26 KiB
26 KiB
接口 1：四庭七眼测量 — 技术实现方案
基于 MediaPipe Face Mesh（468 关键点）+ 人脸比例先验知识
1. 模型选型
1.1 调研结论
调研了以下人脸关键点检测模型：
| 模型 | 关键点数 | 覆盖范围 | Python 支持 | 备注 |
|---|---|---|---|---|
| MediaPipe Face Mesh | 468 / 478 | 额头中部 → 下巴（不含发际线以上） | ✅ mediapipe 包 |
Google 官方，实时性能好 |
| dlib 68-point (300-W) | 68 | 眉毛 → 下巴 | ✅ dlib |
经典方法，无额头覆盖 |
| WFLW 98-point | 98 | 眉毛 → 下巴（额头仅 2 点） | ⚠️ 需额外模型 | 仍无头顶/发际线 |
| 3DDFA_V2 | 68+ 3D mesh | 类似 MediaPipe | ⚠️ 推理较慢 | 3D 重建更完整 |
| SPIGA | 68 | 眉毛 → 下巴 | ✅ | 实时性不如 MediaPipe |
结论：目前没有开源模型能直接检测「头顶」和「真实发际线」关键点。 所有模型在向上（额头以上）方向均存在覆盖盲区。因此采用 MediaPipe Face Mesh (468 点) + 方案 A（人脸比例推算）。
1.2 为什么用 468 点而非 478 点
478 点比 468 点多出 10 个虹膜（iris）关键点（索引 468–477），仅用于眼球追踪。四庭七眼测量不需要虹膜数据，468 点完全满足需求。使用经典 mp.solutions.face_mesh API，模型内置于 pip 包中，无需单独下载 .task 文件。
1.3 国内安装方式
# 使用清华镜像安装 mediapipe 及依赖
pip install mediapipe opencv-python pillow numpy -i https://pypi.tuna.tsinghua.edu.cn/simple/
经典 Solutions API 模型文件已打包在 wheel 包内（路径：mediapipe/modules/face_landmark/），安装后直接可用，无需额外下载。
2. 关键点索引映射
MediaPipe Face Mesh 对 468 个点按固定拓扑编号，以下是四庭七眼测量所需的关键索引：
2.1 四庭纵向关键点
★ 头顶 (hair_top) ← 方案A推算，非MediaPipe直接检测
│ 顶庭 (~22%)
★ 发际线 (hairline) ← 方案A推算，非MediaPipe直接检测
│ 上庭 (~25%)
★ 眉心 (brow_center) ← 索引 9 或 151（glabella，双眉间）
│ 中庭 (~28%)
★ 鼻翼下缘 (nose_bottom) ← 索引 94（subnasale / 人中顶部）
│ 下庭 (~25%)
★ 下巴尖 (chin_tip) ← 索引 152（menton）
| 测量点 | MediaPipe 索引 | 说明 |
|---|---|---|
| 头顶 | 无直接索引 | 由发际线 + 顶庭比例向上推算 |
| 发际线 | 无直接索引 | 由眉心 + 上庭比例向上推算 |
| 眉心 | 9 或 151 | glabella，双眉间中心点；两个点取中点 |
| 鼻翼下缘 | 94 | subnasale，鼻小柱底部与人中交界处 |
| 下巴尖 | 152 | menton，下颌最低点 |
2.2 七眼横向关键点
左脸 左眼外角 左眼内角 右眼内角 右眼外角 右脸
│ │ │ │ │ │
234 ←────── 33 ───── 133 ──── 两眼间距 ──── 362 ───── 263 ──────→ 454
│ │← 眼宽 →│ ← 两眼间距 → │← 眼宽 →│ │
│←──────────────── 脸宽 ──────────────────────────────→│
| 测量项目 | 左端索引 | 右端索引 | 说明 |
|---|---|---|---|
| 左眼宽度 | 33（外眼角） | 133（内眼角） | 水平距离 |
| 右眼宽度 | 263（外眼角） | 362（内眼角） | 水平距离 |
| 两眼间距 | 133（左内眼角） | 362（右内眼角） | 内眦间距 |
| 脸宽 | 234（左颧弓） | 454（右颧弓） | 面部最宽处水平距离 |
注：脸宽使用 face oval 轮廓上颧弓高度对应的点。索引 234（左）和 454（右）位于 cheekbone 高度，是 face oval 路径
...→234→127→162→21→...和...→454→356→389→251→...上的点。
2.3 参考索引速查表
| 索引 | 解剖位置 | 所属区域 |
|---|---|---|
| 4 | 鼻尖 (nose tip) | 鼻子 |
| 9, 151 | 眉间 / glabella | 眉心 |
| 10 | 额头顶端 (forehead top) — 不是发际线 | 额头 |
| 33 | 左眼外眼角 | 左眼 |
| 94 | 鼻翼下缘 / subnasale | 鼻子底部 |
| 133 | 左眼内眼角 | 左眼 |
| 152 | 下巴尖 / menton | 下巴 |
| 234 | 左脸颧弓处 | 面部轮廓 |
| 263 | 右眼外眼角 | 右眼 |
| 362 | 右眼内眼角 | 右眼 |
| 454 | 右脸颧弓处 | 面部轮廓 |
Face Oval 连通路径（面部轮廓线，用于验证脸宽点选择）：
10→338→297→332→284→251→389→356→454→323→361→288→397→365→379→378→400→377→152→148→176→149→150→136→172→58→132→93→234→127→162→21→54→103→67→109→(回到10)
3. 厘米换算方案
3.1 转换原理
