目录
前言
本项目利用了Dlib中已经成熟的68点人脸特征点检测功能，并结合了Python库"face_recognition"，以便进行口红颜色的匹配和推荐。
首先，使用Dlib的人脸特征点检测功能，我们可以精确地定位人脸上的68个关键点，包括眼睛、嘴巴、鼻子等部位。这些关键点的检测能力使我们能够准确地识别嘴唇的位置和形状。
接下来，我们使用"face_recognition"库来处理这些检测到的区域。具体而言，我们关注嘴唇区域并提取其颜色信息。这可能涉及到将嘴唇区域的像素值转化为颜色的特征，比如RGB值或者HSV值。
一旦我们获得了嘴唇的颜色信息，接下来的步骤就是寻找与这种颜色最相近的口红颜色。这可以涉及到一个颜色匹配算法，例如计算颜色之间的欧几里德距离或色彩空间的相似度。
最后，根据颜色匹配的结果，我们可以输出口红推荐信息，包括口红的品牌、色号和购买链接等。这样，用户可以根据他们的嘴唇颜色找到最适合的口红。
本项目结合计算机视觉和颜色匹配技术，为用户提供了一种便捷的方式来选择合适的口红颜色，以匹配他们的嘴唇颜色和个人喜好。这对于化妆爱好者和购物者来说都具有实际的应用价值。
总体设计
本部分包括系统整体结构图和系统流程图。
系统整体结构图
系统整体结构如图所示。
系统流程图
正则匹配系统流程如图所示。
保存信息系统流程如图所示。
色彩空间转换流程如图所示。
寻找相应颜色模块如图所示。
运行环境
本部分包括Python环境、TensorFlow环境、安装face_recognitio、colorsys模块、PyQt5、QCandyUi、库依赖关系。
Python环境
需要Python 3.6及以上配置，在Windows环境下推荐下载Anaconda完成Python所需环境的配置，下载地址为https://www.anaconda.com/，也可下载虚拟机在Linux环境下运行代码。
TensorFlow环境
打开Anaconda Prompt，输入清华仓库镜像:
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/conda config --set show_channel_urls yes
创建Python 3.6的环境，名称为TensorFlow，此时Python版本和后面TensorFlow的版本有匹配问题，此步选择Python 3.6。
conda create -n tensorflow Python=3.6
有需要确认的地方，都输入y。
在Anaconda Prompt中激活TensorFlow环境:
activate tensorflow
安装CPU版本的TensorFlow:
pip install tensorflow
安装完毕。
安装face_ recognition
在Windows 10下安装face_recognition第三方库:
①在Anaconda的Python 3.6版本命令提示符下输入pip install CMake命令安裝CMake;
②安装Dlib。经查询发现face_recognition第三方库与Dlib的19.7.0版本相匹配，所以安装Dlib时要使用以下命令: pip install dlib==19.7.0，在DOS命令行输入pip install face_recognition命令安装face_recognition第三方库。
安装colorsys模块
colorsys模块用于RGB和YIQ/HLS/HSV颜色模式双向转换接口。提供6个函数，其中3个用于RGB转YIQ/HLS/HSV,另外3个将YIQ/HLS/HSV转RGB。
PIL库可以完成图像归档和图像处理两方面的需求。图像归档：对图像进行批处理、生成图像预览、图像格式转换等；图像处理：基本处理、像素处理、颜色处理等。Image是PIL中最重要的模块，有一个类叫作Image，与模块名称相同。Image类有很多函数、方法及属性。
安装PyQt 5
安装步骤：打开CMD，输入conda activate tensorflow命令；
pip install pyqt5 需要注意，conda库中没有PyQt5。
在网络质量不佳时有可能安装失败，可以使用下载*.whl文件并用pip install wheel的方式进行PyQt 5的安装部署;
pip install pyqt5-tools安装后关闭CMD，到达文件安装位置寻找designer.exe；
打开designer.exe即可使用该工具迅速画出样式并得到*ui文件;
打开CMD，跳转到对应位置。使用pyuic工具将*ui文件转换为ui_*.py文件;
打开ui_*py文件写入signal and slot相关内容，确定继承关系。
安装QCandyUi
使用conda activate tensorflow命令激活环境后，使用pip install QCandyUi命令安装即可。
库依赖关系
库依赖如表所示。
模块实现
本项目包括数据预处理和系统搭建2个模块。下面分别给出各模块的功能介绍及相关代码。
1. 数据预处理
本部分包括源数据的存储、数据处理和数据合并。
1）源数据的存储
数据下载地址为https://www.kaggle.com/c/facial-keypoints-detection/data，存储形式如图所示。
2）处理数据
本部分代码因需要处理多个品牌，代码结构相似，存在重复现象，本处以口红品牌M.A.C为例展示处理方法，相关代码如下：
#-*- coding: utf-8 -*-
import json
import re
import os
path="D:/homework/大三下信息系统设计/lipsticks/"
brand="mac/"
brandpathli=[]
dict_Brand={
