深度學習之人臉圖像處理：核心算法與案例實戰(zhàn)
定 價：119 元
當前圖書已被 26 所學校薦購過！
查看明細
- 作者：言有三
- 出版時間：2020/7/1
- ISBN：9787111660255
- 出 版 社：機械工業(yè)出版社
- 中圖法分類：TP391.413
- 頁碼：0
- 紙張：
- 版次：
- 開本：16開
本書全面、系統(tǒng)地介紹了深度學習技術在人臉圖像處理領域中的應用。書中不但有人臉圖像處理算法的詳細介紹，更有實際案例帶領讀者上手練習。
本書共11章，第1章介紹了人臉圖像與特征基礎；第2章介紹了深度學習的基礎知識；第3章介紹了人臉數(shù)據(jù)集；第4章介紹了人臉檢測技術；第5章介紹了人臉關鍵點檢測；第6章介紹了人臉識別技術；第7章介紹了人臉屬性識別；第8章介紹了人臉屬性分割技術；第9章介紹了人臉美顏與美妝；第10章介紹了人臉三維重建；第11章介紹了人臉屬性編輯。
本書適合計算機視覺領域中人臉圖像處理從業(yè)人員和愛好者閱讀，也適深度學習算法愛好者閱讀。
前言
第1章 人臉圖像與特征基礎1
1.1 人臉圖像基礎1
1.1.1 人臉圖像的特點1
1.1.2 人臉圖像的應用2
1.2 人臉特征基礎2
1.2.1 幾何特征3
1.2.2 顏（膚）色特征3
1.2.3 紋理特征5
1.3 人臉圖像工程常用的機器學習算法8
1.3.1 SVM簡介8
1.3.2 AdaBoost簡介12
第2章 深度學習基礎15
2.1 神經(jīng)網(wǎng)絡15
2.1.1 神經(jīng)元模型15
2.1.2 感知機16
2.1.3 BP算法17
2.2 卷積神經(jīng)網(wǎng)絡基礎20
2.2.1 卷積操作20
2.2.2 反卷積操作21
2.2.3 卷積神經(jīng)網(wǎng)絡的基本概念22
2.2.4 卷積神經(jīng)網(wǎng)絡的核心思想24
2.2.5 卷積神經(jīng)網(wǎng)絡基本結構配置25
2.3 深度學習優(yōu)化基礎28
2.3.1 激活模型與常用激活函數(shù)29
2.3.2 參數(shù)初始化方法35
2.3.3 歸一化方法37
2.3.4 池化42
2.3.5 最優(yōu)化方法43
2.3.6 學習率策略47
2.3.7 正則化方法50
2.4 深度學習主流開源框架介紹53
2.4.1 Caffe簡介54
2.4.2 TensorFlow簡介54
2.4.3 PyTorch簡介55
2.4.4 Theano簡介56
2.4.5 Keras簡介56
2.4.6 MXNet簡介57
2.4.7 Chainer簡介57
參考文獻58
第3章 人臉數(shù)據(jù)集60
3.1 人臉檢測數(shù)據(jù)集60
3.1.1 通用人臉檢測數(shù)據(jù)集60
3.1.2 復雜人臉檢測數(shù)據(jù)集62
3.2 關鍵點檢測數(shù)據(jù)集63
3.3 人臉識別數(shù)據(jù)集65
3.3.1 人臉識別圖像數(shù)據(jù)集65
3.3.2 人臉識別視頻數(shù)據(jù)集69
3.3.3 三維人臉識別數(shù)據(jù)集69
3.3.4 人臉識別其他數(shù)據(jù)集70
3.4 人臉屬性分析數(shù)據(jù)集70
3.4.1 通用人臉屬性分析數(shù)據(jù)集70
3.4.2 人臉表情數(shù)據(jù)集71
3.4.3 人臉年齡與性別數(shù)據(jù)集73
3.4.4 人臉分割數(shù)據(jù)集74
3.4.5 人臉顏值數(shù)據(jù)集76
3.4.6 人臉妝造數(shù)據(jù)集76
3.5 人臉姿態(tài)與3D數(shù)據(jù)集77
3.5.1 人臉姿態(tài)數(shù)據(jù)集77