MediaPipe 输出的关键点坐标是 归一化像素坐标：
x ∈ [0, 1]，归一化于图像宽度y ∈ [0, 1]，归一化于图像高度z为相对深度（以头部中心为零点，向镜头方向为负）
需要将归一化坐标转为像素坐标，再通过尺度参照物转为厘米。
3.2 像素坐标恢复
def normalized_to_pixel(landmark, image_width, image_height):
"""归一化坐标 → 像素坐标"""
x_px = landmark.x * image_width
y_px = landmark.y * image_height
return x_px, y_px
def pixel_distance(p1, p2):
"""两点像素距离"""
return ((p1[0] - p2[0])**2 + (p1[1] - p2[1])**2) ** 0.5
3.3 尺度校准：虹膜直径法
原理：人类虹膜直径高度稳定，成人平均 11.7 mm（标准差 ≈ 0.5 mm，约 4%），可作为天然标尺。
AVG_IRIS_DIAMETER_CM = 1.17 # 11.7 mm
# MediaPipe 虹膜关键点（开启 refine_landmarks=True 后可用）
IRIS_LEFT_CENTER = 468 # 左眼虹膜中心
IRIS_RIGHT_CENTER = 473 # 右眼虹膜中心
# 虹膜边界点（取上/下或左/右两个边缘点计算直径）
IRIS_LEFT_LEFT = 469 # 左虹膜左边缘
IRIS_LEFT_RIGHT = 471 # 左虹膜右边缘
IRIS_RIGHT_LEFT = 474 # 右虹膜左边缘
IRIS_RIGHT_RIGHT = 476 # 右虹膜右边缘
def estimate_scale_factor(landmarks, image_width, image_height):
"""通过虹膜直径估算 px → cm 缩放因子
Returns:
px_per_cm: 每厘米对应多少像素
"""
# 左眼虹膜像素直径
iris_left_l = normalized_to_pixel(landmarks[IRIS_LEFT_LEFT], image_width, image_height)
iris_left_r = normalized_to_pixel(landmarks[IRIS_LEFT_RIGHT], image_width, image_height)
iris_left_diameter_px = pixel_distance(iris_left_l, iris_left_r)
# 右眼虹膜像素直径
iris_right_l = normalized_to_pixel(landmarks[IRIS_RIGHT_LEFT], image_width, image_height)
iris_right_r = normalized_to_pixel(landmarks[IRIS_RIGHT_RIGHT], image_width, image_height)
iris_right_diameter_px = pixel_distance(iris_right_l, iris_right_r)
# 取平均，减少误差
avg_iris_diameter_px = (iris_left_diameter_px + iris_right_diameter_px) / 2
px_per_cm = avg_iris_diameter_px / AVG_IRIS_DIAMETER_CM
return px_per_cm
注意：虹膜关键点（索引 468–477）需要
FaceMesh(refine_landmarks=True)才会输出。如果不启用refine_landmarks，可用眼宽（外眼角→内眼角）作为替代标尺，人类平均眼裂宽度约 27–30 mm，精度略低。
3.4 备用校准：人脸比例法
若虹膜数据不可用，也可用 460 点基础模型的脸宽比例估算：
# 基于三庭五眼理想比例
# 脸宽 (234→454 px) ≈ 5 眼宽 ≈ 5 × (脸宽的 1/5)
# 已知脸宽距离的像素值，参考人脸统计平均脸宽 ~14 cm (女性) ~15 cm (男性)
# 得 px_per_cm = face_width_px / 14.5 (粗略)
此方法误差较大（±15%），建议优先使用虹膜法。对测量误差要求不严格的场景可接受。
4. 方案 A：人脸比例推算头顶 & 发际线
4.1 核心思路
MediaPipe 可以精确检测 眉心、鼻翼下缘、下巴尖 三个关键点（均位于面部中轴线）。利用「三庭五眼」标准比例，向上推算发际线和头顶位置。
4.2 比例参数
根据需求文档中的 Mock 数据反推（顶庭:上庭:中庭:下庭 = 22%:25%:28%:25%），以及经典三庭五眼理论（三庭等分），定义两套可选参数：
方案比例（基于Mock数据）：
顶庭 : 上庭 : 中庭 : 下庭 = 0.22 : 0.25 : 0.28 : 0.25
经典三庭比例（上庭=中庭=下庭）：
上庭 : 中庭 : 下庭 = 1 : 1 : 1
顶庭 ≈ 0.2 × 全脸高度（通过统计）
实际采用混合策略：以实测中庭和下庭为基准，按标准比例推算上庭和顶庭。
4.3 推算公式
def estimate_vertical_landmarks(landmarks, image_width, image_height):
"""
输入: MediaPipe 468 landmarks + 图像尺寸
输出: 5 个关键点像素坐标 + 各段像素距离
"""
# --- 1. 提取可直接检测的关键点 ---
# 眉心 (glabella)：索引 9 和 151 的中点
glabella_9 = normalized_to_pixel(landmarks[9], image_width, image_height)
glabella_151 = normalized_to_pixel(landmarks[151], image_width, image_height)
