這篇文章主要介紹“怎么用github寫(xiě)個(gè)口紅色號(hào)識(shí)別器”，在日常操作中，相信很多人在怎么用github寫(xiě)個(gè)口紅色號(hào)識(shí)別器問(wèn)題上存在疑惑，小編查閱了各式資料，整理出簡(jiǎn)單好用的操作方法，希望對(duì)大家解答”怎么用github寫(xiě)個(gè)口紅色號(hào)識(shí)別器”的疑惑有所幫助！接下來(lái)，請(qǐng)跟著小編一起來(lái)學(xué)習(xí)吧！

成都創(chuàng)新互聯(lián)公司堅(jiān)持“要么做到，要么別承諾”的工作理念，服務(wù)領(lǐng)域包括：網(wǎng)站建設(shè)、成都網(wǎng)站制作、企業(yè)官網(wǎng)、英文網(wǎng)站、手機(jī)端網(wǎng)站、網(wǎng)站推廣等服務(wù)，滿(mǎn)足客戶(hù)于互聯(lián)網(wǎng)時(shí)代的賓縣網(wǎng)站設(shè)計(jì)、移動(dòng)媒體設(shè)計(jì)的需求，幫助企業(yè)找到有效的互聯(lián)網(wǎng)解決方案。努力成為您成熟可靠的網(wǎng)絡(luò)建設(shè)合作伙伴！

來(lái)自 Github 的口紅色號(hào)宇宙

要想識(shí)別口紅色號(hào)，先得讓機(jī)器知道到底都有哪些顏色。

聽(tīng)柜姐介紹，紅色系有：“草莓紅、鐵銹紅、楓葉紅...”，其他還有“豆沙色、吃土色、番茄色...”

世界觀(guān)還未建立完全就要開(kāi)始土崩瓦解，這看著有區(qū)別嗎?“豆沙色最為百搭，橘調(diào)的番茄色比較顯白...”眼前的黑不是黑，你說(shuō)的紅是什么紅?

還好，在萬(wàn)能的 Github  上找到了一個(gè)寶藏?cái)?shù)據(jù)庫(kù)“口紅顏色可視化”，這個(gè)數(shù)據(jù)庫(kù)堪比口紅的色號(hào)宇宙，不僅囊括了當(dāng)前最主流品牌的各種系列色號(hào)，還很良心的在色盤(pán)上排列了出來(lái)。

這個(gè)數(shù)據(jù)集是一個(gè)嵌套的字典數(shù)據(jù)結(jié)構(gòu)，存為 json 串的形式，里面記錄了每個(gè)口紅品牌系列下不同口紅色號(hào)的顏色 id、名稱(chēng)、和 16 進(jìn)制顏色值。

直!男!救!星!有木有!

口紅色號(hào)可視化鏈接：

https://github.com/Ovilia/lipstick

不過(guò)看著這密密麻麻的顏色，真心佩服各大口紅品牌的文案高手，是怎么樣區(qū)別每一個(gè)看不出區(qū)別的顏色，并且還要分別取名字的。

傻傻分不清的我對(duì) 5 個(gè)品牌的不同系列做了一下統(tǒng)計(jì)和色號(hào)錄入，于是，剩下的就交給計(jì)算機(jī)啦。

先用番茄做個(gè)實(shí)驗(yàn)?

既然有了如此完備的色號(hào)數(shù)據(jù)庫(kù)，那么文摘菌就有了一個(gè)討巧的方法：要想找到合適的色號(hào)，可以直接截取顏色，然后在數(shù)據(jù)庫(kù)中進(jìn)行比對(duì)。

這個(gè)方法非常好操作，在上唇色之前，我們不如先拿別的紅色物品來(lái)練手。

比如，這里有一只番茄圖片，你看這個(gè)番茄它又大又圓：

在其中截取了成色均勻、無(wú)高亮的矩形圖片：

提取這張純色圖片的 RGB 值在技術(shù)上是可行的，getcolor.py 代碼如下：

import colorsys import PIL.Image as Image  def get_dominant_color(image):     max_score = 0.0001     dominant_color = None     for count,(r,g,b) in image.getcolors(image.size[0]*image.size[1]):         # 轉(zhuǎn)為HSV標(biāo)準(zhǔn)         saturation = colorsys.rgb_to_hsv(r/255.0, g/255.0, b/255.0)[1]         y = min(abs(r*2104+g*4130+b*802+4096+131072)>>13,235)         y = (y-16.0)/(235-16)          #忽略高亮色         if y > 0.9:             continue         score = (saturation+0.1)*count         if score > max_score:             max_score = score             dominant_color = (r,g,b)     return dominant_color

