如何使用Python直接获取面部特征测量值及相关可用库有哪些

可用的相关工具库 #

目前Python生态中有多个成熟的库可以实现人脸特征点检测、面部尺寸计算的需求，常用的包括：

• dlib：最经典的人脸处理工具库，自带开源的68点人脸特征点预训练模型，覆盖眉毛、眼睛、鼻子、嘴唇、面部轮廓全关键区域，是做面部尺寸计算最常用的底层依赖
• OpenCV：主要用于图像读取、预处理、坐标绘制，本身也支持人脸检测，可配合dlib或自带的关键点检测模型使用
• face_recognition：基于dlib封装的上层工具库，API更简洁，新手上手门槛更低，可直接调用接口获取人脸特征点坐标
• MediaPipe：谷歌推出的轻量级人脸处理框架，提供468点3D人脸网格模型，对侧脸、小尺寸人脸的检测效果更好，适合需要更高精度的精细面部测量场景

核心实现逻辑 #

你需要的两眼间距、眉长、唇部厚度等面部尺寸，本质上都是先检测到对应区域的特征点坐标，再计算坐标之间的像素距离即可得到。如果需要换算为毫米等实际物理尺寸，只需要在拍摄图像时放入一个已知实际尺寸的参照物（比如身份证、标准硬币），计算参照物的像素长度得到换算比例，再将所有像素尺寸乘以该比例即可。

基础实现示例（基于dlib） #

import cv2
import dlib
import numpy as np

# 加载dlib人脸检测器和68点特征点检测模型
# 注意：需提前下载dlib官方开源的shape_predictor_68_face_landmarks.dat预训练模型文件
detector = dlib.get_frontal_face_detector()
predictor = dlib.shape_predictor("shape_predictor_68_face_landmarks.dat")

# 读取待检测的人脸图像
img = cv2.imread("test_face.jpg")
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 检测图像中的人脸
faces = detector(gray)
for face in faces:
    # 获取当前人脸的68个特征点坐标
    landmarks = predictor(gray, face)
    point_list = np.array([[p.x, p.y] for p in landmarks.parts()])
    
    # 计算两眼间距：取左眼左端点（36号点）到右眼右端点（45号点）的欧氏距离
    eye_distance = np.linalg.norm(point_list[36] - point_list[45])
    print(f"两眼像素间距：{eye_distance:.2f}")
    
    # 计算左眉长度：取左眉左端点（17号点）到左眉右端点（21号点）的欧氏距离
    left_brow_length = np.linalg.norm(point_list[17] - point_list[21])
    print(f"左眉像素长度：{left_brow_length:.2f}")
    
    # 计算唇部厚度：取上唇最上端点（51号点）到下唇最下端点（57号点）的欧氏距离
    lip_thickness = np.linalg.norm(point_list[51] - point_list[57])
    print(f"唇部像素厚度：{lip_thickness:.2f}")

代码补充说明 #

• 68点人脸特征点的编号是行业通用标准，你可以根据编号对应到不同的面部区域，按需计算需要的任意面部尺寸
• 如果需要3D维度的尺寸计算，可替换为MediaPipe的468点人脸模型，支持更多维度的点位获取

注意事项 #

• 拍摄图像时尽量保证人脸正对镜头，避免过大的俯仰、侧转角度，否则会产生透视误差，影响尺寸计算精度
• 所有提到的预训练模型都有公开的开源下载渠道，不需要额外付费使用

内容的提问来源于stack exchange，提问作者Ismail Faiz