基于opencv+ImageAI+tensorflow的智能动漫人物识别系统——深度学习算法应用(含python、JS、模型源码)+数据集（四）-编程知识

前言
总体设计
- 系统整体结构图
- 系统流程图
运行环境
- 爬虫
- 模型训练
- 实际应用
模块实现
- 1. 数据准备
- - 1）爬虫下载原始图片
  - 2）手动筛选图片
- 2. 数据处理
- 3. 模型训练及保存
- 4. 模型测试
- - 1）前端
  - 2）后端
系统测试
- 1. 测试效果
- 2. 模型应用
- - 1）启动服务器端
  - 2）浏览器访问网页
  - 3）测试结果
相关其它博客
工程源代码下载
其它资料下载

在这里插入图片描述

前言

本项目通过爬虫技术获取图片，利用OpenCV库对图像进行处理，识别并切割出人物脸部，形成了一个用于训练的数据集。通过ImageAI进行训练，最终实现了对动漫人物的识别模型。同时，本项目还开发了一个线上Web应用，使得用户可以方便地体验和使用该模型。

首先，项目使用爬虫技术从网络上获取图片。这些图片包含各种动漫人物，其中我们只对人物脸部进行训练，所以我们会对图像进行处理，并最终将这些图像将作为训练数据的来源。

其次，利用OpenCV库对这些图像进行处理，包括人脸检测、图像增强等步骤，以便准确识别并切割出人物脸部。这一步是为了构建一个清晰而准确的数据集，用于模型的训练。

接下来，通过ImageAI进行训练。ImageAI是一个简化图像识别任务的库，它可以方便地用于训练模型，这里用于训练动漫人物的识别模型。

最终，通过项目开发的线上Web应用，用户可以上传动漫图像，系统将使用训练好的模型识别图像中的动漫人物，并返回相应的结果。

总的来说，本项目结合了爬虫、图像处理、深度学习和Web开发技术，旨在提供一个便捷的动漫人物识别服务。这对于动漫爱好者、社交媒体平台等有着广泛的应用前景。

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。

在这里插入图片描述

系统流程图

系统流程如图所示。

在这里插入图片描述

运行环境

本部分包括爬虫、模型训练及实际应用运行环境。

爬虫

安装Python3.6以上及Selenium3.0.2版本。

详见博客。

模型训练

本部分包括安装依赖、安装ImageAI。

详见博客。

实际应用

实际应用包括前端开发环境和后端环境的搭建。

详见博客。

模块实现

本项目包括4个模块：数据准备、数据处理、模型训练及保存、模型测试，下面分别介绍各模块的功能及相关代码。

1. 数据准备

本项目的数据来自于百度图片,通过爬虫获取。

1）爬虫下载原始图片

详见博客。

2）手动筛选图片

部分人物的名称、现实事物或人物有重名现象,加上一些图片质量不佳,需要人为剔除,手动筛选。

详见博客。

2. 数据处理

将图片中的人脸裁剪进行模型训练,切割人脸部分由OpenCV通过训练好的动漫人物脸部识别模型lbpcascade_animeface截取人物脸部。GitHub下载地址为https://github.com/nagadomi/lbpcascade_animeface。

详见博客。

3. 模型训练及保存

本部分包括设置基本参数、模型保存和模块预测。

详见博客。

4. 模型测试

模型测试分为前端和后端两部分。

1）前端

把用户选择的图片上传至服务器端，接收后端返回的预测结果并展示给用户，使用jQuery的Ajax收发数据:

