VISIONSHIELD / pipeline.py
JustinePP's picture
Update pipeline.py
c50cc57 verified
Raw History Blame Contribute Delete
4 kB
#on importe nos modeles
import os
import cv2
import numpy as np
import tempfile
# tempfile pour générer des "fichiers jetables" pour sauvegarder les videos envoyées par l'app
from modeles.deepface_template_utils import auto_rotate_if_needed
from modeles.detect_nb_faces_yolo import detect_faces_in_folder
from modeles.detect_notAllowedObjects import detect_objects_in_folder
from modeles.insightface_facialRecognition_livenessVerification import verify_face_and_liveness
from modeles.insightface_facialRecognition_livenessVerification import verify_identity
#from modeles.liveness_check_folder import check_liveness_on_folder
#-------
# on va analyser nos frames (image_bytes que l'application mobile va nous envoyé)
#de notre vidéo en temps réel et nous allons vérifier avec nos modèles que c'est
#la bonne personne, qu'il n'y a pas d'objet suspect ou de personne non autorisée
#emplate_array = le template facial déjà généré à l’inscription (embedding)
def analyze_frame(image_bytes, template_array):
# on sauvegarde l'image reçue dans un fichier temporaire
with tempfile.NamedTemporaryFile(delete=False, suffix=".jpg") as temp_img:
temp_img.write(image_bytes)
temp_img_path = temp_img.name
# on corrige l'orientation de notre image sauvergardée
auto_rotate_if_needed(temp_img_path) # vient deepface_template_utils.py
# pour faire fonctionner nos modèles car ils attendent des dossiers
temp_folder = tempfile.mkdtemp()
# crée un dossier temporaire unique pour les modeles et se supprime à la fin de l'analyse
single_image_path = os.path.join(temp_folder, "frame.jpg")
#construit un cgemin complet vers notre image frame
os.rename(temp_img_path, single_image_path)
#on déplace l'image temp_img_path dans le dossier que l'on a créé et on lui donne le nom single_image_path
nb_personne_frame = detect_faces_in_folder(temp_folder)
if (nb_personne_frame != 1):
print("L'utilisateur n'est pas seul devant le document ou n'est pas du tout devant le document !!")
#return False
# on arrete la fonction -- ALERTE
return 1 # on choisi comme code 1 pour déterminer que l'erreur est qu'il y à trop de personne devant le document
object_check = detect_objects_in_folder(temp_folder)
if not object_check:
# on arrete la fonction -- ALERTE
return 2 #on arrete la fonction parce qu'il y a un objet suspect
# on choisi 2 comme code pour signifier qu'il y a une transgression et que celle-ci est d'utiliser un objet interdit lors de la visualisation du document confidentiel
# ON VÉRIFIE L'IDENTITÉ DE LA PERSONNE QUI REGARDE LE DOC
is_match, is_real, similarity_score = verify_face_and_liveness(single_image_path, template_array)
#is_match2 = verify_identity(single_image_path, img_ref)
if not is_match: #si verify_face_and_liveness retourne False alors la personne ne matche pas avec la personne autorisée
print(is_match, "similarity : ",similarity_score )
print(" Visage non reconnu")
# on arrete la fonction -- ALERTE
return 3 # on choisi 3 comme code pour signifier que l'erreur est que la personne qui regarde le doc n'est pas la personne autorisée
if not is_real:
print("Attaque par photo ou deepfake détectée")
# on arrete la fonction -- ALERTE
return 4 # on utilise 4 pour alerter que nous avons affaire à un deepfake ou attaque par photo et que la personne autorisée n'est pas en face du doc mais une personne malveillante est dernière une photo par ex
#if not is_match2:
# print(is_match2)
# return 3
# Tout à été testé et aucune transgression n'a été déclaré donc nous avons la personne autorisée, seule et sans objet suspet devant le document
print("Frame analysée avec succès")
print(f"Similarité : {similarity_score:.4f}")
return 0 # Tout est BON !!!!!!