深度學習之人臉圖像處理：核心算法與案例實戰 ( 簡體 字) |
| 作者：言有三 著 | 類別：1. -> 程式設計 -> 深度學習 |
| 譯者： |
| 出版社：機械工業出版社 |  3dWoo書號： 53108
詢問書籍請說出此書號！【缺書】
NT售價： 595 元 |
| 出版日：7/1/2020 |
| 頁數：384 |
| 光碟數：0 |
|
站長推薦：  |
| 印刷：黑白印刷 | 語系： ( 簡體 版 ) |
| |
加入購物車  │加到我的最愛
(請先登入會員) |
| ISBN：9787111660255 |
| 作者序 | 譯者序 | 前言 | 內容簡介 | 目錄 | 序 |
| (簡體書上所述之下載連結耗時費功, 恕不適用在台灣, 若讀者需要請自行嘗試, 恕不保證) |
| 作者序： |
| 譯者序： |
前言：為什么要寫這本書
筆者快30歲了，從記事起至今，深刻地感受到了技術發展給生活帶來的巨大變化。近10年來，以深度學習為代表的技術在計算機視覺領域有了大量的落地應用，更是改變了人們的生活方式。
在所有的圖像中，人臉圖像是研究最多、應用最廣泛的，也是我們每天無時無刻不在接觸的圖像。人臉的檢測和識別使人們擺脫了傳統的數字密碼支付方式，帶來了便利的刷臉支付，讓追捕犯罪分子、找尋走失兒童和老人變得更加容易。人臉圖像的美容技術催生了美顏相機的應用，增強了社交平臺的娛樂性及被拍攝者的自信；人臉分析技術讓產品生產者增加了對使用者的了解；人臉編輯技術不斷降低著內容創作的成本。
在近5年的從業經歷中，筆者的大部分工作都與人臉圖像相關，這讓筆者深刻地感受到底層技術的重要性及它在當前人類社會中的應用和未來的潛在應用，因此筆者歷時一年多的時間，對多年的相關知識積累和深度學習項目經驗進行梳理和總結，完成了本書的寫作。
本書特色
1．內容系統，講解循序漸進
本書首先從人臉圖像的特點、應用和特征基礎開始講起，然后過渡到對人臉各個方向數據集的介紹，讓讀者對人臉圖像的應用有一個全面的了解；隨后從最底層的人臉檢測、人臉關鍵點檢測起筆，介紹學習后續內容需要掌握的基礎知識；接著按照人臉識別、人臉屬性識別、人臉屬性分割、人臉美顏與美妝、人臉三維重建、人臉屬性編輯的研究領域和方向進行原理介紹和實踐，覆蓋大量的應用場景。
2．內容全面、新穎、前沿
本書第4∼11章針對人臉圖像各個方向的技術和應用進行系統介紹。雖然本書專注于深度學習技術，但是仍然會介紹一些重要的傳統算法，以便讀者了解這些技術，做到融會貫通。本書重點介紹深度學習技術近些年來的發展脈絡，這些內容非常新穎，也比較前沿。
3．理論與實踐緊密結合
本書完整地剖析了人臉圖像算法在各個研究領域和應用方向上涉及的相關知識，書中的內容不局限于對理論知識的闡述和對簡單結果的展示，而是從夯實理論知識到完成實踐應用一氣呵成。讀者跟隨本書進行學習，定會對人臉圖像的核心算法有比較深入的理解。
本書內容
第1章人臉圖像與特征基礎，簡單介紹人臉圖像的特點，以及常用的底層特征和機器學習基礎。本章是全書的基礎。
第2章深度學習基礎，簡單介紹BP全連接神經網絡，重點介紹卷積神經網絡基礎和深度學習中的優化方法，后者包括激活函數、歸一化方法、最優化方法、正則化方法等，旨在讓讀者掌握深度卷積神經網絡中的基礎知識。
第3章人臉數據集，對人臉的各個方向的數據集進行全面介紹，涵蓋人臉檢測、關鍵點檢測、人臉識別、人臉表情、人臉年齡、人臉三維重建等。
第4章人臉檢測，講述目標檢測的基礎知識和基本流程，回顧經典的人臉檢測算法，總結基于深度學習的目標檢測任務的研究方法與發展現狀，以及基于深度學習的人臉檢測技術的發展和人臉檢測的特點與難點，并基于Faster R-CNN框架完成人臉檢測模型的訓練實踐。
第5章人臉關鍵點檢測，講述人臉關鍵點檢測的基礎知識和基本流程，回顧經典的關鍵點檢測算法，并介紹基于深度學習的關鍵點檢測算法的核心技術，完成一個輕量級人臉關鍵點檢測模型的訓練實踐。
第6章人臉識別，介紹人臉識別算法的基本流程及傳統的人臉識別特征，總結深度學習人臉識別的基本框架和優化目標及人臉識別算法中的主要難題，并完成人臉識別模型的訓練實踐。
第7章人臉屬性識別，介紹人臉性別識別、人臉顏值與臉型識別、人臉年齡識別、人臉表情識別等人臉屬性的分析技術，完成輕量級人臉表情識別和年齡估計模型的訓練實踐。
第8章人臉屬性分割，介紹圖像分割的基礎知識，總結基于深度學習的圖像分割核心技術，完成輕量級人臉屬性分割模型的訓練實踐。
