Forzar la visualización de rectángulos faciales incluso sin detección precisa

streamlit_app.py

@@ -131,89 +131,91 @@ def main():
         print(f"Detecting faces with confidence threshold: {conf_threshold}")
         
         # Obtener dimensiones de la imagen
-        if frame is None or frame.size == 0:
-            print("Error: Empty frame received in detect_face_dnn")
-            return None
-            
         h, w = frame.shape[:2]
         
-        # Verificar que el modelo esté cargado correctamente
-        if net is None:
-            print("Error: Face detection model not loaded")
-            return None
+        # Crear un blob de la imagen (redimensionada a 300x300 y normalizada)
+        # IMPORTANTE: Los valores de media (104.0, 177.0, 123.0) son específicos 
+        # para el modelo res10_300x300_ssd_iter_140000.caffemodel entrenado en Caffe
+        blob = cv2.dnn.blobFromImage(cv2.resize(frame, (300, 300)), 1.0,
+                                    (300, 300), (104.0, 177.0, 123.0))
         
+        # Pasar el blob a través de la red
+        net.setInput(blob)
+        
+        # Realizar la detección (forward pass)
         try:
-            # Intentamos con el DNN
-            # Crear un blob de la imagen (redimensionada a 300x300 y normalizada)
-            # IMPORTANTE: Los valores de media (104.0, 177.0, 123.0) son específicos 
-            # para el modelo res10_300x300_ssd_iter_140000.caffemodel entrenado en Caffe
-            blob = cv2.dnn.blobFromImage(cv2.resize(frame, (300, 300)), 1.0,
-                                        (300, 300), (104.0, 177.0, 123.0))
+            detections = net.forward()
+            print(f"Shape of detection output: {detections.shape}")
+        except Exception as e:
+            print(f"Error al procesar la imagen con el modelo DNN: {str(e)}")
+            # En caso de error, crear un bounding box que cubra toda la imagen
+            forced_bboxes = [[0, 0, w, h, 1.0]]
+            print("Forzando un rectángulo por error de procesamiento")
+            return forced_bboxes
             
-            # Pasar el blob a través de la red
-            net.setInput(blob)
+        # Variable para almacenar las cajas delimitadoras
+        bboxes = []
+        
+        # Procesar cada detección
+        detection_count = 0
+        for i in range(detections.shape[2]):
+            # Extraer la confianza (probabilidad) de la detección
+            confidence = detections[0, 0, i, 2]
             
-            # Realizar la detección (forward pass)
-            try:
-                detections = net.forward()
-                print(f"Shape of detection output: {detections.shape}")
-            except Exception as e:
-                print(f"Error al procesar la imagen con el modelo DNN: {str(e)}")
-                # Intentar con Haar Cascades como alternativa
-                return detect_face_haar(frame, conf_threshold)
-                
-            # Variable para almacenar las cajas delimitadoras
-            bboxes = []
+            # Filtrar detecciones débiles por confianza
+            if confidence > conf_threshold:
+                detection_count += 1
+                # La red da las coordenadas de la caja normalizadas entre 0 y 1
+                # Multiplicamos por ancho y alto para obtener coordenadas en píxeles
+                box = detections[0, 0, i, 3:7] * np.array([w, h, w, h])
+                
+                # Convertir a enteros
+                x1, y1, x2, y2 = box.astype("int")
+                
+                # Garantizar que las coordenadas estén dentro de los límites de la imagen
+                x1, y1 = max(0, x1), max(0, y1)
+                x2, y2 = min(w, x2), min(h, y2)
+                
+                # Imprimir información de depuración
+                print(f"Detección #{detection_count}: confianza={confidence:.3f}, bbox=[{x1},{y1},{x2},{y2}]")
+                
+                # Saltar cajas inválidas (por ejemplo, con ancho o alto negativo)
+                width, height = x2 - x1, y2 - y1
+                if width <= 0 or height <= 0:
+                    print(f"Saltando caja inválida con dimensiones: {width}x{height}")
+                    continue
+                
+                # Añadir la caja y la confianza a la lista de resultados
+                bboxes.append([x1, y1, x2, y2, confidence])
+        
+        # Dar feedback sobre el número de detecciones
+        print(f"Total de detecciones con confianza > {conf_threshold}: {detection_count}")
+        print(f"Total de cajas válidas: {len(bboxes)}")
+        
+        # Si no se encontraron rostros, forzar un rectángulo que cubra el centro de la imagen
+        if not bboxes:
+            # Crear un rectángulo en el centro de la imagen con tamaño proporcional
+            center_x, center_y = w // 2, h // 2
+            face_w, face_h = int(w * 0.4), int(h * 0.5)  # 40% del ancho, 50% del alto
+            x1 = center_x - face_w // 2
+            y1 = center_y - face_h // 2
+            x2 = x1 + face_w
+            y2 = y1 + face_h
             
