目录
摘要
实验步骤
关于应用到视频上
抖音上很多脸部特效很好玩，都可以一一实现来玩玩。下面介绍的是换脸特效。效果图如下，
这是最近比较流行的一个效果。其实很简单。
原文：http://matthewearl.github.io/2015/07/28/switching-eds-with-python/，不过需要对其中代码进行修改。
原文给的是人脸，上图用的是狗脸融合，可以通过自己标准68个点，对应人脸的位置。
程序整体思想分为以下几个部分，
（1）使用Dlib进行人脸检测和68个关键点定位
dlib确定68个点是通过 “ 用回归树，一毫秒搞定人脸对齐。”, One Millisecond Face Alignment with an Ensemble of RegressionTrees，算是一种比较老的方法了。但是效果很好。
（2）进行旋转，缩放，平移等变换，即aligement操作，使得第二个图和原始图相互吻合
融合的效果的好坏是两个图片的分辨率，人脸是否矫正姿势，这是一部分是我加上去的。人脸姿势矫正是通过几个点来搞定的，思想是人的眼睛和鼻梁是垂直关系，鼻梁应该垂直于水平框,然后进行下一步放射，效果更好。
这里使用的是普式变换（Ordinary Procrustes Analysis），最终结果是要使得变换过程满足下面式子最小化，简单的说，就是第一个图的68个点经过仿射变换（warp_affine）后，和第二个图的68个点的距离最小。
其中，R是2*2的旋转变换矩阵，S是一个线性缩放矩阵，T是一个二维平移向量，p,q分别为上面计算的2个人的68个点。
那么问题来了，现在只已经2个图的68个点，如何求解上面的S，R，T呢，这里使用奇异值SVD分解（ Singular Value Decomposition），从而求出R。
U, S, Vt = numpy.linalg.svd(points1.T * points2) R = (U * Vt).T最终返回变换矩阵
return numpy.vstack([numpy.hstack(((s2 / s1) * R, c2.T - (s2 / s1) * R * c1.T)), numpy.matrix([0., 0., 1.])])有了该变换矩阵，就可以使用opencv的warpAffine函数，将第二张图片变为和第一种图片同样的空间位置。
（3）将第二个图的颜色匹配到第一个图
如果直接将第二个图覆盖到第一个图，会发现，在边缘地方2个人的肤色和关照等会出现明显的区别，这里使用了颜色平衡（ RGB scaling colour-correction）的方法，这里主要进行的操作就是，分别对图片1,2进行高斯滤波，生成高斯滤波后的1,2图片，然后对第二个图片除以自己的高斯滤波后的图片，再乘以第一个图片的高斯滤波后的图片，从而生成最终变换后的图片。
这里高斯核的选择是一个重点，太小的话，会将第一个图的特征显示到第二个图上，太大又会将人脸以外的区域覆盖到第二个图上，这里选取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）将第二个图的人脸特征，通过使用掩码的方式混合融合进第一个图
这里主要是要生成一个掩码，通过该掩码来进行图像融合，在掩码为1的地方显示图像2，掩码为1的地方显示图像1，掩码0-1之间的地方进行融合。
生成掩码的思路为，先通过人脸关键点生成一个凸包（convexHull），然后扣出凸包中的像素，进行高斯滤波，生成mask，然后将1,2两幅图的mask进行max操作，生成最终的mask。
最终通过一个阿尔法变换，用2个图片生成最终想要的结果。
output_im = im1 * (1.0 - combined_mask) + warped_corrected_im2 * combined_mask1 用C++写代码，
2 不用68个点，取其中主要的点，减少计算量。