"name":brand[:-1],"series":None}
dict_series={
"name":None,"lipsticks":None}
dict_name={
"color":"#ffffff", "id":"-1", "name":"none"}
#预设参数，在处理不同品牌时，只需要改变brand和path中的内容即可
def par_mac(str):
#对该口红的品牌、颜色、色号进行匹配
dict_name={
"color":"#ffffff", "id":"-1", "name":"none"}
#设定默认值，当发现颜色是黑色或ID=-1可及时丢弃不合法的列表
matchObj_color = re.search( r'#\w{6}', str, re.M|re.I)
if (matchObj_color!=None):
dict_name["color"]=matchObj_color.group().upper()
#print (matchObj_color.group())调试代码
matchObj_id = re.search( r"\">\d{3}" , str, re.M|re.I)
if (matchObj_id!=None):
dict_name["id"]=matchObj_id.group()[2:]
#print (matchObj_id.group()[2:])调试代码
matchObj_name = re.search( r">\d{0,}[ ]?([A-Z][a-z]*[,]?[ ]?[!?]?){1,}" , str, re.M|re.I)
if (matchObj_name!=None):
dict_name["name"]=matchObj_name.group()[1:]
return dict_name
#查找文件夹内所有文件的名称
def eachFile(filepath):
pathDir = os.listdir(filepath)
for allDir in pathDir:
child = os.path.join('%s%s' % (filepath, allDir))
print("children",child)#即该目录下所有文件的名字
brandpathli.append(child)
#读取文件路径名对应的内容
def readFile(filename):
fopen = open(filename, 'r') #r 代表read
list_series=[]#文件中每一行的内容
for eachLine in fopen:
#print( "读取到得内容如下：",eachLine)调试代码
dict_name=par_mac(eachLine)
if(dict_name["color"]=="#ffffff"):
continue
list_series.append(dict_name)
fopen.close()
return list_series#返回每个系列的所有口红
if __name__ == '__main__':
#filePath = path+brand+subpath调试代码，可以通过不同方式访问数据
filePathC = path+brand
eachFile(filePathC)
list_brand=[]
for i in brandpathli:
dict_series={
"name":None,"lipsticks":None}
list_series=readFile(i) #每个系列的所有口红
#print(dict_name)调试代码
brandname=i.split('/')[-1].split('.')[0]
#print("mainpring",brandname)调试代码
dict_series["name"]=brandname
dict_series["lipsticks"]=list_series
#获得{系列名，口红色号}字典
list_brand.append(dict_series)
print("dict_series",list_brand)
dict_Brand["series"]=list_brand
#dict_Brand["brands"][1]["series"]调试代码
file = open('D:/homework/大三下信息系统设计/json/'+brand.split('/')[0]+'.json','w',encoding='utf-8')
#在遇到长文本时需要处理编码格式以保证存入的数据不是乱码
json = json.dump(dict_Brand,file)
print(json)
file.close()
3）合并得到json文件
合并得到json文件即可组成口红色号数据库，如图所示。
2. 系统搭建
本部分包括人脸识别，提取唇部轮廓并创建蒙版，划分嘴唇区域，提取图片颜色，获取色号库，比较并得出结果，创建图形化界面等。
1）人脸识别
在识别唇部之前，定位到人脸，用face_recognition对图片中的人脸进行识别。
import face_recognition
path="*.jpg"
#放入一张照片
image = face_recognition.load_image_file(path)
#找到图片中所有人脸
print(type(image))
face_locations = face_recognition.face_locations(image)
print(face_locations)
#或者在图像中找到面部特征（还可以通过len(face_locations)得到图片中的人脸数
face_landmarks_list = face_recognition.face_landmarks(image)
