AI人脸隐私卫士能否导出检测坐标？JSON结构输出实战说明

1. 引言：AI 人脸隐私卫士的隐私保护新范式

在数字影像日益普及的今天，如何在分享照片的同时保护他人或自身的面部隐私，已成为一个不可忽视的技术课题。传统的手动打码方式效率低下、易遗漏，而基于AI的人脸自动脱敏技术正逐步成为主流解决方案。

本文聚焦于「AI 人脸隐私卫士」这一基于MediaPipe Face Detection模型构建的智能打码工具，深入探讨其是否支持人脸检测坐标的导出功能，并重点演示如何通过扩展实现JSON 格式的人脸位置信息输出，为后续的图像分析、数据标注或二次开发提供结构化支持。

这不仅是一次功能探索，更是一场从“视觉保护”到“数据可用性”的工程实践升级。

2. 技术背景与核心能力解析

2.1 MediaPipe 高灵敏度模型的工作逻辑

AI 人脸隐私卫士的核心依赖于 Google 开源的MediaPipe Face Detection模块，该模块采用轻量级的BlazeFace神经网络架构，专为移动端和边缘设备优化，在保持高精度的同时实现了毫秒级推理速度。

其工作流程如下：

1. 图像预处理：输入图像被缩放至模型输入尺寸（通常为 128×128 或 192×192），并进行归一化。
2. 人脸候选框生成：BlazeFace 在多尺度特征图上滑动，预测潜在的人脸锚点（anchor boxes）。
3. 关键点回归与分类：对每个候选框进行精确定位，并输出 6 个关键点（双眼、鼻尖、嘴部及两耳）及置信度分数。
4. 非极大值抑制（NMS）：去除重叠框，保留最优检测结果。
5. 后处理映射：将检测坐标映射回原始图像分辨率，用于打码或标注。

特别地，本项目启用了Full Range模型变体，覆盖画面边缘区域，结合低阈值过滤（如 score > 0.5），显著提升了对远距离、小尺寸、侧脸等难检样本的召回率。

2.2 动态打码机制设计

系统并非简单应用固定强度的模糊，而是根据检测到的人脸边界框大小动态调整高斯核半径：

• 小脸 → 更强模糊（防止逆向识别）
• 大脸 → 适度模糊（保留轮廓美感）

同时叠加绿色矩形框提示用户“此处已受保护”，增强交互透明度。

2.3 安全与部署模式

所有处理均在本地完成，不涉及任何网络上传行为，确保用户数据零泄露。WebUI 提供直观操作界面，适合非技术人员使用，也便于集成进私有化部署环境。

📌 核心价值总结：

• ✅ 高精度 + 高召回：适用于复杂场景多人合照
• ✅ 实时处理：CPU 可运行，无需 GPU
• ✅ 离线安全：杜绝云端风险
• ✅ 用户友好：一键上传，自动出图

但目前官方 WebUI 仅展示打码结果，并未直接提供检测坐标的导出接口——这正是我们接下来要解决的问题。

3. 实战：实现人脸检测坐标 JSON 导出功能

虽然默认版本未开放坐标输出，但由于其底层基于 Python + OpenCV + MediaPipe 构建，我们可以轻松扩展功能，添加JSON 结构化数据导出能力。

以下为完整实现步骤与代码示例。

3.1 环境准备与文件结构

假设项目主入口为app.py，目录结构如下：

/ai_face_blur ├── app.py # Flask 主程序 ├── detect.py # 人脸检测核心逻辑 ├── static/uploads/ # 用户上传图片 ├── static/results/ # 打码后图片 └── output/json/ # 新增：存储 JSON 坐标文件

