特点提取器（predictor）须要一个粗拙的界线框作为算法输入，由一个传统的能返回一个矩形列表的人脸检测器（detector）供给，其每个矩形列表在图像中对应一个脸。

2.用 Procrustes 分析调剂脸部

如今我们已经有了两个标记矩阵，每行有一组坐标对应一个特定的面部特点（如第30行的坐标对应于鼻头）。我们如今要解决若何扭转、翻译和缩放第一个向量，使它们尽可能适配第二个向量的点。一个设法主意是可以用雷同的变换在第一个图像上覆盖第二个图像。

将这个问题数学化，寻找T，s 和 R，使得下面这个表达式：

事实证实，这类问题可以用“惯例 Procrustes 分析法”解决：

def transformation_from_points(points1, points2):  
    points1 = points1.astype(numpy.float64)  
    points2 = points2.astype(numpy.float64)   
 
    c1 = numpy.mean(points1, axis=0)  
    c2 = numpy.mean(points2, axis=0)  
    points1 -= c1  
    points2 -= c2   
 
    s1 = numpy.std(points1)  
    s2 = numpy.std(points2)  
    points1 /= s1  
    points2 /= s2   
 
    U, S, Vt = numpy.linalg.svd(points1.T * points2)  
    R = (U * Vt).T   
 
    return numpy.vstack([numpy.hstack(((s2 / s1) * R,  
                                       c2.T - (s2 / s1) * R * c1.T)),  
                         numpy.matrix([0., 0., 1.])])  

代码实现了这几步：

用一个遮罩来选择图像2和图像1的哪些部分应当是最终显示的图像：

如许一个遮罩同时为这两个图像生成，应用与步调2中雷同的转换，可以使图像2的┞汾罩转化为图像1的坐标空间。