brow_center_y = (glabella_9[1] + glabella_151[1]) / 2
brow_center_x = (glabella_9[0] + glabella_151[0]) / 2
# 鼻翼下缘 (subnasale)：索引 94
nose_bottom = normalized_to_pixel(landmarks[94], image_width, image_height)
# 下巴尖 (menton)：索引 152
chin_tip = normalized_to_pixel(landmarks[152], image_width, image_height)
# --- 2. 计算实测段长度 (像素) ---
middle_court_px = abs(brow_center_y - nose_bottom[1]) # 眉心 → 鼻翼下缘
lower_court_px = abs(nose_bottom[1] - chin_tip[1]) # 鼻翼下缘 → 下巴尖
# --- 3. 推算上庭和顶庭 ---
# 以中庭和下庭的平均值作为基准"一等份"（减小个体差异）
one_unit_px = (middle_court_px + lower_court_px) / 2 # 一等份 ≈ 中庭/下庭的平均
# 上庭 ≈ 一等份（经典三庭等分）或根据实际中庭比例微调
upper_court_px = one_unit_px * (0.25 / 0.265) # 上庭 25% vs 中庭/下庭平均 26.5%
# 顶庭 ≈ 中庭 × (22%/28%) 或 ≈ 0.79 × one_unit_px
top_court_px = one_unit_px * (0.22 / 0.28) # 约 0.786 × one_unit_px
# --- 4. 推算头顶和发际线 Y 坐标 ---
hairline_y = brow_center_y - upper_court_px
hair_top_y = hairline_y - top_court_px
# --- 5. 计算全脸总高度 ---
face_total_height_px = hair_top_y - chin_tip[1] # 注意 Y 轴方向（向下为正）
return {
"hair_top": (brow_center_x, hair_top_y),
"hairline": (brow_center_x, hairline_y),
"brow_center": (brow_center_x, brow_center_y),
"nose_bottom": (nose_bottom[0], nose_bottom[1]),
"chin_tip": (chin_tip[0], chin_tip[1]),
# 各段像素高度
"top_court_px": top_court_px,
"upper_court_px": upper_court_px,
"middle_court_px": middle_court_px,
"lower_court_px": lower_court_px,
"face_total_height_px": face_total_height_px,
}
4.4 像素 → 厘米转换
def pixels_to_cm(vertical_result, px_per_cm):
"""将像素距离转为厘米"""
return {
"top_court_cm": vertical_result["top_court_px"] / px_per_cm,
"upper_court_cm": vertical_result["upper_court_px"] / px_per_cm,
"middle_court_cm": vertical_result["middle_court_px"] / px_per_cm,
"lower_court_cm": vertical_result["lower_court_px"] / px_per_cm,
"face_total_height_cm": vertical_result["face_total_height_px"] / px_per_cm,
}
5. 七眼测量实现
七眼测量全部基于可直接检测的关键点（无需推算），精度较好。
def measure_seven_eyes(landmarks, image_width, image_height):
"""
测量眼宽、脸宽、两眼间距（像素）
返回像素值，后续通过 px_per_cm 转为厘米
"""
# 左眼外/内角
left_outer = normalized_to_pixel(landmarks[33], image_width, image_height)
left_inner = normalized_to_pixel(landmarks[133], image_width, image_height)
# 右眼内/外角
right_inner = normalized_to_pixel(landmarks[362], image_width, image_height)
right_outer = normalized_to_pixel(landmarks[263], image_width, image_height)
# 脸宽
left_cheek = normalized_to_pixel(landmarks[234], image_width, image_height)
right_cheek = normalized_to_pixel(landmarks[454], image_width, image_height)
eye_width_px = pixel_distance(left_outer, left_inner) # 左眼宽（也可用右眼或平均）
right_eye_width_px = pixel_distance(right_inner, right_outer)