print(face_landmarks_list)
#为图像中的每个人脸获取face_encodings
list_of_face_encodings = face_recognition.face_encodings(image)
2）提取唇部轮廓并创建蒙版
为方便提取唇部颜色，将识别到的上下嘴唇及轮廓用白色填充，得到一张黑底唇部留白的蒙版。
pil_image = Image.fromarray(image)
a=pil_image.size
#改变类型
print(a,type(a))
blank_mouse = Image.new('RGB', (a[0],a[1]), (0, 0, 0))
#新建一张黑色图片
for face_landmarks in face_landmarks_list:
d = ImageDraw.Draw(blank_mouse, 'RGBA')
#把嘴唇涂白
d.polygon(face_landmarks['top_lip'], fill=(255,255,255,255))
d.polygon(face_landmarks['bottom_lip'], fill=(255, 255,255, 255))
d.line(face_landmarks['top_lip'], fill=(255, 255,255, 255), width=8)
blank_mouse.show()
#展示
blank_mouse=blank_mouse.crop((pos[3], pos[0], pos[1], pos[2]))
#(left, upper, right, lower) 修剪面部区域
Image._show(blank_mouse)
3）划分嘴唇区域
进一步对图像进行处理，在原图像中保留唇部区域，即上步中留白区域，非唇部区域用黑色覆盖，便于后续提取颜色。
def masklayer(origin,mask):
#创建函数，origin和mask均为Image函数对应的图片格式，将其转换为数组，再操作
mask1=np.array(mask)
print(mask1.shape)
origin1=np.array(origin)
print(origin1.shape)
for i in range(len(mask1)):
for j in range(len(mask1[i])):
#如果mask在这个区域是黑色的，则程序不需要这部分图片内容设定原图中该区域rgb=000
if (mask1[i][j][1]>=128):#保留嘴唇区域
pass
else:#其他区域变为黑色
origin1[i][j]=[0,0,0]
new_png = Image.fromarray(origin1)
new_png.show()
#new_png.save('testpic.JPG')
return new_png
#调用编写的函数，将嘴唇区域框选出来
cropped=masklayer(cropped_face,blank_mouse)
经过以上步骤，可以获取唇部区域并打印，如图所示。
4）提取图片颜色
颜色空间可以分为基色颜色空间和色、亮分离颜色空间两类。前者是RGB，后者包括YUV和HSV等。在RGB颜色空间中，任意色光F都可以用R、G、B三基色不同分量的相加混合而成：F=r[R]+r[G]+r[B]。 RGB色彩空间还可以用一个三维的立方体来描述，当三基色分量都为0 (最弱)时混合为黑色光;当三基色都为定值( 最大值由存储空间决定)时混合为白色光。
HSV颜色空间用下图描述。正对着的面为S=100%，Z轴为V值正方向，从左至右为H间隔60°展开。程序采用了《广告图片生成方法、装置以及存储介质》中的部分思想。
import colorsys
import PIL.Image as Image
def get_dominant_color(image):
#颜色模式转换，以便输出RGB颜色值
image = image.convert('RGB')
#生成缩略图，减少计算量，减小cpu压力，缩短运算时间
image.thumbnail((200, 200))
max_score =0
dominant_color = 0
for count,(r,g,b) in image.getcolors(image.size[0]*image.size[1]):
#忽略黑色背景
if (r<100) :
continue
#转换为HSV获取颜色饱和度，范围（0,1）
saturation = colorsys.rgb_to_hsv(r/255.0, g/255.0, b/255.0)[1]
#转换为YUV计算亮度
y = min(abs(r*2104+g*4130+b*802+4096+131072)>>13,235)
#将亮度从（16，235）缩放到（0,1）
y = (y-16.0)/(235-16)
#忽略高亮色
if y > 0.9:
continue
#选择饱和度高的颜色
#将饱和度加0.1，这样就不会通过将计数乘以0来完全忽略灰度颜色，但给它们较低的权重
score = (saturation+0.1)*count
if score > max_score:
max_score = score
dominant_color = (r,g,b)
return dominant_color
5）获取色号库
对色号库进行操作，计算共有多少种颜色，并根据计算结果将json文件中的数据存为数组，转换为list方便操作。
def RGBhex_2RGB(rgb_hex):
#print(rgb_hex) 调试代码
RGB=[0,0,0]
temp_num=0
for i in range(len(rgb_hex)):
