部区域的差异,并与预设的阈值进行比较。
  5. 视频处理:根据差异判断视频是否合格,并将视频移动到相应的目录。
代码步骤详解
  1. 导入必要的库

    python 复制代码
    import cv2
    import numpy as np
    import os
    import shutil
  2. 加载预训练的人脸检测模型

    python 复制代码
    face_cascade = cv2.CascadeClassifier(cv2.data.haarcascades + 'haarcascade_frontalface_default.xml')
  3. 定义人脸检测函数

    python 复制代码
    def detect_face(image):
        gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
        faces = face_cascade.detectMultiScale(gray, scaleFactor=1.1, minNeighbors=5, minSize=(30, 30), flags=cv2.CASCADE_SCALE_IMAGE)
        return faces

    此函数将输入图像转换为灰度图,并使用预训练的Haar级联分类器检测人脸。

  4. 定义人脸提取与标准化函数

    python 复制代码
    def extract_face(image, face, face_size=(100, 100)):
        x, y, w, h = face
        face_region = image[y:y+h, x:x+w]
        face_region = cv2.resize(face_region, face_size)
        return face_region

    此函数从检测到的人脸区域中提取脸部图像,并将其标准化为固定尺寸。

  5. 定义视频分析函数

    python 复制代码
    def analyze_video(video_path, threshold=1000000):
        cap = cv2.VideoCapture(video_path)
        
        if not cap.isOpened():
            print("Error opening video file:", video_path)
            return None
    
        frame_count = int(cap.get(cv2.CAP_PROP_FRAME_COUNT))
        
        ret, first_frame = cap.read()
        if not ret:
            print("Failed to grab first frame:", video_path)
            return None
    
        cap.set(cv2.CAP_PROP_POS_FRAMES, frame_count - 1)
        ret, last_frame = cap.read()
        if not ret:
            print("Failed to grab last frame:", video_path)
            return None
    
        cap.release()
    
        first_faces = detect_face(first_frame)
        last_faces = detect_face(last_frame)
        
        if len(first_faces) == 0 or len(last_faces) == 0:
            print("No face detected in video:", video_path)
            return None
    
        first_face = extract_face(first_frame, first_faces[0])
        last_face = extract_face(last_frame, last_faces[0])
    
        diff = cv2.absdiff(first_face, last_face)
        gray = cv2.cvtColor(diff, cv2.COLOR_BGR2GRAY)
        _, thresh = cv2.threshold(gray, 30, 255, cv2.THRESH_BINARY)
        non_zero_count = cv2.countNonZero(thresh)
        
        return non_zero_count >= threshold

    此函数执行以下操作:

    • 打开视频文件并读取首帧和尾帧;
    • 检测首帧和尾帧中的人脸;
    • 提取并标准化脸部图像;
    • 计算脸部区域的差异,并与阈值进行比较;
    • 返回布尔值表示视频是否合格。
  6. 定义视频处理函数

    python 复制代码
    def process_videos(input_dir, output_dir, error_dir, threshold=1000000):
        if not os.path.exists(output_dir):
            os.makedirs(output_dir)
        
        if not os.path.exists(error_dir):
            os.makedirs(error_dir)
        
        for root, dirs, files in os.walk(input_dir):
            for file in files:
                if file.endswith(('.mp4', '.avi', '.mkv', '.mov', '.wmv')):
                    video_path = os.path.join(root, file)
                    
                    result = analyze_video(video_path, threshold)
                    
                    if result is None:
                        print(f"Moving video {video_path} due to errors.")
                        shutil.move(video_path, os.path.join(error_dir, file))
                    elif result:
                        print(f"Video {video_path} is not up to standard.")
                        shutil.move(video_path, os.path.join(output_dir, file))

    此函数遍历输入目录中的所有视频文件,并逐一进行分析:

    • 创建输出目录和错误目录;
    • 对每个视频文件执行分析;
    • 根据分析结果将视频移动到相应目录。
  7. 主程序入口

    python 复制代码
    if __name__ == '__main__':
        input_dir = '.'  # 输入视频所在的文件夹
        output_dir = 'not_up_to_standard'  # 不达标视频输出的文件夹
        error_dir = 'errors'  # 存放检测错误的视频
        threshold = 1000000  # 需要根据实际情况调整这个阈值
        
        process_videos(input_dir, output_dir, error_dir, threshold)

    主程序入口定义了输入目录、输出目录和错误目录,并调用 process_videos 函数处理视频文件。

总结

本脚本提供了一个简单但实用的工具,用于自动筛查视频文件,特别适用于需要检测视频首尾帧中人脸差异的应用场景。通过调整阈值和优化人脸检测参数,可以进一步提高系统的准确性和鲁棒性。

相关推荐
山顶夕景4 分钟前
【ECCV2026】流式视频理解Thinking in Streaming Video
音视频·vlm·视频理解·多模态理解·流式视频
zhanlang02171 天前
HTML 零基础入门到企业实战【第五章 5.4】内嵌网页 iframe 标签:嵌入网页、视频、地图实战
前端·html·音视频
TengTaiTech1 天前
头戴耳机做运动相机外接麦:一颗麦克风同时服务蓝牙通话与 3.5mm 录音的底层重构
数码相机·音视频·蓝牙·qcc
2301_790355972 天前
【技术拆解】短视频配音自动化流程:从文案预处理到 SRT 字幕的 9 个环节
自然语言处理·音视频
大飞哥软件自习室2 天前
视频批量截图并自动拼图是怎么做的:从四步向导、三种截帧模式到等距抽样与日志兜底的实现拆解,附 FFmpeg 调用与线程模型说明
ffmpeg·音视频·批量截图
Rattenking2 天前
OpenCV 轨迹栏操作和键盘响应操作
人工智能·opencv·计算机外设
jay神3 天前
基于 YOLOv8 的手势识别系统(Web 版)
前端·人工智能·python·深度学习·yolo·计算机视觉·计算机毕业设计
wangxiaoxuan2173 天前
TF2 的原理与使用:把坐标、运动和观测时间一起算清楚
计算机视觉·机器人·科沃斯八界
硅谷秋水3 天前
EgoHumanoid‑V2 方法分析
人工智能·机器学习·计算机视觉·语言模型·机器人
BYSJMG3 天前
计算机毕业设计选题推荐:【基于深度学习的车辆损坏严重程度评估方法研究】ResNet50 图像分类
人工智能·深度学习·目标检测·机器学习·计算机视觉·分类·课程设计