Flask+OpenCV实战：手把手教你打造口红色号识别器（附完整源码）

FlaskOpenCV实战从零构建高精度口红色号识别系统每次看到美妆博主试色视频里那些让人眼花缭乱的口红色号你是否好奇过她们涂的究竟是哪个品牌哪个色号今天我们就用Python打造一个能自动识别口红色号的智能系统不仅告诉你答案还能推荐相似色号的口红产品。1. 系统架构设计这个项目的核心在于将计算机视觉技术与Web应用无缝结合。我们采用Flask作为后端框架OpenCV和dlib进行图像处理和人脸识别最终构建一个完整的色号识别流水线。技术栈选择理由Flask轻量级Web框架快速搭建RESTful APIOpenCV强大的图像处理库支持多种色彩空间转换dlib/face_recognition高精度人脸特征点检测LAB色彩空间更接近人类视觉感知的颜色差异计算提示实际部署时建议使用NginxGunicorn替代Flask内置服务器以获得更好的性能表现系统工作流程分为四个关键阶段图像预处理压缩、归一化、色彩空间转换人脸检测定位面部关键点提取嘴唇区域色彩分析计算嘴唇主色LAB空间匹配结果展示返回匹配色号及相似产品推荐2. 环境搭建与依赖安装在开始编码前我们需要配置开发环境。建议使用Python 3.8版本以获得最佳兼容性。2.1 创建虚拟环境python -m venv lipstick-env source lipstick-env/bin/activate # Linux/Mac lipstick-env\Scripts\activate # Windows2.2 安装核心依赖pip install flask opencv-python numpy dlib face-recognition如果遇到dlib安装问题可先安装CMakepip install cmake2.3 项目目录结构/lipstick-detector │── app.py # Flask主程序 │── utils/ │ ├── face_utils.py # 人脸处理模块 │ ├── color_utils.py# 色彩分析模块 │ └── data_loader.py# 数据加载模块 │── static/ │ ├── uploads/ # 用户上传图片 │ └── js/ # 前端脚本 │── templates/ # HTML模板 │── data/ │ └── lipsticks.json# 口红色号数据库3. 核心算法实现3.1 人脸检测与嘴唇定位我们使用dlib的68点人脸特征检测模型来精确定位嘴唇区域import dlib import cv2 def detect_lips(image_path): detector dlib.get_frontal_face_detector() predictor dlib.shape_predictor(shape_predictor_68_face_landmarks.dat) image cv2.imread(image_path) gray cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) faces detector(gray) for face in faces: landmarks predictor(gray, face) lips_points landmarks.parts()[48:68] # 嘴唇区域对应的20个点 # 计算嘴唇边界框 x_coords [p.x for p in lips_points] y_coords [p.y for p in lips_points] return min(x_coords), min(y_coords), max(x_coords), max(y_coords)3.2 LAB色彩空间转换与色差计算RGB色彩空间不适合直接计算颜色相似度我们转换为LAB空间import numpy as np def rgb_to_lab(rgb_color): rgb_normalized np.array([[rgb_color]], dtypenp.uint8) lab_color cv2.cvtColor(rgb_normalized, cv2.COLOR_RGB2LAB) return lab_color[0][0] def color_distance(lab1, lab2): # 使用CIE76标准计算ΔE return np.sqrt(np.sum((lab1 - lab2) ** 2))3.3 色号匹配算法基于色差的口红色号匹配实现def find_closest_lipsticks(target_lab, lipstick_db, top_n5): distances [] for lipstick in lipstick_db: lipstick_lab rgb_to_lab(lipstick[rgb]) dist color_distance(target_lab, lipstick_lab) distances.append((lipstick, dist)) # 按色差从小到大排序 distances.sort(keylambda x: x[1]) return [item[0] for item in distances[:top_n]]4. 性能优化技巧4.1 图像预处理优化处理高分辨率图片时性能优化至关重要def optimize_image(image_path, max_dim800): img cv2.imread(image_path) h, w img.shape[:2] if max(h, w) max_dim: scale max_dim / max(h, w) img cv2.resize(img, None, fxscale, fyscale, interpolationcv2.INTER_AREA) # 转换为LAB色彩空间 lab_img cv2.cvtColor(img, cv2.COLOR_BGR2LAB) return lab_img4.2 数据库索引优化对于大型口红色号数据库建立颜色索引可显著提升查询速度from sklearn.neighbors import BallTree class LipstickIndex: def __init__(self, lipsticks): self.lipsticks lipsticks lab_colors [rgb_to_lab(l[rgb]) for l in lipsticks] self.tree BallTree(lab_colors, metriceuclidean) def