temp_num=0
temp=rgb_hex[i]
if(i!=0):
#将字母转换为ASCII表中位置
if(temp>='A'and temp<='F'):
temp_num=ord(temp)-55
#将ABCDEF转换为10~15间的数字
else:
#将字符数字转换为0~9间的数字
temp_num=ord(temp)-48
if(i%2==1):
#根据位置乘进制
RGB[int((i/2)-0.5)]=RGB[int((i/2)-0.5)]+16*temp_num
else:
RGB[int((i/2)-0.5)]=RGB[int((i/2)-0.5)]+temp_num
#print(RGB)调试代码
return RGB
import numpy as np
import json
#对色号库进行操作
#将品牌、系列颜色ID和颜色名称保存到汇总列表中
def operate(target_color):
sum_all=0
with open('lipstick.json', 'r', encoding='utf-8') as f:
js2dic = json.load(f)
#读取json
brands_n=len(js2dic['brands'])
print(brands_n)
series_n=0
for brands_i in range(brands_n):
series_n=len(js2dic['brands'][brands_i]['series'])
print("{0} has {1} series".format((js2dic['brands'][brands_i]['name']),series_n))
for series_i in range(series_n):
brand_name=js2dic['brands'][brands_i]['name']
lip_name=js2dic['brands'][brands_i]['series'][series_i]['name']
color_num=len(js2dic['brands'][brands_i]['series'][series_i]['lipsticks'])
sum_all=color_num+sum_all
#计算颜色总数
print(sum_all)
catalog=np.zeros((sum_all,4), dtype=(str,20))
catalog_color=np.zeros((sum_all,3), dtype=int)
#根据颜色数分配空间
rank_color=np.zeros((sum_all,1),dtype=int)
6）比较并得出结果
提取出的颜色与库中颜色比较，得到误差最小的三组数据。将每个色号在R、G、B三个分量的数值与提取出的颜色RGB值分别做差并求和（权重自定），作为两个颜色的相似度。
#catalog分为四部分：品牌名称、唇膏名称、色号ID、色号值
#将信息存入表格，这个循环可以将信息存入Python程序建立数组中
sum_i=0
for brands_i in range(brands_n):
series_n=len(js2dic['brands'][brands_i]['series'])
#print("brand_name",js2dic['brands'][brands_i]['name'])
catalog[sum_i][0]=js2dic['brands'][brands_i]['name']
for series_i in range(series_n): color_num=len(js2dic['brands'][brands_i]['series'][series_i]['lipsticks'])
for color_i in range(color_num):
catalog[sum_i][0]=js2dic['brands'][brands_i]['name'] catalog[sum_i][1]=js2dic['brands'][brands_i]['series'][series_i]['name'] catalog[sum_i][2]=js2dic['brands'][brands_i]['series'][series_i]['lipsticks'][color_i]['name'] catalog[sum_i][3]=js2dic['brands'][brands_i]['series'][series_i]['lipsticks'][color_i]['id'] catalog_color[sum_i]=RGBhex_2RGB(js2dic['brands'][brands_i]['series'][series_i]['lipsticks'][color_i]['color'])
sum_i+=1
#print(sum_i)调试代码
print(catalog.shape)
RGB_distance=np.zeros((sum_all,1), dtype=float)
for i in range(sum_all):
#计算相似度，target是此前通过domain得到的值
RGB_distance[i]=abs(target_color[0]-catalog_color[i][0])+abs((target_color[1]-catalog_color[i][1])*(1/5))+abs(target_color[2]-catalog_color[i][2])
RGB_distance.tolist()
result=sorted(range(len(RGB_distance)), key=lambda k: RGB_distance[k])
