face_classifier.py

"""
Face Classifier Module
Valida caras y detecta género usando DeepFace para filtrar falsos positivos
y asignar nombres automáticos según el género detectado.
"""
import logging
from typing import Optional, Dict, Any

logging.basicConfig(level=logging.INFO)
logger = logging.getLogger(__name__)

# Configuración de thresholds
# FACE_CONFIDENCE_THRESHOLD: Confianza mínima para aceptar una cara
# Valores: 0.5 = permisivo (acepta muchos falsos positivos)
#          0.7 = balanceado
#          0.85 = estricto (elimina falsos positivos pero puede perder caras reales)
#          0.92 = MUY estricto (solo caras muy claras)
FACE_CONFIDENCE_THRESHOLD = 0.92  # MUY ESTRICTO: preferir perder caras a tener falsos positivos
GENDER_NEUTRAL_THRESHOLD = 0.2    # Diferencia mínima para género neutro

# Configuración adicional de filtrado
MIN_FACE_SIZE_PIXELS = 48         # Tamaño mínimo de cara en píxeles (ancho o alto)
MAX_ASPECT_RATIO = 2.0            # Proporción máxima ancho/alto (caras reales ~0.7-1.3)
MIN_ASPECT_RATIO = 0.5            # Proporción mínima ancho/alto


def validate_and_classify_face(image_path: str) -> Optional[Dict[str, Any]]:
    """
    Valida si és una cara real i detecta el gènere usant DeepFace.
    Usa extract_faces() para obtener score de confianza REAL de detección.
    
    Args:
        image_path: Ruta a la imagen de la cara
    
    Returns:
        Dict amb: {
            'is_valid_face': bool,          # True si és una cara amb confiança alta
            'face_confidence': float,        # Score de detecció de cara (0-1)
            'gender': 'Man' | 'Woman' | 'Neutral',
            'gender_confidence': float,      # Score de confiança del gènere (0-1)
            'man_prob': float,
            'woman_prob': float,
            'rejection_reason': str | None   # Motivo de rechazo si is_valid_face=False
        }
        o None si falla completament
    """
    try:
        import cv2
        import numpy as np
        from deepface import DeepFace
        
        print(f"[DeepFace] Analitzant: {image_path}")
        
        # Cargar imagen para verificaciones de tamaño
        img = cv2.imread(str(image_path))
        if img is None:
            print(f"[DeepFace] No se pudo cargar la imagen: {image_path}")
            return None
        
        img_height, img_width = img.shape[:2]
        print(f"[DeepFace] Tamaño imagen: {img_width}x{img_height}")
        
        # VERIFICACIÓN 1: Tamaño mínimo de imagen
        if img_width < MIN_FACE_SIZE_PIXELS or img_height < MIN_FACE_SIZE_PIXELS:
            print(f"[DeepFace] ✗ RECHAZADA: Imagen demasiado pequeña ({img_width}x{img_height} < {MIN_FACE_SIZE_PIXELS}px)")
            return {
                'is_valid_face': False,
                'face_confidence': 0.0,
                'gender': 'Neutral',
                'gender_confidence': 0.0,
                'man_prob': 0.0,
                'woman_prob': 0.0,
                'rejection_reason': f'Imagen demasiado pequeña ({img_width}x{img_height})'
            }
        
        # VERIFICACIÓN 2: Proporción de la imagen (caras reales tienen proporción ~0.7-1.3)
        aspect_ratio = img_width / img_height
        if aspect_ratio > MAX_ASPECT_RATIO or aspect_ratio < MIN_ASPECT_RATIO:
            print(f"[DeepFace] ✗ RECHAZADA: Proporción anómala ({aspect_ratio:.2f}, esperado {MIN_ASPECT_RATIO}-{MAX_ASPECT_RATIO})")
            return {
                'is_valid_face': False,
                'face_confidence': 0.0,
                'gender': 'Neutral',
                'gender_confidence': 0.0,
                'man_prob': 0.0,
                'woman_prob': 0.0,
                'rejection_reason': f'Proporción anómala ({aspect_ratio:.2f})'
            }
        
        # PASO 1: Usar extract_faces() para obtener score de confianza REAL
        # Este es el método correcto para obtener el confidence score de detección
        print(f"[DeepFace] Ejecutando extract_faces() para obtener confidence score...")
        
        try:
            faces = DeepFace.extract_faces(
                img_path=str(image_path),
                detector_backend='retinaface',  # Más preciso que opencv
                enforce_detection=True,
                align=True
            )
            
            if not faces:
                print(f"[DeepFace] ✗ extract_faces() no detectó ninguna cara")
                return {
                    'is_valid_face': False,
                    'face_confidence': 0.0,
                    'gender': 'Neutral',
                    'gender_confidence': 0.0,
                    'man_prob': 0.0,
                    'woman_prob': 0.0,
                    'rejection_reason': 'No se detectó cara con retinaface'
                }
            
            # Tomar la cara con mayor confianza
            best_face = max(faces, key=lambda f: f.get('confidence', 0))
            face_confidence = best_face.get('confidence', 0.0)
            facial_area = best_face.get('facial_area', {})
            
            print(f"[DeepFace] extract_faces() encontró {len(faces)} cara(s)")
            print(f"[DeepFace] Mejor cara - confidence: {face_confidence:.4f}")
            print(f"[DeepFace] Facial area: {facial_area}")
            
