刷脸背后：人脸检测 人脸识别 人脸检索
第1章 人脸检测、人脸识别与人脸检索概述 1
1．1 人脸检测、人脸识别与人脸检索的应用场景 2
1．1．1 当前应用 3
1．1．2 未来应用 5
1．2 人脸检测、人脸识别与人脸检索常用的数据集 5
1．2．1 LFW数据集 5
1．2．2 FDDB数据集 6
1．2．3 Wanwan1数据集 7
1．2．4 Wanwan2数据集 8
1．3 OpenCV的简介、安装与使用 8
查看完整
1．1 人脸检测、人脸识别与人脸检索的应用场景 2
1．1．1 当前应用 3
1．1．2 未来应用 5
1．2 人脸检测、人脸识别与人脸检索常用的数据集 5
1．2．1 LFW数据集 5
1．2．2 FDDB数据集 6
1．2．3 Wanwan1数据集 7
1．2．4 Wanwan2数据集 8
1．3 OpenCV的简介、安装与使用 8
查看完整
张重生，男，博士，教授，硕士生导师，河南大学大数据研究中心、大数据团队带头人。研究领域为大数据分析、深度学习、数据挖掘、数据库、数据流（实时数据分析）。博士毕业于 INRIA,France(法国国家信息与自动化研究所)，获得优秀博士论文荣誉。2010年08月至2011年3月，在美国加州大学洛杉矶分校(UCLA)，计算机系，师从著名的数据库专家Carlo Zaniolo教授，从事数据挖掘领域的合作研究。 2012-2013,挪威科技大学，ERCIM/Marie-Curie Fellow。
人脸识别是当今热门的研发方向，在安防、金融、旅游等领域具有十分广泛的应用。本书全面、系统地介绍“刷脸”背后的技术，包括人脸检测、人脸识别、人脸检索相关的算法原理和实现技术。本书中讲解的算法具有高度的可操作性和实用性。通过学习本书，研究人员、工程师能够在3～5个月内，系统了解、掌握人脸检测、人脸识别、人脸检索相关的原理和技术。本书内容新颖、层次清晰，适合高校教师、研究人员、研究生、高年级本科生、人脸识别爱好者使用。
第1章 人脸检测、人脸识别与人脸检索概述 1
1．1 人脸检测、人脸识别与人脸检索的应用场景 2
1．1．1 当前应用 3
1．1．2 未来应用 5
1．2 人脸检测、人脸识别与人脸检索常用的数据集 5
1．2．1 LFW数据集 5
1．2．2 FDDB数据集 6
1．2．3 Wanwan1数据集 7
1．2．4 Wanwan2数据集 8
1．3 OpenCV的简介、安装与使用 8
参考文献 15
第2章 图像处理基础 16
2．1 数字图像处理的基本概念 16
2．1．1 像素 17
2．1．2 分辨率 17
2．1．3 图像的色调、亮度和饱和度 19
2．1．4 图像的对比度 22
2．1．5 图像的纹理 23
2．2 颜色空间 26
2．2．1 RGB颜色空间 26
2．2．2 HSV颜色空间 27
2．2．3 YUV颜色空间 27
2．2．4 颜色空间的转换 28
2．3 数字图像处理的基本操作 32
2．3．1 图像的读取 32
2．3．2 图像的显示 34
2．3．3 图像的修改 35
2．3．4 图像的保存 36
2．3．5 获取图像的基本信息 37
2．4 图像类型及转换 38
2．4．1 图像类型 39
2．4．2 图像类型的转换 39
2．5 图像变换处理 48
2．5．1 图像的平移 48
2．5．2 图像的旋转 51
2．5．3 图像的缩放 52
2．5．4 图像的剪切 55
2．5．5 图像的翻转 58
2．6 图像的噪声和滤波 60
2．6．1 常见的噪声模型 60
2．6．2 经典的去噪算法 64
第3章 人脸检测实战 67
3．1 DPM人脸检测算法 67
3．1．1 DPM人脸检测算法的使用 68
3．1．2 DPM人脸检测算法的原理 69
3．1．3 DPM人脸检测算法的检测结果 73
3．2 LAEO人脸检测算法 74
3．2．1 LAEO人脸检测算法的使用 74
3．2．2 LAEO人脸检测算法的原理 75
3．2．3 LAEO人脸检测算法的检测结果 77
3．3 Viola＆Jones人脸检测算法 79
3．3．1 Viola＆Jones人脸检测算法的使用 79
3．3．2 Viola＆Jones人脸检测算法的原理 79
3．3．3 Viola＆Jones人脸检测算法的检测结果 82
参考文献 83
第4章 基于深度学习的人脸检测算法 84