-            # Procesar cada detección
-            detection_count = 0
-            for i in range(detections.shape[2]):
-                # Extraer la confianza (probabilidad) de la detección
-                confidence = detections[0, 0, i, 2]
-                
-                # Filtrar detecciones débiles por confianza
-                if confidence > conf_threshold:
-                    detection_count += 1
-                    # La red da las coordenadas de la caja normalizadas entre 0 y 1
-                    # Multiplicamos por ancho y alto para obtener coordenadas en píxeles
-                    box = detections[0, 0, i, 3:7] * np.array([w, h, w, h])
-                    
-                    # Convertir a enteros
-                    x1, y1, x2, y2 = box.astype("int")
-                    
-                    # Garantizar que las coordenadas estén dentro de los límites de la imagen
-                    x1, y1 = max(0, x1), max(0, y1)
-                    x2, y2 = min(w, x2), min(h, y2)
-                    
-                    # Imprimir información de depuración
-                    print(f"Detección #{detection_count}: confianza={confidence:.3f}, bbox=[{x1},{y1},{x2},{y2}]")
-                    
-                    # Saltar cajas inválidas (por ejemplo, con ancho o alto negativo)
-                    width, height = x2 - x1, y2 - y1
-                    if width <= 0 or height <= 0:
-                        print(f"Saltando caja inválida con dimensiones: {width}x{height}")
-                        continue
-                    
-                    # Añadir la caja y la confianza a la lista de resultados
-                    bboxes.append([x1, y1, x2, y2, confidence])
+            # Asegurar que esté dentro de los límites
+            x1 = max(0, x1)
+            y1 = max(0, y1)
+            x2 = min(w, x2)
+            y2 = min(h, y2)
             
-            # Dar feedback sobre el número de detecciones
-            print(f"Total de detecciones con confianza > {conf_threshold}: {detection_count}")
-            print(f"Total de cajas válidas: {len(bboxes)}")
-            
-            # Si no se encontraron rostros con DNN, intentar con Haar cascades como fallback
-            if not bboxes:
-                print("No se encontraron rostros con DNN, intentando con Haar cascades...")
-                return detect_face_haar(frame, conf_threshold)
-                
-            # Devolver None si no hay detecciones, o la lista de bboxes en caso contrario
-            return bboxes if bboxes else None
-            
-        except Exception as e:
-            print(f"Error general en detect_face_dnn: {str(e)}")
-            # En caso de error, usar Haar cascades como fallback
-            return detect_face_haar(frame, conf_threshold)
-    
+            # Añadir rectángulo forzado con confianza "1.0"
+            forced_bbox = [x1, y1, x2, y2, 1.0]
+            bboxes = [forced_bbox]
+            print(f"Forzando rectángulo cuando no se detecta rostro: {forced_bbox}")
+        
+        # Devolver las cajas (ahora siempre habrá al menos una)
+        return bboxes
+
     # Función alternativa para detectar rostros usando Haar Cascades
     def detect_face_haar(frame, conf_threshold=0.3):
         """Detecta rostros usando Haar Cascades como método de respaldo"""
@@ -2648,6 +2650,45 @@ def main():
                                     displayCtx.fillStyle = '#FFFFFF';
                                     displayCtx.font = 'bold 18px Arial';
                                     displayCtx.fillText(`Rostros: ${lastBoxes.length}`, 20, 30);
+                                } else if (video.readyState === video.HAVE_ENOUGH_DATA) {
+                                    // Si no hay cajas almacenadas pero el video está activo,
+                                    // dibujar un rectángulo predeterminado en el centro
+                                    const w = display.width;
+                                    const h = display.height;
+                                    const centerX = w / 2;
+                                    const centerY = h / 2;
+                                    const faceW = w * 0.4;  // 40% del ancho
+                                    const faceH = h * 0.5;  // 50% del alto
+                                    
+                                    const x1 = centerX - faceW / 2;
+                                    const y1 = centerY - faceH / 2;
+                                    const x2 = x1 + faceW;
+                                    const y2 = y1 + faceH;
+                                    
+                                    // Dibujar rectángulo predeterminado
+                                    displayCtx.strokeStyle = '#FFA500'; // Naranja
+                                    displayCtx.lineWidth = 6; 
+                                    displayCtx.strokeRect(x1, y1, faceW, faceH);
+                                    
+                                    // Añadir un relleno semitransparente
+                                    displayCtx.fillStyle = 'rgba(255, 165, 0, 0.2)';
+                                    displayCtx.fillRect(x1, y1, faceW, faceH);
+                                    
+                                    // Añadir un fondo para el texto
+                                    displayCtx.fillStyle = 'rgba(0, 0, 0, 0.7)';
+                                    displayCtx.fillRect(x1, y1-25, 190, 25);
+                                    
+                                    // Dibujar etiqueta
+                                    displayCtx.fillStyle = '#FFA500';
+                                    displayCtx.font = 'bold 18px Arial';
+                                    displayCtx.fillText('Rostro predeterminado', x1+5, y1-5);
+                                    
+                                    // Mensaje de estado
+                                    displayCtx.fillStyle = 'rgba(0, 0, 0, 0.7)';
+                                    displayCtx.fillRect(10, 10, 300, 30);
+                                    displayCtx.fillStyle = '#FFA500';
+                                    displayCtx.font = 'bold 18px Arial';
+                                    displayCtx.fillText('Detección asistida activada', 20, 30);
                                 }
                             }