本文详解如何利用 68 个面部特征点，通过 OpenCV 实现鲁棒的图像仿射形变（warping），重点解决 cv.getAffineTransform() 因输入点数不匹配导致的断言错误，并推荐更实用的 cv.estimateAffine2D() 替代方案。
本文详解如何利用 68 个面部特征点，通过 opencv 实现鲁棒的图像仿射形变（warping），重点解决 `cv.getaffinetransform()` 因输入点数不匹配导致的断言错误，并推荐更实用的 `cv.estimateaffine2d()` 替代方案。
在人脸形变（face morphing）任务中，核心步骤之一是将一张人脸图像根据另一张人脸的几何结构进行空间对齐——即图像形变（warping）。初学者常误用 cv.getAffineTransform()，该函数仅接受严格三个对应点对（共6个坐标），用于求解唯一确定的仿射变换矩阵（2×3 矩阵）。但 Dlib 提取的 68 个面部关键点远超此限制，直接传入会导致如下典型错误：
cv2.error: (-215:Assertion failed) src.checkVector(2, CV_32F) == 3 && dst.checkVector(2, CV_32F) == 3
这是因为 getAffineTransform 内部强制校验输入点集必须为 3×2 的 float32 数组，而实际传入的是 68×2，触发断言失败。
✅ 正确做法：改用 cv.estimateAffine2D()
该函数专为多点匹配场景设计，能基于任意数量（≥3）的源-目标点对，通过最小二乘或 RANSAC 策略拟合最优仿射变换矩阵，天然适配人脸关键点场景。其返回值为 (M, inliers) 元组，其中 M 是 2×3 的仿射矩阵，可直接用于 cv.warpAffine。
以下是关键修复后的核心代码段（整合自 warp.py）：
import numpy as np
import cv2 as cv
def warp(image, src_points, dst_points, method='ransac'):
"""
基于多组对应点对对图像进行仿射形变
Args:
image: 待形变的源图像 (BGR)
src_points: 源图像中的关键点列表，shape=(N, 2)
dst_points: 目标图像中的对应关键点列表，shape=(N, 2)
method: 估计策略，'ransac'（默认，抗异常点）或 'lms'（最小二乘）
Returns:
warped_image: 形变后图像
"""
# 确保点坐标为 float32 且格式正确
src_pts = np.asarray(src_points, dtype=np.float32)
dst_pts = np.asarray(dst_points, dtype=np.float32)
# 使用 estimateAffine2D 计算最优仿射矩阵
# 注意：OpenCV 中 estimateAffine2D 要求 src→dst 映射，即 warp(src) → dst
M, _ = cv.estimateAffine2D(src_pts, dst_pts, method=cv.LMEDS if method == 'lms' else cv.RANSAC)
if M is None:
raise ValueError("Affine transform estimation failed — insufficient or degenerate point correspondences.")
h, w = image.shape[:2]
# 执行仿射形变：将 src 图像映射到 dst 几何空间
warped_image = cv.warpAffine(image, M, (w, h), flags=cv.INTER_LINEAR, borderMode=cv.BORDER_REFLECT)
return warped_image
# 在主流程中调用（示例）
# feature_points[0] 是目标脸（参考脸）的68点，feature_points[1] 是待形变脸的68点
# 即：将 cropped_images[1] 形变为与 cropped_images[0] 对齐
warped_img = warp(cropped_images[1], feature_points[1], feature_points[0])
cv.imshow("Warped Face", warped_img)
cv.waitKey(0)
cv.destroyAllWindows()⚠️ 关键注意事项：
- 点序一致性：src_points[i] 必须与 dst_points[i] 严格对应同一语义位置（如左眼中心、鼻尖等），否则拟合结果将严重失真；
- 坐标有效性：确保所有点均在图像边界内（0 ≤ x < width, 0 ≤ y < height），建议在 triangulate() 中已过滤无效点；
- 形变方向理解：estimateAffine2D(src, dst) 返回的是将 src 点映射到 dst 点的变换矩阵，因此 warpAffine(image_src, M, ...) 得到的是对齐至 dst 几何结构的图像；
- 进阶建议：若需更高精度的非刚性形变（如三角剖分+逐三角形仿射），应结合 Delaunay 三角化后对每个三角形独立计算局部仿射矩阵（即 Morphing 中的标准方法），而非全局单矩阵——本例聚焦快速对齐，故采用全局仿射。
总结而言，面对多点（如68点）形变需求，cv.estimateAffine2D() 是 cv.getAffineTransform() 的语义正确且工程鲁棒的替代方案。它不仅规避了维度断言错误，还内置异常点抑制能力，显著提升人脸对齐稳定性，是构建人脸形变、表情迁移、AR贴纸等应用的关键基石。