avg_eye_width_px = (eye_width_px + right_eye_width_px) / 2
inter_eye_px = pixel_distance(left_inner, right_inner) # 两眼间距
face_width_px = pixel_distance(left_cheek, right_cheek) # 脸宽
return {
"eye_width_px": avg_eye_width_px,
"face_width_px": face_width_px,
"inter_eye_distance_px": inter_eye_px,
}
占比计算
# 七眼比例（眼宽/脸宽，间距/脸宽）
eye_width_ratio = eye_width_px / face_width_px
inter_eye_ratio = inter_eye_px / face_width_px
# 四庭比例（各段 / 全脸总高）
for court in ["top", "upper", "middle", "lower"]:
ratios[f"{court}_court"] = result[f"{court}_court_px"] / face_total_height_px
6. 标注图片生成
需求要求输出仅包含标注图层、不含人物的 PNG 图片，规格如下：
| 项目 | 要求 |
|---|---|
| 字体色 / 线色 | #FFFFFF 100% |
| 字体 | PingFangSC-Regular 10pt |
| 线宽 | 1pt |
| 四庭数值位置 | 图片左侧 |
| 七眼间距数值 | 上下穿插展示 |
| 横线/竖线 | 渐变消失 |
| 虚线 | 两侧带箭头 |
实现方案
使用 Pillow (PIL) 的 ImageDraw 生成透明底 PNG，画布尺寸与输入原图一致。
from PIL import Image, ImageDraw, ImageFont
import math
def create_annotated_image(input_image_path, vertical_result, eye_result, px_per_cm):
"""生成标注图层 PNG（透明底，仅标注）"""
# 读取原图获取尺寸
original = Image.open(input_image_path)
width, height = original.size
# 创建透明画布 (RGBA, A=0)
canvas = Image.new("RGBA", (width, height), (0, 0, 0, 0))
draw = ImageDraw.Draw(canvas)
# 字体（尝试 PingFangSC，降级为系统默认中文字体）
try:
font = ImageFont.truetype("PingFangSC-Regular", 10)
except:
font = ImageFont.load_default() # 降级方案
line_color = (255, 255, 255, 255) # #FFFFFF 100%
line_width = 1 # 1pt
# --- 1. 绘制四庭水平分界线（渐变消失效果） ---
courts = [
("hair_top", vertical_result["hair_top"]),
("hairline", vertical_result["hairline"]),
("brow_center", vertical_result["brow_center"]),
("nose_bottom", vertical_result["nose_bottom"]),
("chin_tip", vertical_result["chin_tip"]),
]
for name, (cx, cy) in courts:
# 绘制从中心向两侧渐变的水平线
draw_gradient_horizontal_line(draw, cx, cy, width, line_color, line_width)
# --- 2. 绘制四庭数值（左侧标注） ---
court_values = [
("顶庭", vertical_result["top_court_px"] / px_per_cm),
("上庭", vertical_result["upper_court_px"] / px_per_cm),
("中庭", vertical_result["middle_court_px"] / px_per_cm),
("下庭", vertical_result["lower_court_px"] / px_per_cm),
]
left_margin = 20
for i, (label, cm_val) in enumerate(court_values):
# 标注在对应段落中间高度
y_start = courts[i][1][1]
y_end = courts[i+1][1][1]
y_mid = (y_start + y_end) / 2
text = f"{label} {cm_val:.2f}cm"
draw.text((left_margin, y_mid), text, fill=line_color, font=font)
# --- 3. 绘制七眼标注（上下穿插） ---
# 眼宽标注在上方，间距标注在下方
# （具体位置根据实际坐标布局）
# ... (详细绘制逻辑见完整实现)
# --- 4. 绘制虚线箭头 ---
# 在分界点位置绘制水平虚线，两端带箭头
return canvas
渐变线实现
def draw_gradient_horizontal_line(draw, cx, cy, img_width, color, line_width):
"""以 (cx, cy) 为中心，向两侧绘制渐变消失的水平线"""
