feat : yoona test code

app.py

@@ -1,7 +1,8 @@
 import io
 import os
 from pytorch import mosaic_jiyeon
-from createTarget import extract_and_identify_faces_from_video,save_faces
+from createTarget import extract_and_identify_faces_from_video
+from yoona_target import yoona_test
 
 
 from flask import (Flask, request, send_file, jsonify)
@@ -31,6 +32,13 @@ def process_video():
     # face_base64_arrays = save_faces(identified_faces)  # 이미지를 Base64 인코딩된 문자열로 반환
     return jsonify({"images": identified_faces})  # JSON 객체로 변환
 
+@app.route('/target2', methods=['POST'])
+def yoona():
+    video_path='./cutVideo.mp4'
+    identified_faces = yoona_test(video_path)
+    # face_base64_arrays = save_faces(identified_faces)  # 이미지를 Base64 인코딩된 문자열로 반환
+    return jsonify({"images": identified_faces})  # JSON 객체로 변환
+
 
 @app.route('/video', methods=['POST'])
 def handle_video():

yoona_target.py

@@ -0,0 +1,84 @@
+import base64
+from io import BytesIO
+
+import cv2
+import face_recognition
+import numpy as np
+from PIL import Image
+
+
+def yoona_test(video_path):
+    face_encodings = []  # 얼굴별 인코딩 저장
+    face_images = []  # 얼굴별 이미지 저장
+    identified_faces = []  # 식별된 얼굴별 (객체) 저장
+
+    video_capture = cv2.VideoCapture(video_path)
+
+    while video_capture.isOpened():
+        success, frame = video_capture.read()
+        if not success:
+            break
+
+        face_locations = face_recognition.face_locations(frame)  # 현재 프레임에서 얼굴 위치 탐지
+        current_encodings = face_recognition.face_encodings(frame, face_locations)  # 얼굴 위치에 대한 인코딩
+
+        for (top, right, bottom, left), encoding in zip(face_locations, current_encodings):
+            # 얼굴 이미지 추출
+            face_image = frame[top:bottom, left:right]
+            face_images.append(face_image)
+
+
+
+
+            face_encodings.append(encoding)
+
+    # 인식된 얼굴 분류
+    for idx, encoding in enumerate(face_encodings):
+        if not identified_faces:
+            identified_faces.append([(face_images[idx], encoding)])
+        else:
+            matched = False
+            for face_group in identified_faces:
+                group_encodings = [enc for _, enc in face_group]
+                avg_encoding = np.mean(group_encodings, axis=0)
+                dist = np.linalg.norm(avg_encoding - encoding)
+                if dist < 0.6:  # 같은 사람으로 판단하는 임계값
+                    face_group.append((face_images[idx], encoding))
+                    matched = True
+                    break
+            if not matched:
+                identified_faces.append([(face_images[idx], encoding)])
+
+    video_capture.release()
+    print('end1')
+
+    # 인식된 얼굴 이미지를 Base64로 인코딩하여 반환
+    return save_faces(identified_faces)
+
+
+def save_faces(identified_faces):
+    face_base64_arrays = []
+
+    for face_group in identified_faces:
+        encoded_faces = []
+        count = 0  # 각 그룹별로 이미지 개수를 세는 카운터
+        for face_image, _ in face_group:
+            # OpenCV는 BGR 형식으로 이미지를 읽기 때문에 RGB로 변환
+            face_image = cv2.cvtColor(face_image, cv2.COLOR_BGR2RGB)
+            # 이미지를 PIL 이미지 객체로 변환
+            pil_img = Image.fromarray(face_image)
+            # 메모리 내에서 이미지를 저장하기 위한 버퍼 생성
+            buf = BytesIO()
+            # 이미지를 JPEG 포맷으로 저장
+            pil_img.save(buf, format="JPEG")
+            # 버퍼의 바이트 데이터를 Base64 인코딩 문자열로 변환
+            base64_string = base64.b64encode(buf.getvalue()).decode('utf-8')
+            # 해당 인물의 인코딩된 이미지를 추가
+            encoded_faces.append(base64_string)
+            count += 1
+            if count == 3:  # 각 인물 그룹에서 최대 3개의 이미지만 저장
+                break
+        # 모든 인물의 인코딩된 이미지를 배열에 추가
+        face_base64_arrays.append(encoded_faces)
+
+    return face_base64_arrays