整个程序的思想分为以下几个部分，
)1)使用Dlib进行人脸检测和68个关键点的定位
这里使用的是ERT方法，来源于论文onemillisecondfacealignmentwithanensembleofregressiontrees，是一种比较古老的方法。 但是有效果。
)2)进行旋转、缩放、平移等变换，即aligement操作，使第2图与原图一致
在此使用了通式变换(Ordinary Procrustes Analysis )，但最终使变换过程最小化，以满足以下公式。 简单来说，第一个图的68个点经过仿射变换(warp_affine )，到第二个图的68个点的距离最小。
其中，r是2*2的旋转变换矩阵，s是线性定标矩阵，t是二维平移向量，p、q分别是在上面计算的两个人的68点。
那么，现在已经只有两幅图的68个点了。 怎么解上面的s、r、t呢？ 这里使用奇异值SVD分解(Singular Value Decomposition )求出r。
u，s，vt=numpy.Lina LG.SVD (points1. t * points2) r=) u*vt ).t最终返回到变换矩阵
return numpy.v stack ([ numpy.h stack ) () S2/S1 ) * R，C2.t-(S2/S1 ) *C1.t ) ]，numpy.matrix )0.
)3)将第二张图的颜色与第一张图相匹配
如果将第二张图直接重叠在第一张图上，可以看到在边缘处两人的肤色和关怀等有明显的差异。 该过程使用“颜色平衡”(RGB scaling colour-correction )方法。 这里主要对图像1、2进行cjdxn滤波，生成cjdxn滤波后的1、2图像
其中cjdxn核的选择是关键，太小的话第一张图的特征会显示在第二张图上，太大的话脸部以外的区域会被第二张图覆盖。 这里将瞳孔距离增加0.6倍。
im1_blur=cv2.Gaussianblur(im1，(blur_amount，blur_amount )，0 ) im2_blur=cv2.Gaussianblur ) im2， ) ) ) cv2.Gausianblur ) )0) avoid divide-by-zero errors.im2 _ blur=128 * (im2 _ blur=1.0 ) return (im2.aro
这里主要生成蒙版，用该蒙版进行图像融合，在蒙版为1处进行图像2的融合，在蒙版为1处进行图像1的融合，在蒙版为0-1之间进行融合。
蒙版生成的思路是：首先从脸部关键点生成一个凸包，然后抽取凸包中的像素，进行cjdxn滤波生成蒙版，然后对一两幅图的蒙版进行最大操作生成最终的蒙版。
最终用一个alpha变换，用两个图像最终生成想要的结果。
output _ im=im1 * (1.0-combined _ mask ) warped _ corrected _ im2 * combined _ mask当然这没有网上H5的效果，但基本上类型是
实验效果如下，第一张是变换后的图，第二张是原图。
参考：
https://github.com/blddb/faceswap
3358 bl DDB.github.io/2015/07/28 /交换- eds-with-python /
3359 github.com/hrastnik/face swap