第9章人臉美顏與美妝，介紹傳統的人臉美顏圖像處理技術及妝造遷移算法，并完成模型的訓練實踐。
第10章人臉三維重建，介紹人臉三維重建的基礎和傳統的人臉三維重建技術，總結基于深度學習的人臉三維重建核心技術并完成實戰訓練。
第11章人臉屬性編輯，介紹人臉屬性編輯的基礎知識和應用，重點介紹基于深度學習的人臉屬性編輯方法，并完成UGATIT人臉動畫頭像模型生成實踐。
配書資源獲取方式
筆者將本書涉及的全部源代碼等配套學習資料分享到了微信公眾號“有三AI”的相關欄目中，讀者可以通過公眾號中的相關菜單找到配書資源并獲取。另外，讀者也可以到華章公司的網站上搜索本書頁面，找到下載鏈接進行下載。
本書讀者對象
本書是一部專門講解人臉圖像各領域算法和應用的書籍，對讀者有以下要求：
* 必須具備基本的數學知識，包括概率論、矩陣論和最優化理論等；
* 具備基本的傳統數字圖像處理知識和計算機視覺理論知識，對人臉圖像有較多了解；
* 熟練掌握Python編程，并掌握Caffe、TensorFlow和PyTorch等主流的深度學習框架。
本書適合以下讀者：
* 從事或者即將從事人臉圖像算法的研究人員和工程師；
* 想系統地了解和學習人臉圖像算法應用的相關人員；
* 學習人臉圖像算法的高校學生及培訓機構的學員；
* 講授深度學習在人臉圖像各領域的算法原理和應用的老師及培訓機構的講師；
* 計算機視覺技術愛好者。
致謝
感謝黃海娜同學！她編寫了本書的第1章，并細心地編輯了其中的大量公式和圖表。
感謝歐振旭編輯！他對本書的出版提出了許多有益建議；也感謝其他參與本書出版的編輯！他們對書稿做了大量的編輯和校對工作，使本書質量得到了不小的提升。
感謝“有三AI”微信公眾號和“有三AI”知識星球的忠實粉絲們！是你們的大力支持，尤其是付費閱讀，讓筆者有了堅持前行的力量。
感謝GitHub開源項目的貢獻者！是你們無私的技術分享，讓更多人受益匪淺，這是這個技術時代里偉大的事情之一。
感謝提出了書中算法的研究人員！有了你們的辛苦原創，才有了本書的面市。
感謝360人工智能研究院和陌陌深度學習實驗室的同事！曾經與你們一起學習，一起進步，這是筆者近幾年中最大的財富。
最后感謝我的家人！沒有你們的寬容和支持，我無法完成本書。為了自己的事業，我留給你們的時間太少，希望以后我能做得更好。
售后支持
本書聚焦于人臉圖像的相關算法，尤其是深度學習技術在該領域中的應用。在本書出版之前，筆者已經在所維護的微信公眾號、知乎、知識星球等平臺上做了很多分享，本書可看作一個更加系統的總結。讀者在以上平臺搜索“有三AI”并關注，即可加入社區，獲取更新的知識。
因作者水平和寫作時間所限，書中可能還存在疏漏和不足之處，敬請各位讀者批評與指正，也歡迎各位讀者提出寶貴的建議。
微信公眾號：有三AI
言有三于北京
2020年1月1日 |
內容簡介：初學者需要掌握的人臉圖像與特征基礎知識有哪些？
深度學習的核心技術有哪些？
人臉都有哪些經典的數據集？
人臉檢測有哪些核心算法？
人臉關鍵點檢測有哪些核心算法？
人臉識別有哪些核心算法？
人臉屬性識別有哪些核心算法？
人臉屬性分割有哪些核心算法？
人臉美顏和美妝有哪些核心算法？
人臉三維重建有哪些核心算法？
人臉屬性編輯有哪些核心算法？
……
通過閱讀本書，你將了解人臉圖像研究和應用領域的核心算法，并自己進行實踐。
本書核心知識
理論與背景基礎知識
人臉圖像的特點與人臉特征
深度卷積神經網絡核心技術
人臉各個領域的數據集發展史
圖像識別核心知識
目標檢測與人臉檢測
人臉關鍵點檢測
人臉識別
人臉屬性識別
圖像分割與人臉屬性分割
人臉美顏與妝造遷移
人臉三維重建
人臉屬性編輯
八大經典案例
Faster RCNN框架人臉檢測
輕量級人臉關鍵點檢測
基于VGG與Center loss的人臉識別
輕量級人臉表情和年齡識別
輕量級人臉屬性分割
基于GAN的人臉妝造遷移
三維人臉庫的使用與重建
人臉動畫頭像風格化 |
目錄：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 神經網絡 15
2.1.1 神經元模型 15
2.1.2 感知機 16
2.1.3 BP算法 17
2.2 卷積神經網絡基礎 20
2.2.1 卷積操作 20
2.2.2 反卷積操作 21
2.2.3 卷積神經網絡的基本概念 22
2.2.4 卷積神經網絡的核心思想 24
2.2.5 卷積神經網絡基本結構配置 25