3.5.2 人臉三維重建數(shù)據(jù)集78
3.6 人臉活體與偽造數(shù)據(jù)集79
3.6.1 人臉活體數(shù)據(jù)集79
3.6.2 人臉偽造數(shù)據(jù)集81
3.7 人臉風格化數(shù)據(jù)集81
第4章 人臉檢測83
4.1 目標檢測基礎83
4.1.1 目標檢測基本流程83
4.1.2 選擇檢測窗口84
4.1.3 提取圖像特征84
4.1.4 設計分類器85
4.2 經(jīng)典人臉檢測算法86
4.2.1 人臉檢測問題87
4.2.2 人臉膚色模型87
4.2.3 人臉形狀模型與模板匹配88
4.2.4 特征分類算法88
4.2.5 DPM方法91
4.3 深度學習通用目標檢測方法93
4.3.1 OverFeat方法94
4.3.2 Selective search與R-CNN方法94
4.3.3 SPPNet與Fast R-CNN方法96
4.3.4 Faster R-CNN與R-FCN方法99
4.3.5 YOLO方法101
4.3.6 SSD方法104
4.3.7 基于角點的檢測方法105
4.3.8 目標檢測中的幾個關鍵技術和難點106
4.4 深度學習人臉檢測核心技術109
4.4.1 人臉組件算法109
4.4.2 級聯(lián)檢測算法110
4.4.3 多尺度人臉檢測算法114
4.4.4 遮擋人臉檢測算法118
4.4.5 活體與偽造人臉檢測算法119
4.5 實戰(zhàn)Faster R-CNN人臉檢測120
4.5.1 項目背景120
4.5.2 py-faster-rcnn框架解讀120
4.5.3 模型定義與分析134
4.5.4 模型訓練143
4.5.5 模型測試144
參考文獻146
第5章 人臉關鍵點檢測149
5.1 關鍵點檢測基礎149
5.1.1 關鍵點的定義149
5.1.2 關鍵點的點數(shù)發(fā)展150
5.1.3 關鍵點檢測算法評價153
5.1.4 人臉姿態(tài)154
5.2 傳統(tǒng)人臉關鍵點檢測方法154
5.2.1 ASM、AAM與CLM算法155
5.2.2 級聯(lián)形狀回歸算法157
5.3 深度學習方法158
5.3.1 級聯(lián)框架158
5.3.2 多任務聯(lián)合框架160
5.3.3 遮擋與大姿態(tài)問題162
5.4 實時人臉關鍵點檢測實踐163
5.4.1 數(shù)據(jù)集和基準模型163
5.4.2 模型訓練164
5.4.3 模型測試169
5.5 小結171
參考文獻171
第6章 人臉識別173
6.1 人臉識別基礎173
6.1.1 人臉識別基本流程173
6.1.2 人臉識別評估173
6.1.3 傳統(tǒng)人臉識別特征174
6.2 深度學習人臉識別核心技術177
6.2.1 度量學習177
6.2.2 多類別分類學習180
6.2.3 人臉分類優(yōu)化目標的發(fā)展182
6.3 人臉識別算法面臨的挑戰(zhàn)和未來186
6.3.1 遮擋人臉識別186
6.3.2 跨姿態(tài)人臉識別187
6.3.3 跨年齡人臉識別188
6.3.4 妝造不變?nèi)四樧R別189
6.3.5 異質(zhì)源人臉識別190
6.3.6 其他問題190
6.3.7 小結191
6.4 實戰(zhàn)人臉識別模型訓練192
6.4.1 數(shù)據(jù)準備與接口封裝192
6.4.2 模型訓練198
6.4.3 模型測試204
6.4.4 小結208
參考文獻208
第7章 人臉屬性識別211
7.1 人臉性別識別211
7.1.1 人臉性別識別方法211
7.1.2 人臉性別識別發(fā)展與挑戰(zhàn)212
7.2 人臉顏值與臉型識別212
7.2.1 平均臉和臉型分類212