            # VERIFICACIÓN 3: Score de confianza de detección
            if face_confidence < FACE_CONFIDENCE_THRESHOLD:
                print(f"[DeepFace] ✗ RECHAZADA: Confianza baja ({face_confidence:.4f} < {FACE_CONFIDENCE_THRESHOLD})")
                return {
                    'is_valid_face': False,
                    'face_confidence': face_confidence,
                    'gender': 'Neutral',
                    'gender_confidence': 0.0,
                    'man_prob': 0.0,
                    'woman_prob': 0.0,
                    'rejection_reason': f'Confianza baja ({face_confidence:.4f})'
                }
            
            # VERIFICACIÓN 4: Tamaño del área facial detectada
            face_w = facial_area.get('w', 0)
            face_h = facial_area.get('h', 0)
            if face_w < MIN_FACE_SIZE_PIXELS * 0.5 or face_h < MIN_FACE_SIZE_PIXELS * 0.5:
                print(f"[DeepFace] ✗ RECHAZADA: Área facial muy pequeña ({face_w}x{face_h})")
                return {
                    'is_valid_face': False,
                    'face_confidence': face_confidence,
                    'gender': 'Neutral',
                    'gender_confidence': 0.0,
                    'man_prob': 0.0,
                    'woman_prob': 0.0,
                    'rejection_reason': f'Área facial muy pequeña ({face_w}x{face_h})'
                }
                
        except ValueError as e:
            print(f"[DeepFace] ✗ extract_faces() ValueError: {e}")
            return {
                'is_valid_face': False,
                'face_confidence': 0.0,
                'gender': 'Neutral',
                'gender_confidence': 0.0,
                'man_prob': 0.0,
                'woman_prob': 0.0,
                'rejection_reason': f'extract_faces falló: {e}'
            }
        
        # PASO 2: Analizar género (solo si pasó las verificaciones anteriores)
        print(f"[DeepFace] ✓ Cara válida, analizando género...")
        
        try:
            result = DeepFace.analyze(
                img_path=str(image_path),
                actions=['gender'],
                enforce_detection=False,  # Ya verificamos que hay cara
                detector_backend='skip',  # Saltar detección, ya la hicimos
                silent=True
            )
            
            if isinstance(result, list):
                result = result[0] if result else {}
            
            gender_info = result.get('gender', {})
            
            if isinstance(gender_info, dict):
                man_prob = gender_info.get('Man', 0) / 100.0
                woman_prob = gender_info.get('Woman', 0) / 100.0
            else:
                man_prob = 0.5
                woman_prob = 0.5
            
            gender_diff = abs(man_prob - woman_prob)
            
            if gender_diff < GENDER_NEUTRAL_THRESHOLD:
                gender = 'Neutral'
                gender_confidence = 0.5
            else:
                gender = 'Man' if man_prob > woman_prob else 'Woman'
                gender_confidence = max(man_prob, woman_prob)
                
        except Exception as e:
            print(f"[DeepFace] Análisis de género falló: {e}, usando valores neutros")
            gender = 'Neutral'
            gender_confidence = 0.5
            man_prob = 0.5
            woman_prob = 0.5
        
        print(f"[DeepFace] ===== RESUMEN FINAL =====")
        print(f"[DeepFace]   ✓ is_valid_face: True")
        print(f"[DeepFace]   face_confidence: {face_confidence:.4f} (threshold: {FACE_CONFIDENCE_THRESHOLD})")
        print(f"[DeepFace]   gender: {gender}")
        print(f"[DeepFace]   gender_confidence: {gender_confidence:.3f}")
        print(f"[DeepFace] ==========================")
        
        return {
            'is_valid_face': True,
            'face_confidence': face_confidence,
            'gender': gender,
            'gender_confidence': gender_confidence,
            'man_prob': man_prob,
            'woman_prob': woman_prob,
            'rejection_reason': None
        }
        
    except Exception as e:
        print(f"[DeepFace] Error validant cara: {e}")
        return None


def get_random_catalan_name_by_gender(gender: str, seed_value: str = "") -> str:
    """
    Genera un nom català aleatori basat en el gènere.
    
    Args:
        gender: 'Man', 'Woman', o 'Neutral'
        seed_value: Valor per fer el random determinista (opcional)
    
    Returns:
        Nom català
    """
    noms_home = [
        "Jordi", "Marc", "Pau", "Pere", "Joan", "Josep", "David", "Guillem", "Albert",
        "Arnau", "Martí", "Bernat", "Oriol", "Roger", "Pol", "Lluís", "Sergi", "Carles", "Xavier"
    ]
    noms_dona = [
        "Maria", "Anna", "Laura", "Marta", "Cristina", "Núria", "Montserrat", "Júlia", "Sara", "Carla",
        "Alba", "Elisabet", "Rosa", "Gemma", "Sílvia", "Teresa", "Irene", "Laia", "Marina", "Bet"
    ]
    noms_neutre = ["Àlex", "Andrea", "Francis", "Cris", "Noa"]
    
    # Seleccionar llista segons gènere
    if gender == 'Woman':
        noms = noms_dona
    elif gender == 'Man':
        noms = noms_home
    else:  # Neutral
        noms = noms_neutre
    
    # Usar hash del seed per seleccionar nom de forma determinista
    if seed_value:
        hash_val = hash(seed_value)
        return noms[abs(hash_val) % len(noms)]
    else:
        import random
        return random.choice(noms)