程序整體思想分爲以下幾個部分，
（1）使用Dlib進行人臉檢測和68個關鍵點定位
這裏使用的是ERT方法，源自論文 One Millisecond Face Alignment with an Ensemble of RegressionTrees，算是一種比較老的方法了。但是效果很好。
（2）進行旋轉，縮放，平移等變換，即aligement操作，使得第二個圖和原始圖相互吻合
這裏使用的是普式變換（Ordinary Procrustes Analysis），最終結果是要使得變換過程滿足下面式子最小化，簡單的說，就是第一個圖的68個點經過仿射變換（warp_affine）後，和第二個圖的68個點的距離最小。
其中，R是2*2的旋轉變換矩陣，S是一個線性縮放矩陣，T是一個二維平移向量，p,q分別爲上面計算的2個人的68個點。
那麼問題來了，現在只已經2個圖的68個點，如何求解上面的S，R，T呢，這裏使用奇異值SVD分解（ Singular Value Decomposition），從而求出R。
U, S, Vt = numpy.linalg.svd(points1.T * points2)
R = (U * Vt).T
最終返回變換矩陣
return numpy.vstack([numpy.hstack(((s2 / s1) * R,
c2.T - (s2 / s1) * R * c1.T)),
numpy.matrix([0., 0., 1.])])
有了該變換矩陣，就可以使用opencv的warpAffine函數，將第二張圖片變爲和第一種圖片同樣的空間位置。
（3）將第二個圖的顏色匹配到第一個圖
如果直接將第二個圖覆蓋到第一個圖，會發現，在邊緣地方2個人的膚色和關照等會出現明顯的區別，這裏使用了顏色平衡（ RGB scaling colour-correction）的方法，這裏主要進行的操作就是，分別對圖片1,2進行高斯濾波，生成高斯濾波後的1,2圖片，然後對第二個圖片除以自己的高斯濾波後的圖片，再乘以第一個圖片的高斯濾波後的圖片，從而生成最終變換後的圖片。
這裏高斯核的選擇是一個重點，太小的話，會將第一個圖的特徵顯示到第二個圖上，太大又會將人臉以外的區域覆蓋到第二個圖上，這裏選取0.6倍的瞳距。
im1_blur = cv2.GaussianBlur(im1, (blur_amount, blur_amount), 0)
im2_blur = cv2.GaussianBlur(im2, (blur_amount, blur_amount), 0)
# Avoid divide-by-zero errors.
im2_blur += 128 * (im2_blur <= 1.0)
return (im2.astype(numpy.float64) * im1_blur.astype(numpy.float64) /
im2_blur.astype(numpy.float64))
（4）將第二個圖的人臉特徵，通過使用掩碼的方式混合融合進第一個圖
這裏主要是要生成一個掩碼，通過該掩碼來進行圖像融合，在掩碼爲1的地方顯示圖像2，掩碼爲1的地方顯示圖像1，掩碼0-1之間的地方進行融合。
生成掩碼的思路爲，先通過人臉關鍵點生成一個凸包（convexHull），然後扣出凸包中的像素，進行高斯濾波，生成mask，然後將1,2兩幅圖的mask進行max操作，生成最終的mask。
最終通過一個阿爾法變換，用2個圖片生成最終想要的結果。
output_im = im1 * (1.0 - combined_mask) + warped_corrected_im2 * combined_mask
當然這個並沒有網上的H5的效果好，但是基本還是有模有樣的。
實驗效果如下，第一張是變換後的圖，第二張是原圖。
reference:
https://github.com/matthewearl/faceswap
http://matthewearl.github.io/2015/07/28/switching-eds-with-python/
https://github.com/hrastnik/FaceSwap