query(self, target_lab, k5): _, indices self.tree.query([target_lab], kk) return [self.lipsticks[i] for i in indices[0]]4.3 异步任务处理长时间运行的任务应该使用Celery等异步任务队列from celery import Celery celery Celery(tasks, brokerredis://localhost:6379/0) celery.task def process_image_async(image_path): # 包含完整处理逻辑 return find_closest_lipsticks(...)5. Flask接口设计与前端集成5.1 RESTful API设计from flask import Flask, request, jsonify app Flask(__name__) app.route(/api/upload, methods[POST]) def upload_image(): if file not in request.files: return jsonify({error: No file uploaded}), 400 file request.files[file] if file.filename : return jsonify({error: Empty filename}), 400 filename secure_filename(file.filename) save_path os.path.join(static/uploads, filename) file.save(save_path) # 异步处理图片 task process_image_async.delay(save_path) return jsonify({task_id: task.id}), 202 app.route(/api/results/task_id) def get_results(task_id): task process_image_async.AsyncResult(task_id) if task.ready(): return jsonify(task.result) return jsonify({status: processing}), 2025.2 前端交互实现使用现代JavaScript实现无刷新上传document.getElementById(upload-form).addEventListener(submit, async (e) { e.preventDefault(); const formData new FormData(); formData.append(file, document.getElementById(file-input).files[0]); const response await fetch(/api/upload, { method: POST, body: formData }); const data await response.json(); if (data.task_id) { pollResults(data.task_id); } }); async function pollResults(taskId) { const response await fetch(/api/results/${taskId}); const data await response.json(); if (data.status processing) { setTimeout(() pollResults(taskId), 1000); } else { displayResults(data); } }6. 实际应用中的挑战与解决方案6.1 光照条件影响不同光照条件下拍摄的嘴唇颜色会有显著差异。我们采用以下补偿策略自动白平衡使用灰度世界算法校正色偏直方图均衡化增强低对比度图像参考中性色利用面部其他区域作为白平衡参考def correct_illumination(image): # 灰度世界白平衡 result cv2.cvtColor(image, cv2.COLOR_BGR2LAB) avg_a np.average(result[:, :, 1]) avg_b np.average(result[:, :, 2]) result[:, :, 1] result[:, :, 1] - ((avg_a - 128) * 1.1) result[:, :, 2] result[:, :, 2] - ((avg_b - 128) * 1.1) return cv2.cvtColor(result, cv2.COLOR_LAB2BGR)6.2 唇部遮挡处理当嘴唇被头发、手或其他物体部分遮挡时系统需要智能处理可见区域检测通过边缘检测和连通域分析确定有效区域颜色采样策略仅从可靠区域提取颜色样本置信度评分为识别结果提供可信度指标6.3 多品牌色号映射不同品牌对相似颜色可能有不同的命名规则我们建立了跨品牌色号对应关系品牌A色号品牌B对应色号ΔE值MAC Chili雅诗兰黛 3332.3Dior 999YSL 211.87. 扩展功能与商业应用7.1 虚拟试妆功能结合AR技术可以在用户上传的自拍上模拟不同口红色号的效果def apply_lipstick(image, lipstick_color, opacity0.7): lips_mask get_lips_mask(image) # 获取嘴唇区域mask colored np.zeros_like(image) colored[:] lipstick_color result image.copy() result[lips_mask 0] cv2.addWeighted( image[lips_mask 0], 1-opacity, colored[lips_mask 0], opacity, 0) return result7.2 个性化推荐系统基于用户历史识别记录构建推荐模型协同过滤找到喜欢相似色号的用户群体内容推荐基于颜色特征的相似度匹配季节趋势结合当季流行色调整推荐权重7.3 商业变现模式联盟营销对接电商平台API获取商品推荐佣金数据服务为美妆品牌提供色彩趋势分析SaaS服务为美妆博主提供定制化识别工具在开发过程中最耗时的部分是色彩匹配算法的调优。经过反复测试LAB色彩空间结合改进的色差公式CIEDE2000最终提供了最符合人类视觉感知的匹配结果。对于希望进一步优化精度的开发者建议收集更多样化的嘴唇图像数据特别是要考虑不同肤色和光照条件下的表现。