人脸生成黑科技：实现人脸转变特效,让人脸自动戴墨镜

上一节我们通过VAE网络完成了人脸生成效果。VAE网络一个特性是会把人脸编码成一个含有200个分量的向量，反过来说在特定分布范围内的含有200个分量的向量就对应一张人脸。由于向量之间可以进行运算，这就意味着我们把两张不同人脸A,B分布转换成两个不同向量z_A,z_B，然后我们使用向量运算例如z_AB = z_A *(1 - alpha) + z_B *alpha，就能将两个向量以一定比例合成一个新向量，该新向量就会对应一个人脸，而且这个人脸就会同时具有人脸A和B的特点，如果我们增大参数alpha，那么生成向量对应的人脸特征就会更像人脸B，如果我们减少alpha的值，生成向量对应的人脸就更像人脸A.

接下来我们看看如何实现人脸的转变特效，首先我们先出数据图片中选出具有特定特征的人脸图片，例如”戴墨镜“，然后使用编码器得出”戴墨镜“人脸图片的特征向量，然后我们再选取不带墨镜的人脸图片，计算其特征向量，然后使用向量运算将两个向量结合起来，这样我们就能把后面不带墨镜的人脸转换成带墨镜的模样。

我们看看相应代码实现：

def  morph_faces(start_image_file, end_image_file):
    alpha = np.arange(0, 1, 0.1) 
    atttribute_specific = att[att['image_id'].isin([start_image_file, end_image_file])]
    att_specific = atttribute_specific.reset_index()
    data_flow_label = imageLoader.build(att_specific, 2) #加载满足给定条件的图片

    example_batch = next(data_flow_label)
    example_images = example_batch[0]
    example_labels = example_batch[1]
    z_vectors = vae.encoder.predict(example_images)#获得人脸图像的关键向量
    fig = plt.figure(figsize = (18, 8))
    counter = 1
    img = example_images[0].squeeze()
    sub = fig.add_subplot(1, len(alpha) + 2, counter)
    sub.axis('off')
    sub.imshow(img)
    counter += 1

    for factor in alpha: #通过变化参数让一个向量滑向另一个向量
        changed_z_vector = z_vectors[0] * (1 - factor) + z_vectors[1] * factor
        changed_image = vae.decoder.predict(np.array([changed_z_vector]))[0] #根据新向量绘制人脸图像
        img = changed_image.squeeze()