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。

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"/>

方式2:

使用npm来引入face-api库;

npm i face-api.js
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
};

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

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>

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
    }
  ....
}

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
}

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))
})

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:

` 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

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<p>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。</p>
<h4 class="heading" data-id="heading-7">口红颜色匹配</h4>
<p>口红颜色匹配可以借助github上一个口红可视化色号库 (<a target="_blank" href="https://github.com/Ovilia/lipstick" rel="nofollow noopener noreferrer">github.com/Ovilia/lips…</a>)**。该库收录了纪梵希、圣罗兰等口红品牌的相关色号。</p>
<p/>

![](https://user-gold-cdn.xitu.io/2020/2/14/17041ded905d4261)

<p/>
<p>项目中的口红颜色以json格式存储:</p>

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

<p>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。</p>
<p>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。</p>
<p>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:</p>
<p/>

![](https://user-gold-cdn.xitu.io/2020/2/14/17041df13702651a)

<p/>

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)) }

```

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!

原文链接:juejin.im

上一篇:babel-plugin-import-glob
下一篇:@babel/plugin-transform-dotall-regex

相关推荐

暂无相关文章

官方社区

扫码加入 JavaScript 社区