4．1 CNN Facial Point Detection人脸检测算法 84
4．1．1 CNN Facial Point Detection人脸检测算法的使用 85
4．1．2 CNN Facial Point Detection人脸检测算法的原理 85
4．1．3 CNN Facial Point Detection人脸检测算法的检测结果 86
4．2 DDFD人脸检测算法 87
4．2．1 DDFD人脸检测算法的使用 87
4．2．2 DDFD人脸检测算法的原理 88
4．2．3 DDFD人脸检测算法的检测结果 89
4．3 人脸检测算法融合 90
参考文献 92
第5章 基于Fast R-CNN的人脸检测 94
5．1 Fast R-CNN简介 94
5．2 Fast R-CNN的特点和结构 95
5．3 Fast R-CNN的使用 96
5．4 数据集的预处理 97
5．5 EdgeBoxes的使用 98
5．6 使用EdgeBoxes提取object proposal 99
5．7 基于Fast R-CNN训练人脸检测网络模型和测试 100
5．7．1 训练阶段 100
5．7．2 测试阶段 106
5．7．3 评估阶段 108
5．7．4 优化阶段 111
参考文献 112
第6章 人脸识别实战 113
6．1 DeepID算法 114
6．1．1 DeepID算法的原理 114
6．1．2 DeepID算法的流程 116
6．1．3 DeepID算法的结果 126
6．2 VGG Face Descriptor算法 128
6．2．1 VGG Face Descriptor算法的原理 128
6．2．2 VGG Face Descriptor算法的实现 129
6．2．3 VGG Face Descriptor算法的结果 131
6．3 OpenCV中的3种人脸识别算法 132
6．3．1 Eigenfaces 132
6．3．2 Fisherfaces 140
6．3．3 Local Binary Patterns Histograms 148
6．4 人脸识别算法对比分析 152
6．5 小结 153
参考文献 155
第7章 人脸检索实践 157
7．1 人脸检索简介 157
7．2 计算人脸相似度的方法 158
7．2．1 欧氏距离 159
7．2．2 余弦相似度 159
7．3 查询处理算法 161
7．4 评价人脸检索结果的标准 161
7．5 PHash算法 161
7．5．1 PHash算法的使用 162
7．5．2 PHash算法原理 162
7．5．3 PHash算法实现 162
7．5．4 PHash算法的实验数据、实验结果及分析 164
7．6 DHash算法 168
7．6．1 DHash算法的使用 168
7．6．2 DHash算法原理 168
7．6．3 DHash算法实现 169
7．6．4 DHash算法的实验数据、实验结果及分析 170
7．7 PCA算法 173
7．7．1 PCA算法的使用 173
7．7．2 PCA算法原理 174
7．7．3 PCA算法实现 175
7．7．4 PCA算法的实验数据、实验结果及分析 177
7．8 BoF特征 181
7．8．1 BoF-SIFT算法的使用 182
7．8．2 BoF-SIFT算法原理 182
7．8．3 BoF-SIFT算法实现 182
7．8．4 BoF-SIFT算法的实验数据、实验结果及分析 188
7．9 用于图像快速检索的KD-Tree索引 190
7．9．1 FLANN算法的使用 191
7．9．2 KD-Tree的创建与查询处理 191
7．9．3 FLANN中KD-Tree的算法实现 192
7．9．4 FLANN算法的实验数据、实验结果及分析 194
7．10 Gabor算法 195
7．10．1 Gabor算法的使用 196
7．10．2 Gabor算法原理 196
7．10．3 Gabor算法实现 199
7．10．4 Gabor算法的实验数据、实验结果及分析 204
7．11 HOG算法 208
7．11．1 HOG算法的使用 209
7．11．2 HOG算法原理 209
7．11．3 HOG算法实现 210
7．11．4 HOG算法的实验数据、实验结果及分析 212
7．12 深度学习特征 215
7．12．1 深度学习算法的使用 215
7．12．2 深度学习算法原理 215
