阅读 3169

上次送女神死亡芭比粉口红后,我痛定思痛

Git项目源码:github.com/DaMaiGit/ar…

花絮

今天是一年一度的情人节。都说女生的梳妆台上永远缺一支口红,在这个时候,给心仪的女神送一支适合她的口红,表达自己的想念之情准没错。想到女神收到口红后欣喜的样子,还真有点小激动呢!

作为技术直男,怎样挑选色号才能不出错呢?上次送女神死亡芭比粉的翻车经历还历历在目。为此,在这段宅家的日子里,小编痛定思痛,制作出了一款口红分析神器:计算机根据女神的照片,自动识别其唇色,从而帮她挑选与唇色最匹配的口红色号。

有了这个神器,我们就能凭借珍藏的女神美照,轻松分析出她们所匹配的口红款式,进而投其所好,从此沐浴在爱情的春风里!

开始动工

口红分析神器的制作步骤主要有:

  1. 识别照片中嘴唇部分的颜色;
  2. 对比口红颜色,筛选出适合的口红款式。

识别照片中嘴唇颜色

首先我们应该让机器准确识别出照片中嘴唇的位置。Google的AI框架TensorFlow可以帮助开发者搭建训练机器学习的模型。

Google的AI框架TensorFlow能够帮助开发者搭建训练机器学习的模型。

对于入门者而言,自己使用TensorFlow去训练模型不是一蹴而就的,这里面涉及到很多深度学习以及TensorFlow的基本概念,例如张量、隐藏层、激活函数、卷积层、池化层等。

好在深度学习的应用并不难,justadudewhohacks大神的人脸识别模型框架face-api可以帮我们忙。构建于TensorFlow.js核心库之上,face-api是基于MobileNetV1的神经网络所进行的人脸样本训练。借助它,我们能够使程序快速获得人脸识别的能力。

2

好在深度学习的应用并不困难,这让我想起了justadudewhohacks大神的人脸识别模型框架:face-api。face-api本质上是构建于TensorFlow.js核心库之上,基于MobileNetV1的神经网络进行人脸样本的训练。总而言之,借助它,我们能够快速使我们的程序获得人脸识别的能力。

深度学习的原理

深度学习指的是通过深度神经网络训练机器,使其获得与人类相似的学习与分析能力,进而完成识别文字、图像和语音的任务。

深度学习主要包括以下三个步骤:

  1. 构建深度神经网络;
  2. 输入数据样本,获得模型并评估效果;
  3. 优化模型并输出。

face-api已经实现了上述三个步骤,为开发者提供了人脸识别的模型,并封装成了简易的api,使我们能在前端项目上更方便地使用人脸识别技术。如图所示,蓝色部分是face-api已经完成的任务,而我们要做的则是输入人脸图片到已经训练好的模型中,得到输出值即可,即橙色框内的部分。

face-api的使用

引入方式

方式1:

如果我们不使用打包工具的话,可以直接将github库中的dist目录下的脚本face-api.js直接导入

<script src="face-api.js"></script>
复制代码

方式2:

使用npm来引入face-api库;

npm i face-api.js
复制代码
初始化模型

借助不同的卷积神经网络,face-api提供了一系列模型。常用的模型如下所示:

var nets = {
    ssdMobilenetv1: new SsdMobilenetv1(), // ssdMobilenetv1 目标检测
    tinyFaceDetector: new TinyFaceDetector(),  // 人脸识别(精简版)
    tinyYolov2: new TinyYolov2(),   // Yolov2 目标检测(精简版)
    mtcnn: new Mtcnn(),   // MTCNN
    faceLandmark68Net: new FaceLandmark68Net(),  // 面部 68 点特征识别
    faceLandmark68TinyNet: new FaceLandmark68TinyNet(), // 面部 68 点特征识别(精简版)
    faceRecognitionNet: new FaceRecognitionNet(),  // 面部识别
    faceExpressionNet: new FaceExpressionNet(),  //  表情识别
    ageGenderNet: new AgeGenderNet()  // 年龄识别
};
复制代码

face-api 工程的weights目录下放置了模型文件,我们只需要将weights全部拷贝到工程目录中即可。

通过faceapi.net大家可以加载对应的模型:

faceApi.nets.ssdMobilenetv1.load('/weights') //加载ssdMobilenetv1 目标检测模型
faceApi.nets.faceLandmark68Net.load('/weights')//加载面部 68 点特征识别模型
复制代码

在口红分析神器中,我们仅需要加载ssdMobilenetv1和faceLandmark68Net模型即可。

加载完成后,大家可以调用faceApi.detectSingleFace(input)来识别单个人脸或使用faceapi.detectAllFaces(input)来识别多张人脸。

const detections1 = await faceapi.detectSingleFace(input) //return FaceDetection | undefined
const detections2 = await faceapi.detectAllFaces(input) //return Array<FaceDetection>
复制代码

其中,对象FaceDetection返回了人脸识别的相关信息,如置信度、人脸边框等:

{
	"_imageDims": {
		"_width": 225,
		"_height": 225
	},
	"_score": 0.9931827187538147,
	"_classScore": 0.9931827187538147,
	"_className": "",
	"_box": {
		"_x": 75.58209523558617,
		"_y": 12.725257873535156,
		"_width": 86.51270046830177,
		"_height": 99.15830343961716
	}
  ....
}
复制代码

仅靠FaceDetection返回的对象还无法满足需求,我们可以调用链式,返回人脸的68个特征点信息:

{
  detection: FaceDetection, 
  landmarks: FaceLandmarks68
}
复制代码

其中,landmarks对象涵盖了人脸的68个特征点信息,大家可以通过以下代码查看效果:

let canvas = faceApi.createCanvasFromMedia(image)
faceApi.draw.drawFaceLandmarks(canvas,landmarks.landmarks) //绘画68个特征点
canvas.toBlob(function(blob){
	console.log(URL.createObjectURL(blob))
})
复制代码
7
不难发现,模型根据68个特征点标记了人脸的五官位置。大家可以借助FaceLandmarks68.positions获得Array(68)的数组,这些数组元素便是68个特征点。具体的点位的分布如下:
5

` 此外,为使开发者操作更加便捷,FaceLandmarks68还提供了一些方法用于获取五官的点位信息:

let landmarkPositions = landmarks.positions  // 获取全部 68 个点
let jawline = landmarks.getJawOutline()  // 下巴轮廓 1~17
let leftEyeBbrow = landmarks.getLeftEyeBrow()  // 左眉毛 18~22
let rightEyeBrow = landmarks.getRightEyeBrow()  // 右眉毛 23~27
let nose = landmarks.getNose()  // 鼻子  28~36
let leftEye = landmarks.getLeftEye()  // 左眼 37~40
let rightEye = landmarks.getRightEye()  // 右眼 43~48
let mouth = landmarks.getMouth()  // 嘴巴 49~68
复制代码

我们可以采用FaceLandmarks68.getMouth()方法获取唇部的20个特征点,并通过循环遍历特征点的位置,来获取对应位置的canvas信息。

		/**
     * 获取嘴部20个特征点的颜色
     * @param canvans
     * @param mouthPoint
     */
    getMouthColor:function (canvans,mouthPoint) {
      let context = canvans.getContext("2d")
      for (let i =0;i<mouthPoint.length;i++){
        let data = context.getImageData(mouthPoint[i]["_x"],mouthPoint[i]["_y"],1,1)
        this.mouthColors[i] = data.data
      }
    }
复制代码

至此,我们已经完成了女神嘴唇位置颜色的获取,接下来就是将她们唇部20个特征点的颜色和口红的色号进行匹配,选择相近的颜色值。

口红颜色匹配

口红颜色匹配可以借助github上一个口红可视化色号库 (github.com/Ovilia/lips…)**。该库收录了纪梵希、圣罗兰等口红品牌的相关色号。

项目中的口红颜色以json格式存储:

{
	"brands":[
    {
      "name":"圣罗兰",
      "series":[
        {
          "name": "莹亮纯魅唇膏",
          "lipsticks": [{
            "color": "#D62352",
            "id": "49",
            "name": "撩骚"
         },
         ... 
        }
      ]
    },
    ...
  ] 
}
复制代码

我们复制json格式文件,将唇部20个特征点的颜色分别遍历口红库中口红的颜色进行对比,获得差值最小的一款口红作为匹配的结果值即可。

本文采用欧几里得距离公式予以计算嘴唇的颜色和口红的色号。步骤如下: 1、将口红库的color字段从十六进制转换为RGB模式; 2、将口红的RGB和唇部的20个特征点RGB带入欧几里得距离公式,计算得出差值最小的一款口红色号作为最终结果。

我们将RGB作为颜色的三个维度,带入欧几里得公式进行计算:

compareColor:function(r1,g1,b1,r2,g2,b2){
      let r = Math.pow((r1-r2),2)
      let g = Math.pow((g1-g2),2)
      let b = Math.pow((b1-b2),2)
      return Math.sqrt((r+g+b))
}
复制代码

我们把20个嘴部特征点依次遍历口红库中的颜色,记录差值最小的一款口红作为最终结果并展示到UI界面上。

以上就是口红分析神器的全步骤。

成果展示

写在最后

该项目还存在很多可以优化的地方,例如:口红颜色库有待完善,照片模型识别的准确度还有提升空间等。希望本文能够抛砖引玉,帮助我们非人工智能的开发工程师感受到AI的魅力和乐趣。

AI相关的知识值得我们去积极探索,如果你想继续学习TensorFlow相关的内容,推荐阅读《TensorFlow实战Google深度学习框架》或直接访问TensorFlow官网,抑或是观看吴恩达教授的《机器学习》课程。

最后,受新型肺炎影响,希望大家出门戴口罩,保护好自己。分隔两地的情侣也请避免不远万里来相见,毕竟真爱不会因为暂时的距离所阻隔。祝天下有情人终成眷属!

关注下面的标签,发现更多相似文章
评论