MediaPipe是一个机器学习（MachineLearning）视觉算法工具库，我们已经体验过它的手势识别与跟踪功能，它的“面部网格”（FaceMesh）识别应用可以快速地从图像或视频画面中进行人脸的3D网格重建，实时检测人脸的468个关键点以及10个瞳孔关键点。

你可以对比GitHub中这张标注有478个关键点的人脸模型网格可视化示意图（https：//github.com/google/mediapipe/blob/master/mediapipe/modules/face_geometry/data/canonical_face_model_uv_visualization.png），了解面部各个关键点，比如上嘴唇的中上为0、鼻子的中间为2、眉心处为8，脸的正中顶端是10、底端下巴尖为152，左右两侧则分别为234和454……每一组相邻的三个标注点均通过连线构成一个三角形，因此被称为“面部网格”（如图1）。

下面我们分别测试对静态图像文件和摄像头监控画面中的人脸进行“面部网格”识别的效果。

1.识别图像文件的人脸

首先，导入OpenCV和MediaPipe库模块：“importcv2”、“importmediapipeasmp”；接着，调用与配置人脸关键点的检测模型，建立变量mp_face_mesh，赋值为“mp.solutions.face_mesh”；再建立变量model，赋值为“mp_face_mesh.FaceMesh（static_image_mode=True，refine_landmarks=True，max_num_faces=5，min_detection_confidence=0.5，min_tracking_confidence=0.5，）”；其中的“static_image_mode”参数的值为True表示检测模式为静态图像（检测视频时应该设置为False），“refine_landmarks”参数的值为True表示对嘴唇、眼睛和瞳孔等关键点进行精细定位，“max_num_faces”参数表示每次最多检测的人脸数目为5；“min_detection_confidence”和“min_tracking_confidence”参数的值均为0.5，分别表示置信度和追踪的阈值（越接近1越精准）。