[套装书]深度学习之人脸图像处理：核心算法与案例实战+人脸识别与美颜算法实战：基于Python、机器学习与深度学习（2册）

作者
言有三 方圆圆
丛书名
出版社
机械工业出版社
ISBN
9782007271450
简要
简介
内容简介书籍计算机书籍 ---------------------------深度学习之人脸图像处理：核心算法与案例实战--------------------------- 本书全面、系统地介绍了深度学习技术在人脸图像处理领域中的应用。书中不但有人脸图像处理算法的详细介绍，更有实际案例带领读者上手练习。 本书共11章，第1章介绍了人脸图像与特征基础；第2章介绍了深度学习的基础知识；第3章介绍了人脸数据集；第4章介绍了人脸检测技术；第5章介绍了人脸关键点检测；第6章介绍了人脸识别技术；第7章介绍了人脸属性识别；第8章介绍了人脸属性分割技术；第9章介绍了人脸美颜与美妆；第10章介绍了人脸三维重建；第11章介绍了人脸属性编辑。 本书适合计算机视觉领域中人脸图像处理从业人员和爱好者阅读，也适深度学习算法爱好者阅读。 ---------------------------人脸识别与美颜算法实战：基于Python、机器学习与深度学习--------------------------- 本书将传统的图像处理技术、机器学习时代的图像技术，到目前炙手可热的深度学习时代的图像处理技术融汇贯通起来。生动的结合了目前热门的应用，以抖音、美颜相机、手机自带的滤镜和美颜功能为切入点，专注于人脸图像的各种处理，大量实际案例，带领读者与一线AI图像算法工程师在项目实践中的如何设计算法流程，如何优化算法逻辑，如何将算法应用到实际的场景中。另外本身的最后一章，深扒了目前抖音、美颜相机、天天P图、淘宝、京东等APP里面图像技术的应用场景以及实现原理，提纲挈领的概述了电商、娱乐、金融、安防这四大领域中应用的AI+图像技术实现思路。让读者可以对整个中国AI+图像的应用现状以及前景有直观的认知。
目录