#获得颜色最像的三只口红（以颜色的相近度为规则排序，返回位置数据）
print("颜色最像的三只口红及其颜色")
result_show=[]
for i in range(3):
loc=result[i]
color_show=tuple(catalog_color[loc])
print("catalog index",catalog[loc],color_show)
#operate([155, 44, 69]) 调试代码
if __name__ == '__main__':
get=get_dominant_color(cropped)
print("获得的口红颜色{0}".format(get))
#计算相似度，get是此前通过domain得到的值
operate(get)
7）创建图形化界面
使用designer工具创建GUI文件，并使用pyuic工具进行ui到.py文件的转换。对该*.py文件不建议直接修改，一般使用import其他文件定义操作类的方法进行信号和槽的链接。
#-*- coding: utf-8 -*-
#从读取ui文件“myuidesign.ui”生成的窗体实现
#创建人：PyQt5 UI代码生成器5.10
#警告！此文件中做的所有更改都将丢失
from PyQt5 import QtCore, QtGUI, QtWidgets
from PyQt5.QtWidgets import QFileDialog, QWidget,QGraphicsScene
from PyQt5.QtCore import QFileInfo
from detectface import my_face_recognition
try:
_fromUtf8 = QtCore.QString.fromUtf8
except AttributeError:
def _fromUtf8(s):
return s
try:
_encoding = QtGUI.QApplication.UnicodeUTF8
def _translate(context, text, disambig):
return QtWidgets.QApplication.translate(context, text, disambig, _encoding)
except AttributeError:
def _translate(context, text, disambig):
return QtWidgets.QApplication.translate(context, text, disambig)
#以上代码处理了文字的编码格式
#建立UI函数
class Ui_Dialog(object):
def __init__(self):
super(Ui_Dialog, self).__init__()
self.imgPath=""
self.face_recognize_object =None
self.showFullImage = True
self.brand=[]
self.color=[]
def setupUi(self, Form): #设置界面
Form.setObjectName("Form")
Form.resize(817, 630)
self.horizontalLayoutWidget = QtWidgets.QWidget(Form)
self.horizontalLayoutWidget.setGeometry(QtCore.QRect(10,20,801,611))
self.horizontalLayoutWidget.setObjectName("horizontalLayoutWidget")
self.horizontalLayout = QtWidgets.QHBoxLayout(self.horizontalLayoutWidget)
self.horizontalLayout.setContentsMargins(0, 0, 0, 0)
self.horizontalLayout.setObjectName("horizontalLayout")
self.verticalLayout_3 = QtWidgets.QVBoxLayout()
self.verticalLayout_3.setObjectName("verticalLayout_3")
self.label = QtWidgets.QLabel(self.horizontalLayoutWidget)
self.label.setMinimumSize(QtCore.QSize(330, 50))
font = QtGUI.QFont()
font.setFamily("汉仪唐美人W")
font.setPointSize(36)
font.setUnderline(False)
self.label.setFont(font)
self.label.setWordWrap(False)
self.label.setObjectName("label")
self.verticalLayout_3.addWidget(self.label)
self.graphicsView=QtWidgets.QGraphicsView(self.horizontalLayoutWidget)
self.graphicsView.setObjectName("graphicsView")
self.verticalLayout_3.addWidget(self.graphicsView)
self.pushButton = QtWidgets.QPushButton(self.horizontalLayoutWidget)
font = QtGUI.QFont()
font.setFamily("汉仪唐美人W")