max_alpha = color[3] # 255
half_length = img_width // 3 # 渐变线长度
for side in [-1, 1]: # 左 (-1) / 右 (+1)
for i in range(half_length):
# 线性衰减 alpha
alpha = int(max_alpha * (1 - i / half_length))
x = cx + side * i
if 0 <= x < img_width:
draw.point((x, cy), fill=(color[0], color[1], color[2], alpha))
虚线带箭头
def draw_dashed_line_with_arrows(draw, x1, y1, x2, y2, color, dash_len=6, gap_len=4):
"""两点间画虚线，两端带箭头"""
total_len = ((x2 - x1)**2 + (y2 - y1)**2) ** 0.5
if total_len == 0:
return
dx = (x2 - x1) / total_len
dy = (y2 - y1) / total_len
# 画虚线
pos = 0
while pos < total_len:
seg_end = min(pos + dash_len, total_len)
draw.line([
(x1 + dx * pos, y1 + dy * pos),
(x1 + dx * seg_end, y1 + dy * seg_end)
], fill=color, width=1)
pos += dash_len + gap_len
# 两端箭头 (等腰三角形)
arrow_size = 6
# 左端箭头...
# 右端箭头...
标注图片的具体视觉样式建议在实现后根据实际效果微调，特别是虚线箭头的方向和位置。
7. 整体处理流程
输入图片
│
▼
┌─────────────────────────────────────┐
│ 1. 预处理 │
│ - 校验格式 (JPG/PNG) │
│ - 校验分辨率 (1080×1920 ~ 4000×5000)
│ - 校验文件大小 (≤ 1MB) │
│ - 校验人脸数量 (仅单人) │
└──────────────┬──────────────────────┘
▼
┌─────────────────────────────────────┐
│ 2. MediaPipe 推理 │
│ - FaceMesh(static_image_mode=True,
│ max_num_faces=1,
│ refine_landmarks=True) │
│ - 输出: 468+10 关键点 │
└──────────────┬──────────────────────┘
▼
┌─────────────────────────────────────┐
│ 3. 关键点提取 │
│ - 纵向: 头顶*/发际线*/眉心/鼻翼/下巴 │
│ - 横向: 眼宽/脸宽/两眼间距 │
│ * 推算值 │
└──────────────┬──────────────────────┘
▼
┌─────────────────────────────────────┐
│ 4. 尺度校准 │
│ - 虹膜直径法: px_per_cm 估算 │
└──────────────┬──────────────────────┘
▼
┌─────────────────────────────────────┐
│ 5. 计算与生成 │
│ - 像素 → 厘米 │
│ - 计算占比 │
│ - 生成标注图层 PNG │
└──────────────┬──────────────────────┘
▼
┌─────────────────────────────────────┐
│ 6. 输出 │
│ - annotated_image_url (标注PNG) │
│ - face_total_height_cm │
│ - four_courts (含cm & ratios) │
│ - seven_eyes (含cm & ratios) │
│ - landmarks (5个点原图像素坐标) │
└─────────────────────────────────────┘
8. 关键代码骨架
8.1 目录结构建议
hair/
├── app.py # 现有 FastAPI 应用
├── face_analysis/
│ ├── __init__.py
│ ├── detector.py # MediaPipe 封装
│ ├── measure.py # 四庭七眼测量逻辑
│ ├── calibration.py # px→cm 尺度校准
│ ├── annotation.py # 标注图片生成
│ └── face_mesh_landmarks.py # 关键点索引常量
├── static/
│ └── annotations/ # 生成的标注 PNG 存放目录
└── requirements.txt
8.2 MediaPipe 封装 (detector.py)
import mediapipe as mp
import cv2
import numpy as np
mp_face_mesh = mp.solutions.face_mesh
class FaceMeshDetector:
"""MediaPipe Face Mesh 封装，单例模式"""
def __init__(self):
self.face_mesh = mp_face_mesh.FaceMesh(
static_image_mode=True,
max_num_faces=1, # 仅检测单人
refine_landmarks=True, # 启用虹膜 + 唇部精细关键点
min_detection_confidence=0.5,
)