我们需要修改detect.py，使其在处理完图像后，将检测结果以 JSON 形式保存。

3.2 核心代码实现

修改detect.py添加 JSON 输出逻辑

# detect.py import cv2 import mediapipe as mp import json import os from datetime import datetime mp_face_detection = mp.solutions.face_detection mp_drawing = mp.solutions.drawing_utils def detect_and_blur_faces(image_path, output_image_path, output_json_path): # 读取图像 image = cv2.imread(image_path) if image is None: raise FileNotFoundError(f"无法加载图像: {image_path}") h, w, _ = image.shape face_data = { "image_width": w, "image_height": h, "timestamp": datetime.now().isoformat(), "faces": [] } with mp_face_detection.FaceDetection( model_selection=1, # 1=Full Range, 适合远距离 min_detection_confidence=0.5 ) as face_detector: results = face_detector.process(cv2.cvtColor(image, cv2.COLOR_BGR2RGB)) if results.detections: for i, detection in enumerate(results.detections): # 获取边界框 bboxC = detection.location_data.relative_bounding_box xmin = int(bboxC.xmin * w) ymin = int(bboxC.ymin * h) width = int(bboxC.width * w) height = int(bboxC.height * h) # 裁剪人脸区域并应用高斯模糊 roi = image[ymin:ymin+height, xmin:xmin+width] blurred = cv2.GaussianBlur(roi, (99, 99), 30) image[ymin:ymin+height, xmin:xmin+width] = blurred # 绘制绿色安全框 cv2.rectangle(image, (xmin, ymin), (xmin+width, ymin+height), (0, 255, 0), 2) # 记录人脸数据 face_info = { "id": i + 1, "x": xmin, "y": ymin, "width": width, "height": height, "confidence": round(detection.score[0], 3), "landmarks": { "right_eye": None, "left_eye": None, "nose": None, "mouth": None, "right_ear": None, "left_ear": None } } # 若存在关键点，则记录 if detection.location_data.relative_keypoints: landmarks = detection.location_data.relative_keypoints face_info["landmarks"] = { "right_eye": [int(landmarks[0].x * w), int(landmarks[0].y * h)], "left_eye": [int(landmarks[1].x * w), int(landmarks[1].y * h)], "nose": [int(landmarks[2].x * w), int(landmarks[2].y * h)], "mouth": [int(landmarks[3].x * w), int(landmarks[3].y * h)], "right_ear": [int(landmarks[4].x * w), int(landmarks[4].y * h)], "left_ear": [int(landmarks[5].x * w), int(landmarks[5].y * h)] } face_data["faces"].append(face_info) # 保存处理后的图像 cv2.imwrite(output_image_path, image) # 保存 JSON 文件 os.makedirs(os.path.dirname(output_json_path), exist_ok=True) with open(output_json_path, 'w', encoding='utf-8') as f: json.dump(face_data, f, ensure_ascii=False, indent=2) print(f"✅ 检测完成，共识别 {len(face_data['faces'])} 张人脸") return len(face_data['faces'])

更新 Flask 接口返回 JSON 下载链接

在app.py中增加路由/download/json/<filename>，允许用户下载对应的 JSON 文件。

# app.py 片段 from flask import send_from_directory @app.route('/download/json/<filename>') def download_json(filename): return send_from_directory('output/json', filename)

前端页面可在处理完成后显示：

<a href="/download/json/result_001.json" download>📥 下载人脸坐标(JSON)</a>

3.3 输出 JSON 示例

执行后生成的result_001.json内容如下：

{ "image_width": 1920, "image_height": 1080, "timestamp": "2025-04-05T14:23:18.123456", "faces": [ { "id": 1, "x": 450, "y": 230, "width": 180, "height": 180, "confidence": 0.987, "landmarks": { "right_eye": [490, 260], "left_eye": [550, 258], "nose": [520, 290], "mouth": [525, 330], "right_ear": [470, 270], "left_ear": [580, 272] } }, { "id": 2, "x": 800, "y": 210, "width": 160, "height": 160, "confidence": 0.962, "landmarks": { "right_eye": [840, 240], "left_eye": [890, 238], "nose": [865, 270], "mouth": [870, 300], "right_ear": [820, 250], "left_ear": [910, 252] } } ] }

3.4 应用场景拓展

4. 总结

4.1 功能价值再审视

尽管原版 AI 人脸隐私卫士专注于“视觉脱敏”，但通过本文的扩展实践，我们成功实现了人脸检测坐标的结构化输出，赋予了系统更强的数据服务能力。

• ✅解决了“能否导出”问题：答案是肯定的，只需在检测环节接入 MediaPipe 的location_data即可获取精确坐标。
• ✅提供了可落地的 JSON 输出方案：包含位置、尺寸、置信度、关键点等完整信息，格式清晰、易于解析。
• ✅增强了系统的工程适用性：不再局限于“打码工具”，而是可作为隐私检测中间件嵌入更大系统。

4.2 最佳实践建议

1. 按需启用坐标输出：普通用户可关闭此功能以简化体验；专业用户可通过配置开关开启。
2. 设置输出路径权限控制：避免 JSON 文件被未授权访问，尤其是在 Web 服务中。
3. 支持多种格式导出：除 JSON 外，还可扩展为 CSV、XML 或 COCO 格式，适配不同下游系统。
4. 添加哈希校验字段：在 JSON 中加入图像 MD5，防止数据错乱或篡改。

💡获取更多AI镜像

想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。