7．12．3 深度学习算法实现 216
7．12．4 深度学习算法的实验数据、实验结果及分析 216
参考文献 220
第8章 人脸检测商业软件及其应用示例 222
8．1 人脸检测商业软件之VeriLook 222
8．2 人脸检测商业软件之Face++ 226
8．3 各种人脸检测算法的对比分析 229
8．4 视频中的人脸检测与追踪 231
参考文献 234
^ 收 起
1．1 人脸检测、人脸识别与人脸检索的应用场景 2
1．1．1 当前应用 3
1．1．2 未来应用 5
1．2 人脸检测、人脸识别与人脸检索常用的数据集 5
1．2．1 LFW数据集 5
1．2．2 FDDB数据集 6
1．2．3 Wanwan1数据集 7
1．2．4 Wanwan2数据集 8
1．3 OpenCV的简介、安装与使用 8
参考文献 15
第2章 图像处理基础 16
2．1 数字图像处理的基本概念 16
2．1．1 像素 17
2．1．2 分辨率 17
2．1．3 图像的色调、亮度和饱和度 19
2．1．4 图像的对比度 22
2．1．5 图像的纹理 23
2．2 颜色空间 26
2．2．1 RGB颜色空间 26
2．2．2 HSV颜色空间 27
2．2．3 YUV颜色空间 27
2．2．4 颜色空间的转换 28
2．3 数字图像处理的基本操作 32
2．3．1 图像的读取 32
2．3．2 图像的显示 34
2．3．3 图像的修改 35
2．3．4 图像的保存 36
2．3．5 获取图像的基本信息 37
2．4 图像类型及转换 38
2．4．1 图像类型 39
2．4．2 图像类型的转换 39
2．5 图像变换处理 48
2．5．1 图像的平移 48
2．5．2 图像的旋转 51
2．5．3 图像的缩放 52
2．5．4 图像的剪切 55
2．5．5 图像的翻转 58
2．6 图像的噪声和滤波 60
2．6．1 常见的噪声模型 60
2．6．2 经典的去噪算法 64
第3章 人脸检测实战 67
3．1 DPM人脸检测算法 67
3．1．1 DPM人脸检测算法的使用 68
3．1．2 DPM人脸检测算法的原理 69
3．1．3 DPM人脸检测算法的检测结果 73
3．2 LAEO人脸检测算法 74
3．2．1 LAEO人脸检测算法的使用 74
3．2．2 LAEO人脸检测算法的原理 75
3．2．3 LAEO人脸检测算法的检测结果 77
3．3 Viola＆Jones人脸检测算法 79
3．3．1 Viola＆Jones人脸检测算法的使用 79
3．3．2 Viola＆Jones人脸检测算法的原理 79
3．3．3 Viola＆Jones人脸检测算法的检测结果 82
参考文献 83
第4章 基于深度学习的人脸检测算法 84
4．1 CNN Facial Point Detection人脸检测算法 84
4．1．1 CNN Facial Point Detection人脸检测算法的使用 85
4．1．2 CNN Facial Point Detection人脸检测算法的原理 85
4．1．3 CNN Facial Point Detection人脸检测算法的检测结果 86
4．2 DDFD人脸检测算法 87
4．2．1 DDFD人脸检测算法的使用 87
4．2．2 DDFD人脸检测算法的原理 88
4．2．3 DDFD人脸检测算法的检测结果 89
4．3 人脸检测算法融合 90
参考文献 92
第5章 基于Fast R-CNN的人脸检测 94
5．1 Fast R-CNN简介 94
5．2 Fast R-CNN的特点和结构 95
5．3 Fast R-CNN的使用 96
5．4 数据集的预处理 97
5．5 EdgeBoxes的使用 98
5．6 使用EdgeBoxes提取object proposal 99
5．7 基于Fast R-CNN训练人脸检测网络模型和测试 100
5．7．1 训练阶段 100
5．7．2 测试阶段 106
5．7．3 评估阶段 108
5．7．4 优化阶段 111
参考文献 112
第6章 人脸识别实战 113
6．1 DeepID算法 114
6．1．1 DeepID算法的原理 114
6．1．2 DeepID算法的流程 116
6．1．3 DeepID算法的结果 126
6．2 VGG Face Descriptor算法 128
6．2．1 VGG Face Descriptor算法的原理 128