def detect(self, image: np.ndarray) -> list | None:
"""
检测人脸关键点
Args:
image: BGR numpy array (OpenCV 格式)
Returns:
landmarks: NormalizedLandmarkList，或 None
"""
rgb = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)
results = self.face_mesh.process(rgb)
if results.multi_face_landmarks:
return results.multi_face_landmarks[0] # 第一个人脸
return None
def close(self):
self.face_mesh.close()
# 全局单例
detector = FaceMeshDetector()
8.3 FastAPI 集成
# 在 app.py 中集成
from face_analysis.measure import measure_face
from face_analysis.annotation import create_annotated_image
import cv2
import numpy as np
from io import BytesIO
@app.post("/api/v1/face/measure")
async def face_measure(image_file: UploadFile = File(...)):
# 1. 读取图片
contents = await image_file.read()
# 2. 校验
if len(contents) > 1_000_000:
return err(1006, "文件超出 1 MB 限制")
nparr = np.frombuffer(contents, np.uint8)
image = cv2.imdecode(nparr, cv2.IMREAD_COLOR)
if image is None:
return err(1008, "图片格式不支持")
h, w = image.shape[:2]
if h < 1080 or w < 1920:
return err(1002, "人像分辨率过低")
# 3. 人脸检测
landmarks = detector.detect(image)
if landmarks is None:
return err(1001, "无法识别人像")
# 4. 测量计算
result = measure_face(landmarks, w, h)
# 5. 生成标注图
annotated = create_annotated_image(image, result)
buf = BytesIO()
annotated.save(buf, format="PNG")
# ... 保存并返回 URL
return ok(result.to_response())
9. 误差分析与局限
| 误差来源 | 影响范围 | 估算误差 | 缓解措施 |
|---|---|---|---|
| 头顶/发际线推算 | 顶庭、上庭 cm 值 | ±15% | 基于实测中庭下庭比例自适应 |
| 虹膜直径个体差异 | 所有 cm 值 | ±5% | 左右眼平均；未来可接性别/年龄修正 |
| 非正面照 | 所有横向测量 | ±20% | 前置校验偏航角（yaw），过大则返回 1003 |
| 相机畸变 | 边缘区域坐标 | ±3% | 假设普通手机拍照，畸变可控 |
| 人脸比例个体差异 | 推算的发际线/头顶 | ±10% | 无完美解决方案，方案 A 的自然局限 |
前置姿态校验（检测是否为正面照）：
def check_frontal_face(landmarks):
"""简单正面照判定：基于左右眼关键点的 y 坐标对称性 + 鼻尖偏移"""
left_eye = landmarks[33]
right_eye = landmarks[263]
nose_tip = landmarks[4]
# 双眼高度差（偏航判定）
y_diff = abs(left_eye.y - right_eye.y)
# 鼻尖偏离双眼中点（偏航/滚转判定）
eye_center_x = (left_eye.x + right_eye.x) / 2
nose_offset = abs(nose_tip.x - eye_center_x)
# 阈值根据实际测试调整
if y_diff > 0.03 or nose_offset > 0.08:
return False # 非正面照
return True
10. 依赖与版本
# requirements.txt 新增
mediapipe==0.10.14 # 经典 Solutions API（模型内置，无需额外下载）
opencv-python==4.10.0 # 图片读取与处理
Pillow==11.0.0 # 标注图生成（PNG 透明图层）
numpy==2.1.0
MediaPipe 0.10.x 的经典 Solutions API (
mp.solutions.face_mesh) 仍稳定可用。如需迁移到 Tasks API，后续可平滑升级。
11. 待确认事项
- 标注图片设计稿：需求文档提到需要设计稿确认，当前 UI 规范（字体/颜色/线宽）按文档实现，后续可能需要根据设计师反馈微调
- 男女比例差异：是否需要在 cm 换算中区分性别（男女脸宽均值不同）？当前使用虹膜直径法天然与性别无关
- 顶庭占比：22% 为 Mock 数据值，实际部署后是否根据用户反馈调整比例参数
- 非正面照角度阈值：具体多少度算「角度过大」？建议前期收集测试数据后定阈值
文档版本: v1.0
创建日期: 2026-06-13
依赖模型: MediaPipe Face Mesh (468 landmarks)
测量策略: 实测关键点 + 方案A（人脸比例推算未覆盖区域）