self.pushButton.setFont(font)
self.pushButton.setObjectName("pushButton")
self.pushButton.setMinimumSize(QtCore.QSize(20, 50))
self.verticalLayout_3.addWidget(self.pushButton)
self.horizontalLayout.addLayout(self.verticalLayout_3)
self.verticalLayout_4 = QtWidgets.QVBoxLayout()
self.verticalLayout_4.setObjectName("verticalLayout_4")
self.label_2 = QtWidgets.QLabel(self.horizontalLayoutWidget)
self.label_2.setMinimumSize(QtCore.QSize(330, 50))
font = QtGUI.QFont()
font.setFamily("汉仪唐美人W")
font.setPointSize(36)
self.label_2.setFont(font)
self.label_2.setObjectName("label_2")
self.verticalLayout_4.addWidget(self.label_2)
self.textBrowser= QtWidgets.QTextBrowser(self.horizontalLayoutWidget)
self.textBrowser.setObjectName("textBrowser")
self.verticalLayout_4.addWidget(self.textBrowser)
self.pushButton_2= QtWidgets.QPushButton(self.horizontalLayoutWidget)
font = QtGUI.QFont()
font.setFamily("汉仪唐美人W")
self.pushButton_2.setFont(font)
self.pushButton_2.setObjectName("pushButton_2")
self.pushButton_2.setMinimumSize(QtCore.QSize(20, 50))
self.verticalLayout_4.addWidget(self.pushButton_2)
self.horizontalLayout.addLayout(self.verticalLayout_4)
self.retranslateUi(Form)
self.pushButton.clicked.connect(self.on_pushButton_clicked)
self.pushButton_2.clicked.connect(self.on_pushButton_2_clicked)
QtCore.QMetaObject.connectSlotsByName(Form)
def on_pushButton_clicked(self):
#get the image path and show it in the view
self.face_recognize_object = my_face_recognition()
fileName, filetype = QFileDialog.getOpenFileName(None, "选择文件", r"此处需要填写文件路径的起点", "Images (*.png *.jpg)")
self.imgPath=fileName
print (self.imgPath)
if self.imgPath != '':
self.face_recognize_object.operates_(self.imgPath)
if self.showFullImage == True:
self.face_recognize_object.showImg('original')
scene = QGraphicsScene() #创建场景
pixmap = QtGUI.QPixmap(self.imgPath)
#调用QtGUI.QPixmap方法，打开一个图片，存放在变量中
scene.addItem(QtWidgets.QGraphicsPixmapItem(pixmap))
#添加图片到场景中
self.graphicsView.setScene(scene)
#将场景添加到graphicsView中
self.graphicsView.show()
#显示
self.textBrowser.clear()
self.textBrowser.append(str(self.face_recognize_object.errdet))
#输出图片是否合法
def on_pushButton_2_clicked(self):
self.face_recognize_object.AI()
self.brand=self.face_recognize_object.register_lps
self.color=self.face_recognize_object.register_rgb
print(self.brand)
self.textBrowser.clear()
self.textBrowser.append(str(self.face_recognize_object.errdet))
#输出错误信息，若图片不合法则在引用的函数返回为空。若图片合法则会继续输出，看到口红信息
strout="最像您输入口红的三只色号库内口红分别为!"
