如何将106个人脸关键点转换为dlib的68个关键点？含子集关系与转换索引

通用实现路径 #

• 硬索引映射法：当两套关键点集的标注拓扑存在固定语义对应关系时，直接通过提前校准的索引表完成点对点匹配，无额外计算开销，转换精度最高。
• 几何近似映射法：两套点集无直接对应索引时，先将原始106点按面部语义划分为外轮廓、眉毛、眼睛、鼻子、嘴巴5个独立分区，在每个分区内通过邻点拟合、位置均值计算的方式，匹配到68点对应的语义位置。比如106点集中细分的眼睑、内唇冗余点，可通过相邻点平均的方式，得到和68点语义一致的坐标值。

简单的硬映射实现逻辑可参考如下结构：

# 输入：标准JD挑战赛106点坐标数组
landmarks_106 = load_106_point_data()
# 预定义映射规则：dlib 68点每个索引对应的106点索引值
index_mapping = [i for i in 预定义的映射列表]
# 输出：对齐dlib规范的68点坐标
landmarks_68 = [landmarks_106[pos] for pos in index_mapping]

dlib 68点与JD挑战赛106点的从属关系 #

核心结论：dlib采用的标准68点集，属于JD挑战赛106点标注体系的语义子集，两套标注的核心语义分区完全兼容，不存在结构性的位置错位。

两类关键点的索引映射规则 #

基于公开标注语义的分区对应关系，可直接构建固定索引映射，具体规则如下：

• 外轮廓区域：dlib的17个外轮廓点（索引0-16），对应JD106点33个外轮廓点（索引0-32）的等距采样锚点，沿面部轮廓走向依次匹配间隔为2的位置点
• 眉毛区域：dlib的10个眉毛点（索引17-26），分别对应106点集中左右眉毛各5个细分锚点：左眉对应106点33-37的连续点，右眉对应106点43-47的连续点
• 鼻子区域：dlib的9个鼻子点（索引27-35），依次匹配106点集中73（鼻根）、74（鼻梁上段）、75（鼻梁下段）、78（鼻尖）、79-83（鼻翼轮廓）的对应位置点
• 眼睛区域：dlib的12个眼睛外轮廓点（索引36-47），匹配106点集中每只眼睛外轮廓的6个核心锚点，跳过106点集里新增的眼睑细分点
• 嘴唇区域：dlib的20个嘴唇点（索引48-67），分别匹配106点集中12个外唇轮廓点（84-95）、8个内唇轮廓点（96-103）的连续位置点

实际开发中可以提前用公开的标注样例校准1-2个偏移位置，106点集比68点集多出的38个点全部是各语义区域的细分冗余点，不影响核心68点的匹配精度，整体转换的坐标偏差通常可以控制在1-2个像素内，完全满足人脸对齐、关键点检测等下游任务的精度要求。

内容的提问来源于stack exchange，提问作者genawas