在本指南中，将探讨如何利用传统的计算机视觉技术，在切换标签页或浏览器时自动模糊屏幕。这对于直播主播来说非常有用，可以在切换标签页时模糊屏幕，减少意外打开带有敏感信息的标签页的风险。
以下是将遵循的步骤：
- 创建一个计算区域主导颜色的工作流。
- 设置OBS（Open Broadcaster Software）。
- 安装并导入库。
- 定义所需的变量。
- 创建一个在主导颜色变化时运行的模糊函数，这表明标签页已更改。
- 在计算机上使用OBS运行工作流。
让开始构建！
创建工作流
最终工作流将类似于此：
- 首先，在Roboflow账户中创建一个新的工作流。
- 接下来，选择自定义工作流选项。
- 然后，选择绝对静态裁剪。这个块允许将工作流集中在图像的特定部分。
- 接下来，插入要检测的x、y以及宽度和高度的值。这应该是想要模糊的屏幕区域。
- 对于情况，使用了这些值：
# 这些值应根据屏幕区域进行调整
x = 100
y = 200
width = 300
height = 400
要获取这些值，建议使用计算机上的截图工具来确定想要应用此工具的区域的x、y、宽度和高度位置。
接下来，添加一个主导颜色块。可以通过在工作流搜索栏中搜索来找到它。确保主导颜色块接受静态裁剪块作为输入。最后，保存代码块并保存部署代码。
设置OBS
为了录制屏幕，将需要一个虚拟相机提供商。在情况下，使用了OBS来捕获屏幕。可以通过在OBS中选择启动虚拟相机类别来设置虚拟相机。
现在已经设置了虚拟相机，可以开始编码了。
安装并导入库
在开始编码之前，让安装所需的库。
!pip install opencv-python inference
将库导入到新的Python脚本中：
import cv2
from inference import InferencePipeline
from inference.core.interfaces.camera.entities import VideoFrame
定义所需变量
现在需要定义必要的变量。将使用prev_color来理解前一个颜色是什么。使用blur_frame_count来计算在过程中需要模糊多少帧。
prev_color = (255, 255, 255)
blur_frame_count = 0
创建模糊函数
接下来，为了模糊屏幕，将使用cv2库中的GaussianBlur函数。感兴趣区域（roi变量）将是整个图像。在函数中，对于每个模糊的帧，减去1的模糊帧计数。
def blur_screen():
roi = img
blurred_roi = cv2.GaussianBlur(roi, (15, 15), 0)
img = blurred_roi
print("已应用模糊到帧。")
blur_frame_count -= 1
创建预测函数
在这一步中，将创建一个函数，该函数将查看显示的每个帧，并根据当前颜色和前一个颜色来模糊接下来的几帧。这个函数将利用模型的输出来确定每个标签的颜色。
def on_prediction(res: dict, frame: VideoFrame) -> None:
global prev_color, blur_frame_count
img = frame.image
color = res["dominant_color"]
if color[0] > (prev_color[0] + 10):
blur_frame_count = 3
print("标签已更改，开始模糊...")
if blur_frame_count > 0:
blur_screen()
prev_color = res["dominant_color"]
cv2.imshow("屏幕模糊", img)
if cv2.waitKey(1) & 0xFF == ord("q"):
return
首先，将prev_color和blur_frame_count变量设置为全局变量，以便在函数中访问它们。然后，设置图像。接下来，使用工作流，可以获取标签的主导颜色。如果颜色差异超过10，那么知道标签已切换。如果发生这种情况，将blur_frame_count设置为3，并调用blur_screen函数3次。最后，定义屏幕的前一个颜色，并显示图像，无论是模糊的还是未模糊的。
导入工作流代码
最后，可以添加工作流代码以将工作流与预测函数连接起来。
pipeline = InferencePipeline.init_with_workflow(
video_reference=1,
workspace_name="nathan-yan",
workflow_id="WORKFLOW-ID",
max_fps=60,
api_key="API_KEY",
on_prediction=on_prediction,
)
# 确保通过运行以下代码启动管道
pipeline.start()
在本指南中，学习了如何模糊标签更改以保护用户隐私和防止信息泄露。还学习了如何创建工作流以利用传统的计算机视觉技术。有关更多使用工作流的教程和指南，请查看一些博客。