    $.ajax({type: "POST",  //发送选择POST方法url: '/', //设定人物dataType: "json",  //接收结果类型为jsondata: formData,  //用户上传的图片cache: false,contentType: false,processData: false,error: function (XMLResponse) {console.log("error")},success: function (data) { //服务器成功返回结果document.getElementById('loading').style.display = "none";let template1 = document.getElementById('template1').innerHTML;document.getElementById('name').innerHTML = template(template1, {data: data.result}) //渲染展示结果模板document.getElementById('name').style.display = "block";}
});} else { document.getElementById('name').innerText = "请选择一张图片"; }
//前端页面框架
<body>
<div class="wrapper"><nav class="header navbar"><span class="navbar-brand mb-0 h1">动漫人物识别</span></nav><div class="content-wrapper"><div class="input-wrapper card"><img class="rounded img card-img-top" src="static/images/banner.jpg" id="preview"><div class="card-body" style="text-align: center"><button class="btn btn-secondary form-control"id="up">选择图片</button><input class="file" type="file" name="file" id="upload_input" value="选择一张图片"><button class="btn btn-primary form-control" onclick='confirm_up()'>点击上传</button><div class="form-control" id="loading" style="display: none"><img class="card-img-top"src="static/images/loading.gif" alt=""style="height: 20px;width: 20px; display: inline-block">uploading...</div></div></div><div class="predict-result card"><p class="card-header">预测结果: </p><div class="card-body predict" id="name"></div></div></div>
</div>
<script src="static/js/preview.js" type="text/javascript"></script>
</body>
//添加用户预览
let preview = document.querySelector('#preview');
let eleFile = document.getElementById('upload_input');
eleFile.addEventListener('change', function () {let file = this.files[0];console.log("Input change")//确认选择的文件是图片if (file.type.indexOf("image") == 0) {let reader = new FileReader();reader.readAsDataURL(file);reader.onload = function (e) {//图片转为base64let newUrl = this.result;preview.src = newUrl;};}document.getElementById('name').style.display = "none";
});
$(document).ready(function(){$('#up').click(function(){$('#upload_input').click();});
});

2）后端

后端使用Flask框架。

UPLOAD_FOLDER = 'uploader' #路径设置
ALLOWED_EXTENSIONS = {'png', 'jpg', 'jpeg', 'gif', 'jif'} #图片类型
app = Flask(__name__)
app.config['UPLOAD_FOLDER'] = UPLOAD_FOLDER
app.config['JSON_AS_ASCII'] = False
@app.route('/test')
def hello():return "hello world"
#检查文件类型
def allowed_file(filename):return '.' in filename and \filename.rsplit('.', 1)[1].lower() in ALLOWED_EXTENSIONS
@app.route('/', methods=['GET', 'POST'])
def upload_file():if request.method == 'POST':#检查请求命令是否有文件if 'file' not in request.files:#flash('No file part')return redirect(request.url)file = request.files['file']#如果用户没有选择文件，浏览器提交一个没有文件名的空文件if file.filename == '':# flash('No selected file')return redirect(request.url)if file and allowed_file(file.filename):filename = secure_filename(file.filename)file_path = os.path.join(app.config['UPLOAD_FOLDER'], filename)file_path = file_path.replace('\\', '/')  #解决路径问题if not os.path.exists(UPLOAD_FOLDER):os.mkdir(UPLOAD_FOLDER)file.save(file_path)print(file_path)result = predict.predict(file_path)return jsonify({'signal': 1, 'result': result, 'img_path': file_path})else:return render_template('index.html')
@app.route('/uploader/<filename>')
def uploaded_file(filename):return send_from_directory(app.config['UPLOAD_FOLDER'],filename)

系统测试

本部分包括测试效果和模型应用。

1. 测试效果

对3个动漫人物夏目贵志、初音未来(miku)和御坂美琴进行测试。模型预测输出两个结果,分别是可能的人物名称及对应概率。

测试一：夏目贵志(见图3和图4)。
在这里插入图片描述

图3 测试-夏目贵志

在这里插入图片描述

图4 夏目贵志测试结果

测试二：初音未来(miku)(见图5和图6)。

在这里插入图片描述

图5 测试-miku

在这里插入图片描述

图6 miku测试结果

测试三：御坂美琴(见图7和图8)。

在这里插入图片描述

图7 测试-御坂美琴

在这里插入图片描述

图8 御坂美琴测试结果

2. 模型应用

本部分包括启动服务器端、浏览器访问网页和测试结果。

1）启动服务器端

配置环境后启动服务器端,结果如图所示。
在这里插入图片描述

2）浏览器访问网页

在浏览器输入地址并访问页面,如图所示。

在这里插入图片描述

3）测试结果

选择一张图片，单击【点击上传】按钮,页面左侧将展示所选择的图片，右侧展示预测的3个结果，并按可能性生从高到低排列，如图所示。由结果可以看出，选择了一张初音的图片,右侧返回的测试结果显示有49.06%的可能性为初音。

在这里插入图片描述

工程源代码下载

详见本人博客资源下载页

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。