annotation en plus pour la presentation

jericho/emotion.py

@@ -42,8 +42,8 @@ EAR_THRESHOLD = 0.20 # valeur limite d'ouverture de l'oeil
 
 class EMAFilter: # classe pour lisser les mouvements afin d eviter les micromouvements
    
-    def __init__(self, alpha=0.5):
-        self.alpha = alpha 
+    def __init__(self):
+        self.alpha = 0.5
         self.state = {} # dictionnaire memorisant valeur precedente
 
     def __call__(self, key, value): 
@@ -55,12 +55,12 @@ class EMAFilter: # classe pour lisser les mouvements afin d eviter les micromouv
 
 
 
-def _pts(lms, indices, w, h): # convertit point en px
+def _pts(lms, indices, w, h): # convertit point en px car mediapipe utilise les pourcentage donc c plus facile pour 
     return np.array([[lms[i].x * w, lms[i].y * h] for i in indices]) 
 
-def ear(lms, indices, w, h): # calcule ouverture des yeaux
+def ear(lms, indices, w, h): # calcule ouverture des yeaux| lms landmarks  contient coordonnées du visages et indices ctient les points de la zone concernes
     p = _pts(lms, indices, w, h) # coordonnée de l'oeil
-    A = np.linalg.norm(p[1]-p[5]) # distance vert oeil gauche
+    A = np.linalg.norm(p[1]-p[5]) # distance verti oeil gauche
     B = np.linalg.norm(p[2]-p[4]) # " "    "  droit
     C = np.linalg.norm(p[0]-p[3]) # largeur oeil
     return (A+B) / (2.0 * C + 1e-6) #formul calculant ear
@@ -128,7 +128,7 @@ def emotions_records(records): # fonction analyse la video pour trouver les émo
         return float(np.mean([r[key] for r in valid_recs])) 
         
     def get_std(key, func=None): # calcul ecart type signal
-        if func: return max(float(np.std([func(r) for r in valid_recs])), 1e-6) 
+        if func: return max(float(np.std([func(r) for r in valid_recs])), 1e-6) # pour pas prendre  si la personne ne bouge pas
         return max(float(np.std([r[key] for r in valid_recs])), 1e-6)
 
    
@@ -195,7 +195,7 @@ def emotions_records(records): # fonction analyse la video pour trouver les émo
         else: 
             emotion = "NEUTRE" 
 
-        # cooldown : on ne change d'emotion que si au moins 1 seconde s'est ecoulee depuis le dernier changement
+        #changement d'emotion que 1 x par sec max
         ts = rec.get("timestamp_s", 0.0)
         if emotion != current_emotion and (ts - emotion_change_time) >= EMOTION_MIN_DURATION:
             current_emotion = emotion
@@ -232,8 +232,6 @@ def annotate_frame(frame, lms, sig, w, h): # fonction pour annoter la video
         f"Yaw:{sig['yaw']:+.1f} Pitch:{sig['pitch']:+.1f} Roll:{sig['roll']:+.1f}", # orientation tete
         f"EAR L:{sig['ear_left']:.3f}  R:{sig['ear_right']:.3f}", # ouverture des yeux
         f"MAR:{sig['mar']:.3f}  Smile:{sig['smile']:.3f}", # ouverture de la bouche et le sourire
-       # f"BrowRaise L:{sig['brow_raise_left']:.3f}  R:{sig['brow_raise_right']:.3f}", # hauteur des sourcils
-       # f"BrowFurrow:{sig['brow_furrow']:.3f}", # froncement
         f"T:{sig['timestamp_s']:.2f}s", # Affiche le temps en secondes
     ]
     for i, line in enumerate(lines): # boucle pour ecrire les lignes au dessus
@@ -286,8 +284,7 @@ def _face_frame_runs(records):
 
 def merge_filtered_audio(original_video, silent_video, output_path, face_runs, fps):
    
-    #Recolle l'audio en supprimant les mêmes intervalles que les frames sans visage.
-    #Si l'audio n'est pas disponible, la vidéo muette reste utilisée.
+    
     
     if not _ffmpeg_available():
         return False
@@ -295,10 +292,9 @@ def merge_filtered_audio(original_video, silent_video, output_path, face_runs, f
     if not face_runs:
         return False
 
-    # Trop de micro-coupures peut créer une commande ffmpeg très longue.
-    # Dans ce cas, on garde la vidéo synchronisée robot/visuel sans audio.
+    # Trop de micro-coupures vidéo synchronisée robot/visuel sans audio.
     if len(face_runs) > 300:
-        print("   Trop de segments audio à concaténer : export vidéo muette synchronisée.")
+        print("   son pas synchronisé à la video car traitement trop long.")
         return False
 
     # aselect garde uniquement les morceaux où un visage existait, puis asetpts compacte la timeline audio.
@@ -348,9 +344,9 @@ def process_video(video_path, output_dir):
         base_options=base_opts, # Passe les options de base
         running_mode=mp_vision.RunningMode.VIDEO, 
         num_faces=1, #un visage
-        min_face_detection_confidence=0.5, # Tolérance de détection du visage à 50%
-        min_face_presence_confidence=0.5, # Tolérance de maintien du visage à 50%
-        min_tracking_confidence=0.5, # Tolérance de suivi de mouvement à 50%
+        min_face_detection_confidence=0.5, # toléerance de détection du visage à 50%
+        min_face_presence_confidence=0.5, # tolerance de maintien du visage à 50%
+        min_tracking_confidence=0.5, # tolerance de suivi de mouvement à 50%
         output_face_blendshapes=False, 
         output_facial_transformation_matrixes=True, # matrice pour suivi de l'orientation
     )
@@ -496,7 +492,7 @@ def process_video(video_path, output_dir):
                 "timeline": "compact_face_only",
                 "frames": compact_records,
             },
-            f, ensure_ascii=False, indent=2 # Avec une jolie indentation (2 espaces) pour que ça soit lisible
+            f, ensure_ascii=False, indent=2 
         )
     print(f"\n  fait, {skipped_count} frames sans visage supprimées. Fichiers dans : {os.path.abspath(output_dir)}/")