用opencv函数替代skimage函数生成相似矩阵

人脸识别之前通常需要做校准工作，使得标准人脸和待识别人脸均位于"统一规范化"的条件下做比对；这里校准工作用的是相似变换SimilarityTransform【注：与仿射变换不同】，即：等距变换+均匀尺度缩放，而等距变换则是平移+旋转变换。
对应的变换矩阵：

目前大部分的做法是：采用python库中的skimage.transform模块生成变换矩阵，再利用opencv中的仿射变换函数cv2.warpAffine，将img生成"标准人脸"dst；过程如下：

from skimage import transform as trans
import numpy as np
import cv2
src = np.array([
    [38.2946, 51.6963],
    [73.5318, 51.5014],
    [56.0252, 71.7366],
    [41.5493, 92.3655],
    [70.7299, 92.2041] ], dtype=np.float32)
dst = np.array([
    [30, 50],
    [72, 51],
    [56， 72],
    [41, 92],
    [71, 92] ], dtype=np.float32)
tform = trans.SimilarityTransform()
res =tform.estimate(dst, src)
M = tform.params
dst = cv2.warpAffine(img, M, (img_im.shape[1], img_im.shape[0]))

最近在工程化过程中，需要把opencv库移植到硬件上，但由于生成的相似矩阵是调用skimage库生成的，所以工程需要移植两个库，比较麻烦。现在需求是直接用opencv库生成相似矩阵，这样就只需一个库就行了。
网上查看了不少资料，发现cv2中求变换矩阵的函数太多了，最终发现了对应的相似变换函数：
python2中的opencv库对应的生成相似矩阵函数是cv2.estimateRigidTransform，但该函数只能输入3个点用于生成相似矩阵，而且鲁棒性差，误差值大的点，容易生成失败。猜想主要是这个原因导致大家一直都用skimage库，而不用opencv库。
python3中opencv库对应的函数是estimateAffinePartial2D,但该函数直接使用有坑。需要指定迭代的方法，否则采用默认的cv2.RANSAC方法只会用到两组对应点用于迭代，估计的得到的结果与skimage库几乎完全不一致，仔细看了estimateAffinePartial2D介绍，并尝试发现，设定cv2.LMEND为评估方法，则结果和skimage库几乎完全一致，（小数点后好好好好好几位都一致）.具体使用

M_cv=cv2.estimateAffinePartial2D（dst，src，method=cv2.LMEND）
M=M[0]

另外，附一个网友提供的c++版本，用opencv库直接搭出skimage.SimilarityTransform的实现：skimage-SimilarityTransform的C++实现
验证可用。

---

有帮助点个赞