7.2.2 人臉顏值與臉型特征213
7.2.3 應用和挑戰(zhàn)214
7.3 人臉年齡識別214
7.3.1 人臉年齡估計模型215
7.3.2 傳統(tǒng)年齡估計方法216
7.3.3 深度學習年齡估計方法216
7.3.4 小結218
7.4 人臉表情識別218
7.4.1 概述218
7.4.2 傳統(tǒng)表情識別算法219
7.4.3 深度學習方法221
7.4.4 挑戰(zhàn)與展望222
7.5 人臉屬性識別項目實踐223
7.5.1 表情識別223
7.5.2 年齡識別229
7.5.3 總結233
參考文獻234
第8章 人臉屬性分割236
8.1 圖像分割的基礎與人臉屬性分割的應用236
8.1.1 圖像分割的含義236
8.1.2 經(jīng)典的圖像分割方法236
8.1.3 人臉屬性分割的應用238
8.2 深度學習圖像分割核心技術239
8.2.1 反卷積239
8.2.2 圖像分割經(jīng)典模型241
8.2.3 感受野控制、上下文信息與多尺度結構243
8.2.4 圖像分割后處理技術246
8.2.5 圖像分割中的難題247
8.3 輕量級人臉分割項目實踐248
8.3.1 數(shù)據(jù)集與基準模型249
8.3.2 模型訓練與測試250
8.3.3 小結254
參考文獻255
第9章 人臉美顏與美妝257
9.1 美顏基礎和應用場景257
9.1.1 五官重塑257
9.1.2 磨皮、美白與膚質(zhì)調(diào)整258
9.1.3 上妝258
9.2 基于濾波與變形的傳統(tǒng)美顏算法259
9.2.1 基于變形的五官重塑259
9.2.2 基于濾波的磨皮算法261
9.2.3 基于膚色模型的美白與膚質(zhì)調(diào)整算法263
9.2.4 小結264
9.3 妝造遷移算法264
9.3.1 傳統(tǒng)妝造遷移算法264
9.3.2 深度學習算法266
9.4 妝造遷移算法實戰(zhàn)270
9.4.1 項目解讀270
9.4.2 模型訓練282
9.4.3 模型測試284
參考文獻286
第10章 人臉三維重建287
10.1 三維重建基礎287
10.1.1 常見三維重建技術287
10.1.2 人臉三維重建的特點和難點288
10.1.3 人臉三維重建基礎技術289
10.2 傳統(tǒng)三維人臉重建技術290
10.2.1 多目立體視覺匹配290
10.2.2 3DMM294
10.2.3 Shape from Shading297
10.2.4 Structure from Motion298
10.3 深度學習三維人臉重建298
10.3.1 基于3DMM的方法298
10.3.2 基于端到端的通用模型300
10.3.3 三維人臉重建的難點301
10.4 深度學習三維人臉重建實踐302
10.4.1 BFM模型的使用302
10.4.2 基于BFM模型的常見三維特征315
10.4.3 PRNet三維重建318
10.4.4 小結324
參考文獻325
第11章 人臉屬性編輯327
11.1 人臉屬性編輯基礎327
11.1.1 人臉屬性編輯應用327
11.1.2 基于模型的人臉編輯329
11.2 深度學習人臉屬性編輯方法329
11.2.1 GAN基礎330
11.2.2 圖像風格化334
11.2.3 表情編輯算法336
11.2.4 年齡編輯算法338
11.2.5 姿態(tài)編輯算法339
11.2.6 人臉風格化算法341
11.2.7 換臉算法344
11.2.8 統(tǒng)一的人臉屬性編輯框架345
11.2.9 小結347
11.3 實戰(zhàn)人臉動畫頭像風格化347
11.3.1 項目解讀348
11.3.2 模型訓練358
11.3.3 模型測試358
參考文獻361
書單推薦
