#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 !!!!!!