查找面部标志之间的欧几里得距离答案

【问题标题】：Find Eucledian distance between landmarks of faces查找面部标志之间的欧几里得距离
【发布时间】：2020-12-25 17:25:42
【问题描述】：

我有多个帧，我使用Retinaface 检测到每个帧中的人脸。我想使用他们的地标来跟踪人脸。

为了找到两个地标之间的相似性，我尝试计算欧几里得距离：

输入：

landmark_1 = [1828, 911], [1887, 913], [1841, 942], [1832, 974], [1876, 976]
landmark_2 = [1827, 928], [1887, 926], [1848, 963], [1836, 992], [1884, 990]

参考其他链接后，我写了以下函数，但产生的值非常高：

def euclidean_dist(vector_x, vector_y):
    vector_x, vector_y = np.array(vector_x), np.array(vector_y)
    if len(vector_x) != len(vector_y):
        raise Exception('Vectors must be same dimensions')
    ans = sum((vector_x[dim] - vector_y[dim]) ** 2 for dim in range(len(vector_x)))
    return np.sqrt(np.sum(ans**2))

输出：

euclidean_dist(landmark_1, landmark_2)
>> 1424.9424549784458

（在这种情况下期望一些较小的值）

我猜代码只能用于一维向量，但我真的被困在这里。任何帮助将不胜感激。

【问题讨论】：

标签： python numpy euclidean-distance

【解决方案1】：

您似乎将答案平方了两次 (ans**2)。但是你也可以稍微简化一下函数：

def euclidean_dist(vector_x, vector_y):
    vector_x, vector_y = np.array(vector_x), np.array(vector_y)
    return np.sqrt(np.sum((vector_x - vector_y)**2, axis=-1))

当向量是不兼容的形状时，这将自动引发异常。

编辑：如果您使用axis=-1，它将在数组的最后一个轴上求和，因此您可以使用二维向量数组，例如。

【讨论】：

【解决方案2】：

你也可以使用linalg.nor。

def euclidean_dist(vector_x, vector_y):
    distances = np.linalg.norm(np.array(vector_x)-np.array(vector_y), axis=1)
    return distances.tolist()

【讨论】：