2.3 深度學習優化基礎 28
2.3.1 激活模型與常用激活函數 29
2.3.2 參數初始化方法 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 人臉數據集 60
3.1 人臉檢測數據集 60
3.1.1 通用人臉檢測數據集 60
3.1.2 復雜人臉檢測數據集 62
3.2 關鍵點檢測數據集 63
3.3 人臉識別數據集 65
3.3.1 人臉識別圖像數據集 65
3.3.2 人臉識別視頻數據集 69
3.3.3 三維人臉識別數據集 69
3.3.4 人臉識別其他數據集 70
3.4 人臉屬性分析數據集 70
3.4.1 通用人臉屬性分析數據集 70
3.4.2 人臉表情數據集 71
3.4.3 人臉年齡與性別數據集 73
3.4.4 人臉分割數據集 74
3.4.5 人臉顏值數據集 76
3.4.6 人臉妝造數據集 76
3.5 人臉姿態與3D數據集 77
3.5.1 人臉姿態數據集 77
3.5.2 人臉三維重建數據集 78
3.6 人臉活體與偽造數據集 79
3.6.1 人臉活體數據集 79
3.6.2 人臉偽造數據集 81
3.7 人臉風格化數據集 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 關鍵點的點數發展 150
5.1.3 關鍵點檢測算法評價 153
5.1.4 人臉姿態 154
5.2 傳統人臉關鍵點檢測方法 154
5.2.1 ASM、AAM與CLM算法 155
5.2.2 級聯形狀回歸算法 157
5.3 深度學習方法 158
5.3.1 級聯框架 158
5.3.2 多任務聯合框架 160
5.3.3 遮擋與大姿態問題 162
5.4 實時人臉關鍵點檢測實踐 163
5.4.1 數據集和基準模型 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 人臉分類優化目標的發展 182
6.3 人臉識別算法面臨的挑戰和未來 186
6.3.1 遮擋人臉識別 186
6.3.2 跨姿態人臉識別 187
6.3.3 跨年齡人臉識別 188
6.3.4 妝造不變人臉識別 189
6.3.5 異質源人臉識別 190
6.3.6 其他問題 190
6.3.7 小結 191
6.4 實戰人臉識別模型訓練 192
6.4.1 數據準備與接口封裝 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 人臉性別識別發展與挑戰 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 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 傳統表情識別算法 219
7.4.3 深度學習方法 221
7.4.4 挑戰與展望 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 數據集與基準模型 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、美白與膚質調整 258
9.1.3 上妝 258
9.2 基于濾波與變形的傳統美顏算法 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調整算法 263
9.2.4 小結 264
9.3 妝造遷移算法 264
9.3.1 傳統妝造遷移算法 264
9.3.2 深度學習算法 266
9.4 妝造遷移算法實戰 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 傳統三維人臉重建技術 290
10.2.1 多目立體視覺匹配 290
10.2.2 3DMM 294
10.2.3 Shape from Shading 297
10.2.4 Structure from Motion 298
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 統一的人臉屬性編輯框架 345
11.2.9 小結 347
11.3 實戰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 |
| 序： |