為了減少誤差，需要裁剪多個(gè)不同位置的圖片，保存在本地的一個(gè)文件夾中，讀取文件，提取顏色，求平均值，得到的番茄最終的 RGB 顏色，代碼如下：

import os import getcolor from os.path import join as pjoin from scipy import misc  def load_color(color_dir,list):      count = 0     for dir in os.listdir(color_dir):           img_dir = pjoin(color_dir, dir)           image = getcolor.Image.open(img_dir)         image = image.convert('RGB')         get=getcolor.get_dominant_color(image)         list.append(get)         count = count+1         #print(person_dir)     #print(count)     return count  def Mean_color(count,list):      Mean_R=Mean_G=Mean_B=0      for i in range(count):         tuple=list[i]         Mean_R+=tuple[0]         Mean_G+=tuple[1]         Mean_B+=tuple[2]      MeanC=((int)(Mean_R/count),(int)(Mean_G/count),(int)(Mean_B/count))      return Me

番茄的顏色提取到了，那么和什么做比對(duì)呢?

當(dāng)然是口紅的數(shù)據(jù)，文摘菌這兒用到了 5 個(gè)品牌，分別是圣羅蘭、香奈兒可可小姐、迪奧、美寶蓮、紀(jì)梵希，共 17 個(gè)系列，271 個(gè)口紅色號(hào)。

數(shù)據(jù)集是一個(gè)嵌套的字典數(shù)據(jù)結(jié)構(gòu)，存為 json 串的形式，里面記錄了每個(gè)口紅品牌系列下不同口紅色號(hào)的顏色 id、名稱(chēng)、和 16 進(jìn)制顏色值。

lipstick.json部分?jǐn)?shù)據(jù)集展示如下：

{"brands":[{"name":"圣羅蘭","series": [{"name":"瑩亮純魅唇膏","lipsticks": [{"color":"#D62352","id":"49","name":"撩騷"}, {"color":"#DC4B41","id":"14","name":"一見(jiàn)傾心"}, {"color":"#B22146","id":"05","name":"浮生若夢(mèng)"}，

數(shù)據(jù)集中存儲(chǔ)的 RGB 顏色是 16 進(jìn)制的字符串形式，需要將其轉(zhuǎn)換成 RGB 值，比較兩個(gè)顏色相近與否。