flag=0 #设定flag用于检测是否非法
for i in range(len(self.brand)):
flag=1 #如果是合法输入，那么flag就会置1，后续不会提示错误
strout=strout+'\n'
print("flag1")
for j in range(len(self.brand[i])):
if(self.brand[i][j]!='none'):
strout=strout+str(self.brand[i][j])
self.textBrowser.append(strout)
if(flag==0):
self.textBrowser.clear()
self.textBrowser.append("这张图片不可以进行处理，请换一张吧")
print("flag0")
#一些有关UI的固定操作，来自ui->py文件的转换器
def retranslateUi(self, Form):
_translate = QtCore.QCoreApplication.translate
Form.setWindowTitle(_translate("Form", "Form"))
self.label.setText(_translate("Form", " Original pic"))
self.pushButton.setText(_translate("Form", "选择文件"))
self.label_2.setText(_translate("Form", " result"))
self.pushButton_2.setText(_translate("Form", "开始识别"))
if __name__ == "__main__":
import sys
app = QtWidgets.QApplication(sys.argv)
Dialog = QtWidgets.QDialog()
ui = Ui_Dialog()
ui.setupUi(Dialog)
Dialog.show()
sys.exit(app.exec_())
8）将流程封装为类和函数
将之前描述的主流程代码封装为一个类，通过UI_*.py程序调用这个类中的函数实现相关分类:
def operates_(self,input_path):
self.imgPath=input_path #展示图片
def AI(self):
self.load_pic()
self.get=self.get_dominant_color(self.resultImg)
print("the extracted RGB value of the color is {0}".format(self.get))
self.data_operate()
def errordetect(self): #错误处理
image = face_recognition.load_image_file(self.imgPath)
face_locations = face_recognition.face_locations(image)
if(len(face_locations)!=1): #不是仅有一张人脸在图片中
if(len(face_locations)==0): #未检测到
self.errdet="more/less than one face in the pic"
return "can't find people"
else：#不只一个人
self.errdet="more/less than one face in the pic"
return "more/less than one face in the pic"
else:
return "DEAL"
9）对GUI的显示效果进行美化
通过一个小组件对GUI的风格进行转换，改变GUI的外观。引入QCandyUi包:
from QCandyUi import CandyWindow
#调整按钮的大小使之更清晰可见
self.pushButton.setMinimumSize(QtCore.QSize(20, 50))
self.pushButton_2.setMinimumSize(QtCore.QSize(20, 50))
#改变定义窗口类的调用方式
if __name__ == "__main__":
import sys
app = QtWidgets.QApplication(sys.argv)
Dialog = QtWidgets.QDialog()
ui = Ui_Dialog()
ui.setupUi(Dialog)
Dialog = CandyWindow.createWindow(Dialog, 'pink') #增加，使QCandyUi运行
Dialog.show()
sys.exit(app.exec_())
系统测试
未进行操作时的图形化界面如图所示。
运行程序，当输入一张合规的照片，即输入一张有且只有一个可识别面孔时，右侧文本框中显示的DEAL，如图所示。
单击“开始识别”，输出的对应色号如图所示。
对比得到的色号和官网试色图，如图所示。
若不符合输入照片要求会出现错误提示，单击“开始识别”后会弹出不可识别的提示，如下两图所示。
工程源代码下载
其它资料下载
如果大家想继续了解人工智能相关学习路线和知识体系，欢迎大家翻阅我的另外一篇博客《重磅 | 完备的人工智能AI 学习——基础知识学习路线，所有资料免关注免套路直接网盘下载》
这篇博客参考了Github知名开源平台，AI技术平台以及相关领域专家：Datawhale，ApacheCN，AI有道和黄海广博士等约有近100G相关资料，希望能帮助到所有小伙伴们。