6．2．2 VGG Face Descriptor算法的实现 129
6．2．3 VGG Face Descriptor算法的结果 131
6．3 OpenCV中的3种人脸识别算法 132
6．3．1 Eigenfaces 132
6．3．2 Fisherfaces 140
6．3．3 Local Binary Patterns Histograms 148
6．4 人脸识别算法对比分析 152
6．5 小结 153
参考文献 155
第7章 人脸检索实践 157
7．1 人脸检索简介 157
7．2 计算人脸相似度的方法 158
7．2．1 欧氏距离 159
7．2．2 余弦相似度 159
7．3 查询处理算法 161
7．4 评价人脸检索结果的标准 161
7．5 PHash算法 161
7．5．1 PHash算法的使用 162
7．5．2 PHash算法原理 162
7．5．3 PHash算法实现 162
7．5．4 PHash算法的实验数据、实验结果及分析 164
7．6 DHash算法 168
7．6．1 DHash算法的使用 168
7．6．2 DHash算法原理 168
7．6．3 DHash算法实现 169
7．6．4 DHash算法的实验数据、实验结果及分析 170
7．7 PCA算法 173
7．7．1 PCA算法的使用 173
7．7．2 PCA算法原理 174
7．7．3 PCA算法实现 175
7．7．4 PCA算法的实验数据、实验结果及分析 177
7．8 BoF特征 181
7．8．1 BoF-SIFT算法的使用 182
7．8．2 BoF-SIFT算法原理 182
7．8．3 BoF-SIFT算法实现 182
7．8．4 BoF-SIFT算法的实验数据、实验结果及分析 188
7．9 用于图像快速检索的KD-Tree索引 190
7．9．1 FLANN算法的使用 191
7．9．2 KD-Tree的创建与查询处理 191
7．9．3 FLANN中KD-Tree的算法实现 192
7．9．4 FLANN算法的实验数据、实验结果及分析 194
7．10 Gabor算法 195
7．10．1 Gabor算法的使用 196
7．10．2 Gabor算法原理 196
7．10．3 Gabor算法实现 199
7．10．4 Gabor算法的实验数据、实验结果及分析 204
7．11 HOG算法 208
7．11．1 HOG算法的使用 209
7．11．2 HOG算法原理 209
7．11．3 HOG算法实现 210
7．11．4 HOG算法的实验数据、实验结果及分析 212
7．12 深度学习特征 215
7．12．1 深度学习算法的使用 215
7．12．2 深度学习算法原理 215
7．12．3 深度学习算法实现 216
7．12．4 深度学习算法的实验数据、实验结果及分析 216
参考文献 220
第8章 人脸检测商业软件及其应用示例 222
8．1 人脸检测商业软件之VeriLook 222
8．2 人脸检测商业软件之Face++ 226
8．3 各种人脸检测算法的对比分析 229
8．4 视频中的人脸检测与追踪 231
参考文献 234
^ 收 起
张重生，男，博士，教授，硕士生导师，河南大学大数据研究中心、大数据团队带头人。研究领域为大数据分析、深度学习、数据挖掘、数据库、数据流（实时数据分析）。博士毕业于 INRIA,France(法国国家信息与自动化研究所)，获得优秀博士论文荣誉。2010年08月至2011年3月，在美国加州大学洛杉矶分校(UCLA)，计算机系，师从著名的数据库专家Carlo Zaniolo教授，从事数据挖掘领域的合作研究。 2012-2013,挪威科技大学，ERCIM/Marie-Curie Fellow。
人脸识别是当今热门的研发方向，在安防、金融、旅游等领域具有十分广泛的应用。本书全面、系统地介绍“刷脸”背后的技术，包括人脸检测、人脸识别、人脸检索相关的算法原理和实现技术。本书中讲解的算法具有高度的可操作性和实用性。通过学习本书，研究人员、工程师能够在3～5个月内，系统了解、掌握人脸检测、人脸识别、人脸检索相关的原理和技术。本书内容新颖、层次清晰，适合高校教师、研究人员、研究生、高年级本科生、人脸识别爱好者使用。
比价列表
2人想要
公众号、微信群
缺书网微信公众号
扫码进群实时获取购书优惠