實(shí)際上是比較 RGB 三個(gè)分量維度上的誤差，最小的口紅輸出對(duì)應(yīng)的品牌、系列、色號(hào)和 id。

代碼如下：

import json import getcolor import numpy as np import lipcolor  #filename = 'temp.txt' ##write the temp data to file## def WtoFile(filename,RGB_temp):     num=len(RGB_temp)     with open(filename,'w') as f:         for i in range(num):            s = str(RGB_temp[i]).replace('[','').replace(']','')            f.write(s)            f.write("\n")  #operate the data # ##save the brand&series&color id&color name to sum_list## ##covert the color #D62352 to RGB_array## ##caculate the RGB difference to RGB_temp and write the value to file## def data_operate():     with open('lipstick.json', 'r', encoding='utf-8') as f:       ret_dic = json.load(f)       #print(ret_dic['brands'])       #print(type(ret_dic)) #        #print(ret_dic['brands'][0]['name'])        b_num=len(ret_dic['brands'])       #print(b_num)#brands number        s_list=[]       #series brands#       for i in range(len(ret_dic['brands'])):           s_num=len(ret_dic['brands'][i]['series'])           s_list.append(s_num)           #print("{0} has {1} series".format((ret_dic['brands'][i]['name']),(s_list[i])))         #the lipstick color of every brands every series#       #the first loop calculate the total color numbers       sum=0       for b1 in range(b_num):           for s1 in range(s_list[b1]):               brand_name=ret_dic['brands'][b1]['name']               lip_name=ret_dic['brands'][b1]['series'][s1]['name']               color_num=len(ret_dic['brands'][b1]['series'][s1]['lipsticks'])               sum+=color_num#calculate the total color numbers        #the second loop save the message to a list#       sum_list=np.zeros((sum,4), dtype=(str,8))       value_array=np.zeros((sum,6), dtype=int)       i=0           for b2 in range(b_num):           for s2 in range(s_list[b2]):               brand_name=ret_dic['brands'][b2]['name']               #print(type(brand_name))               lip_name=ret_dic['brands'][b2]['series'][s2]['name']               color_num=len(ret_dic['brands'][b2]['series'][s2]['lipsticks'])               for c in range(color_num):                     color_value=ret_dic['brands'][b2]['series'][s2]['lipsticks'][c]['color']                     color_name=ret_dic['brands'][b2]['series'][s2]['lipsticks'][c]['name']                     color_id=ret_dic['brands'][b2]['series'][s2]['lipsticks'][c]['id']                     #print("{0} series {1} has {2} colors,color {3}：{4}".format(brand_name,lip_name,color_num,c+1,color_name))                     sum_list[i][0]=brand_name                     sum_list[i][1]=lip_name                     sum_list[i][2]=color_id                     sum_list[i][3]=color_name                     #value_array[i]=value_array[i][1]                     #convert "#D62352" to [13  6  2  3  5  2]#                     for l in range(6):                         temp=color_value[l+1]                         if(temp>='A'and temp<='F'):                            temp1=ord(temp)-ord('A')+10                         else:                            temp1=ord(temp)-ord('0')                         value_array[i][l]=temp1                     i+=1       #the third loop covert value_array to RGB_array#       RGB_array=np.zeros((sum,3), dtype=int)       for i in range(sum):           RGB_array[i][0]=value_array[i][0]*16+value_array[i][1]           RGB_array[i][1]=value_array[i][2]*16+value_array[i][3]           RGB_array[i][2]=value_array[i][4]*16+value_array[i][5]        #calculate the similar and save to RGB_temp       #RGB_temp=np.zeros((sum,1), dtype=int)       RGB_temp=np.zeros((sum,1), dtype=float)       for i in range(sum):           R=RGB_array[i][0]           G=RGB_array[i][1]           B=RGB_array[i][2]           RGB_temp[i]=abs(get[0]-R)+abs(get[1]*3/4-G)+abs(get[2]-B)       RGB_temp.tolist();#covert array to list       #print(RGB_temp)       filename="temp.txt"       WtoFile(filename,RGB_temp)       #sort the RGB_temp#       result=sorted(range(len(RGB_temp)), key=lambda k: RGB_temp[k])       #print(result)       #output the three max prob of the lipsticks#       print("The first three possible lipstick brand and color id&name are as follows:")       for i in range(3):           idex=result[i]           print(sum_list[idex])       print("The first three possible lipstick brand RGB value are as follows:")       for i in range(3):           idex=result[i]           R=RGB_array[idex][0]           G=RGB_array[idex][1]           B=RGB_array[idex][2]           tuple=(R,G,B)           print(tuple)   if __name__ == '__main__':      #image = getcolor.Image.open(inputpath)      #image = image.convert('RGB')      #get=getcolor.get_dominant_color(image)#tuple #get=(231, 213, 211)      list=[]      color_dir="output"      count=lipcolor.load_color(color_dir,list)      get=lipcolor.Mean_color(count,list)      print("the extracted RGB value of the color is {0}".format(get))      #operate the data#      data_operat

輸出最有可能吻合番茄顏色的前三個(gè)口紅的信息，然后在 Spyder 中的運(yùn)行結(jié)果：

可以看到最有可能的三個(gè)口紅品牌色號(hào)的 RGB 值與番茄的 RGB 值是非常接近的。

提取到的番茄顏色：

'迪奧' '烈艷藍(lán)金唇膏' '080' '微笑正紅’的顏色：

'圣羅蘭' '純口紅' '56' '橙紅織錦'的顏色：

'紀(jì)梵希' '高定香榭天鵝絨唇' '325' '圣水紅'的顏色：

我已經(jīng)眼花繚亂，三個(gè)顏色……有區(qū)別嗎?!以后不如準(zhǔn)備統(tǒng)一叫它們，番茄色!

不過(guò)，這也正說(shuō)明了，剛剛的提取&對(duì)比方法可行!

既然可以識(shí)別番茄的顏色，那么，可以識(shí)別人像中的口紅色號(hào)嗎?

進(jìn)入正題!人像口紅色號(hào)識(shí)別

接下來(lái)，我們需要做的是輸入一張人像圖片，可以自動(dòng)識(shí)別其中的嘴唇區(qū)域，并提取出嘴唇區(qū)域中的一部分做為顏色提取的源圖像。

這里就要用到 CV 的人臉識(shí)別了，還好 Dlib 庫(kù)又幫助我們減輕一大部分的工作量。

Dlib 中有自帶的 68  個(gè)人臉的識(shí)別器，可以得到人臉部位包括眉毛、眼睛、鼻梁、面部輪廓和嘴唇區(qū)域的具體點(diǎn)的位置，到這兒，我以為很輕松就可以截到嘴唇區(qū)域了，結(jié)果有點(diǎn)尷尬.........

我們首先找到了一張小姐姐的照片：

截取到的嘴唇區(qū)域如下：

很明顯的看到上下嘴唇黑色的區(qū)域也截取到了，這對(duì)后續(xù)的提色有影響，所以不得不回到最初的 68  個(gè)檢測(cè)點(diǎn)來(lái)思考人生。

圣羅蘭官網(wǎng) #842C71 口紅

標(biāo)記的 68 個(gè)人臉檢測(cè)點(diǎn)如上圖所示，而嘴唇部位是從第 49 個(gè)標(biāo)記點(diǎn)開(kāi)始的(數(shù)組的話(huà)，下標(biāo)是 48)。

為了盡可能的截取到均勻成色的嘴唇片段，剛開(kāi)始是想從第 50 個(gè)標(biāo)記點(diǎn)對(duì)角線(xiàn)截取到第 56  個(gè)標(biāo)記點(diǎn)，而這不可避免的會(huì)截取到上下嘴唇之間的縫隙，這兒的陰影也會(huì)影響后續(xù)的顏色提取準(zhǔn)確度。

考慮到下嘴唇比上嘴唇寬，所以截取到下嘴唇中間的兩個(gè)小正方形區(qū)域：

人臉識(shí)別和截取嘴唇區(qū)域的代碼如下：

import numpy as np  import cv2 import dlib from PIL import Image  def crop(source,pos):        x1=pos[2][0]       y1=pos[2][1]       x2=pos[1][0]       y2=pos[1][1]       d=abs(x2-x1)       region = source[(int)(y1-d*0.75):y2,x1:x2]       # save the image       cv2.imwrite("output/Mouth2.jpg", region)        x1=pos[1][0]       y1=pos[1][1]       x2=pos[0][0]       y2=pos[0][1]       d=abs(x1-x2)       region = source[y1-d:y2,x1:x2]       # save the image       cv2.imwrite("output/Mouth3.jpg", region)   def detect_mouth(img,pos):         gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)         gray = cv2.equalizeHist(gray)         detector = dlib.get_frontal_face_detector()         #use the predictor　         predictor = dlib.shape_predictor('shape_predictor_68_face_landmarks.dat')         dets = detector(img, 1)            print("Number of faces detected: {}".format(len(dets)))         for a in dets:                cv2.rectangle(img,(a.left(),a.top()),(a.right(),a.bottom()),(255,0,0))         #point_list=[]#save the mouth point to point_list[]#         #Extract 68 feature points of the face and crop the lip image#         for index, face in enumerate(dets):            print('face {}; left {}; top {}; right {}; bottom {}'.format(index, face.left(), face.top(), face.right(), face.bottom()))            shape = predictor(gray, face)            for i, pt in enumerate(shape.parts()):             #print('Part {}: {}'.format(i, pt))             #print(i)              pt_pos = (pt.x, pt.y)              if i>=48 and i<=67:                 cv2.circle(img, pt_pos, 2, (255, 0, 0), 1)              if i>=56 and i<=58:                 #print(pt_pos)                 pos[i-56][0]=pt.x                 pos[i-56][1]=pt.y              #cv2.circle(img, pt_pos, 2, (255, 0, 0), 1)         return img  if __name__ == "__main__":        img = cv2.imread("test3.png")       #copy the input image for the later crop#       img_clone = np.copy(img)       cv2.imwrite("input/source.jpg",img_clone)       #save the lip position to pos array#       pos=np.zeros((3,2), dtype=int)       result=detect_mouth(img,pos)       cv2.imwrite("input/source2.jpg",result)       #crop the lip areas#       source = cv2.imread("input/source.jpg")       crop(source,pos)       # show the result       cv2.imshow('FaceDetect',result)       cv2.waitKey(0)        cv2.destroyAllWindow

既然已經(jīng)截取到嘴唇的小矩形圖像了，接下來(lái)的工作就和前面一樣了，在數(shù)據(jù)庫(kù)中對(duì)比每個(gè) RGB 值輸出最小誤差對(duì)應(yīng)的口紅信息，而這兒也有難到我。

單純的比對(duì) RGB 分量對(duì)口紅色號(hào)來(lái)說(shuō)并不適用，有可能每個(gè)分量相差很小，而疊加起來(lái)的顏色和提取到的顏色并不相似，在顏色的比對(duì)上需要手動(dòng)調(diào)參。

幾經(jīng)波折，最后輸出的結(jié)果還是可以接受的，上圖人像中涂的口紅色號(hào)，感興趣的讀者可以查下正好是下面輸出排名第一的口紅信息。

誤差分析

對(duì)于我們測(cè)試的圖片信息，標(biāo)記了嘴唇區(qū)域的特征點(diǎn)，我們提取到的 RGB  值(156,59,103)顏色如下所示：

可以看到和圖片的顏色已經(jīng)十分接近了，而數(shù)據(jù)集合 lipstick.json 中這種口紅存儲(chǔ)的 16  進(jìn)制顏色值為 #842C71，對(duì)應(yīng)的顏色如下：

明顯看到數(shù)據(jù)集存儲(chǔ)的顏色和實(shí)際照片的顏色是有些許誤差的，而在本文算法實(shí)現(xiàn)過(guò)程中，又不可避免的有以下誤差：

• 嘴唇區(qū)域截取不可避免會(huì)截取到皮膚中的一部分顏色，雖然算法已經(jīng)將那種可能降到最低。

• 顏色提取上，雖然截取多個(gè)嘴唇圖片求平均值，但是本身的提取算法還是和實(shí)際值稍有偏差。

• RGB 顏色相似度比對(duì)的算法也不夠精確。

• 最最重要的是，照片必須是原圖，而且光線(xiàn)要自然，加了濾鏡的圖是怎么也不可能識(shí)別出來(lái)的。

以上種種，使得讓計(jì)算機(jī)快速高效地識(shí)別不同的口紅色號(hào)還是有困難的，原來(lái)計(jì)算機(jī)有時(shí)候也會(huì)很直男。

實(shí)時(shí)人像口紅色號(hào)預(yù)測(cè)

看到這兒，可能很多讀者朋友想實(shí)時(shí)地試一下能不能讓計(jì)算機(jī)判斷自己的口紅色號(hào)，這對(duì)于 OpenCV 這一強(qiáng)大的圖形操作庫(kù)來(lái)說(shuō)，不是什么問(wèn)題。

它可以打開(kāi)你的攝像頭，讀取每一幀的圖片，結(jié)合前文提到的人臉識(shí)別代碼，可以實(shí)時(shí)地截取到嘴唇區(qū)域的圖片，然后交給計(jì)算機(jī)預(yù)測(cè)，從此再也不怕女朋友的靈魂拷問(wèn)!

最后，附上打開(kāi)攝像頭的代碼，快叫女朋友過(guò)來(lái)試下吧!

#coding=utf8 import cv2 import time print('Press Esc to exit') imgWindow = cv2.namedWindow('FaceDetect', cv2.WINDOW_NORMAL) import sys import os import dlib import glob import numpy from skimage import io def detect_face():     capInput = cv2.VideoCapture(0)     #nextCaptureTime = time.time()     faces = []     feas = []      if not capInput.isOpened(): print('Capture failed because of camera')     while 1:         ret, img = capInput.read()         gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)         gray = cv2.equalizeHist(gray)         time=0         eTime = time.time() + 0.1         detector = dlib.get_frontal_face_detector()　         predictor = dlib.shape_predictor('shape_predictor_68_face_landmarks.dat')         dets = detector(gray, 1)           print("Number of faces detected: {}".format(len(dets)))         for a in dets:                cv2.rectangle(img,(a.left(),a.top()),(a.right(),a.bottom()),(255,0,0))         for index, face in enumerate(dets):            print('face {}; left {}; top {}; right {}; bottom {}'.format(index, face.left(), face.top(), face.right(), face.bottom()))            shape = predictor(gray, face)               for i, pt in enumerate(shape.parts()):             #print('Part {}: {}'.format(i, pt))              pt_pos = (pt.x, pt.y)              cv2.circle(img, pt_pos, 2, (255, 0, 0), 1)         cv2.imshow('FaceDetect',img)         if cv2.waitKey(1) & 0xFF == 27: break     capInput.release()     cv2.destroyAllWindows() if __name__ == "__main__":      detect_face()

到此，關(guān)于“怎么用github寫(xiě)個(gè)口紅色號(hào)識(shí)別器”的學(xué)習(xí)就結(jié)束了，希望能夠解決大家的疑惑。理論與實(shí)踐的搭配能更好的幫助大家學(xué)習(xí)，快去試試吧！若想繼續(xù)學(xué)習(xí)更多相關(guān)知識(shí)，請(qǐng)繼續(xù)關(guān)注創(chuàng)新互聯(lián)網(wǎng)站，小編會(huì)繼續(xù)努力為大家?guī)?lái)更多實(shí)用的文章！