---------------------------深度学习之人脸图像处理：核心算法与案例实战---------------------------


前言
第1章 人脸图像与特征基础 1
1.1 人脸图像基础 1
1.1.1 人脸图像的特点 1
1.1.2 人脸图像的应用 2
1.2 人脸特征基础 2
1.2.1 几何特征 3
1.2.2 颜（肤）色特征 3
1.2.3 纹理特征 5
1.3 人脸图像工程常用的机器学习算法 8
1.3.1 SVM简介 8
1.3.2 AdaBoost简介 12
第2章 深度学习基础 15
2.1 神经网络 15
2.1.1 神经元模型 15
2.1.2 感知机 16
2.1.3 BP算法 17
2.2 卷积神经网络基础 20
2.2.1 卷积操作 20
2.2.2 反卷积操作 21
2.2.3 卷积神经网络的基本概念 22
2.2.4 卷积神经网络的核心思想 24
2.2.5 卷积神经网络基本结构配置 25
2.3 深度学习优化基础 28
2.3.1 激活模型与常用激活函数 29
2.3.2 参数初始化方法 35
2.3.3 归一化方法 37
2.3.4 池化 42
2.3.5 最优化方法 43
2.3.6 学习率策略 47
2.3.7 正则化方法 50
2.4 深度学习主流开源框架介绍 53
2.4.1 Caffe简介 54
2.4.2 TensorFlow简介 54
2.4.3 PyTorch简介 55
2.4.4 Theano简介 56
2.4.5 Keras简介 56
2.4.6 MXNet简介 57
2.4.7 Chainer简介 57
参考文献 58
第3章 人脸数据集 60
3.1 人脸检测数据集 60
3.1.1 通用人脸检测数据集 60
3.1.2 复杂人脸检测数据集 62
3.2 关键点检测数据集 63
3.3 人脸识别数据集 65
3.3.1 人脸识别图像数据集 65
3.3.2 人脸识别视频数据集 69
3.3.3 三维人脸识别数据集 69
3.3.4 人脸识别其他数据集 70
3.4 人脸属性分析数据集 70
3.4.1 通用人脸属性分析数据集 70
3.4.2 人脸表情数据集 71
3.4.3 人脸年龄与性别数据集 73
3.4.4 人脸分割数据集 74
3.4.5 人脸颜值数据集 76
3.4.6 人脸妆造数据集 76
3.5 人脸姿态与3D数据集 77
3.5.1 人脸姿态数据集 77
3.5.2 人脸三维重建数据集 78
3.6 人脸活体与伪造数据集 79
3.6.1 人脸活体数据集 79
3.6.2 人脸伪造数据集 81
3.7 人脸风格化数据集 81
第4章 人脸检测 83
4.1 目标检测基础 83
4.1.1 目标检测基本流程 83
4.1.2 选择检测窗口 84
4.1.3 提取图像特征 84
4.1.4 设计分类器 85
4.2 经典人脸检测算法 86
4.2.1 人脸检测问题 87
4.2.2 人脸肤色模型 87
4.2.3 人脸形状模型与模板匹配 88
4.2.4 特征分类算法 88
4.2.5 DPM方法 91
4.3 深度学习通用目标检测方法 93
4.3.1 OverFeat方法 94
4.3.2 Selective search与R-CNN方法 94
4.3.3 SPPNet与Fast R-CNN方法 96
4.3.4 Faster R-CNN与R-FCN方法 99
4.3.5 YOLO方法 101
4.3.6 SSD方法 104
4.3.7 基于角点的检测方法 105
4.3.8 目标检测中的几个关键技术和难点 106
4.4 深度学习人脸检测核心技术 109
4.4.1 人脸组件算法 109
4.4.2 级联检测算法 110
4.4.3 多尺度人脸检测算法 114
4.4.4 遮挡人脸检测算法 118
4.4.5 活体与伪造人脸检测算法 119
4.5 实战Faster R-CNN人脸检测 120
4.5.1 项目背景 120
4.5.2 py-faster-rcnn框架解读 120
4.5.3 模型定义与分析 134
4.5.4 模型训练 143
4.5.5 模型测试 144
参考文献 146
第5章 人脸关键点检测 149
5.1 关键点检测基础 149
5.1.1 关键点的定义 149
5.1.2 关键点的点数发展 150
5.1.3 关键点检测算法评价 153
5.1.4 人脸姿态 154
5.2 传统人脸关键点检测方法 154
5.2.1 ASM、AAM与CLM算法 155
5.2.2 级联形状回归算法 157
5.3 深度学习方法 158
5.3.1 级联框架 158
5.3.2 多任务联合框架 160
5.3.3 遮挡与大姿态问题 162
5.4 实时人脸关键点检测实践 163
5.4.1 数据集和基准模型 163
5.4.2 模型训练 164
5.4.3 模型测试 169
5.5 小结 171
参考文献 171
第6章 人脸识别 173
6.1 人脸识别基础 173
6.1.1 人脸识别基本流程 173
6.1.2 人脸识别评估 173
6.1.3 传统人脸识别特征 174
6.2 深度学习人脸识别核心技术 177
6.2.1 度量学习 177
6.2.2 多类别分类学习 180
6.2.3 人脸分类优化目标的发展 182
6.3 人脸识别算法面临的挑战和未来 186
6.3.1 遮挡人脸识别 186
6.3.2 跨姿态人脸识别 187
6.3.3 跨年龄人脸识别 188
6.3.4 妆造不变人脸识别 189
6.3.5 异质源人脸识别 190
6.3.6 其他问题 190
6.3.7 小结 191
6.4 实战人脸识别模型训练 192
6.4.1 数据准备与接口封装 192
6.4.2 模型训练 198
6.4.3 模型测试 204
6.4.4 小结 208
参考文献 208
第7章 人脸属性识别 211
7.1 人脸性别识别 211
7.1.1 人脸性别识别方法 211
7.1.2 人脸性别识别发展与挑战 212
7.2 人脸颜值与脸型识别 212
7.2.1 平均脸和脸型分类 212
7.2.2 人脸颜值与脸型特征 213
7.2.3 应用和挑战 214
7.3 人脸年龄识别 214
7.3.1 人脸年龄估计模型 215
7.3.2 传统年龄估计方法 216
7.3.3 深度学习年龄估计方法 216
7.3.4 小结 218
7.4 人脸表情识别 218
7.4.1 概述 218
7.4.2 传统表情识别算法 219
7.4.3 深度学习方法 221
7.4.4 挑战与展望 222
7.5 人脸属性识别项目实践 223
7.5.1 表情识别 223
7.5.2 年龄识别 229
7.5.3 总结 233
参考文献 234
第8章 人脸属性分割 236
8.1 图像分割的基础与人脸属性分割的应用 236
8.1.1 图像分割的含义 236
8.1.2 经典的图像分割方法 236
8.1.3 人脸属性分割的应用 238
8.2 深度学习图像分割核心技术 239
8.2.1 反卷积 239
8.2.2 图像分割经典模型 241
8.2.3 感受野控制、上下文信息与多尺度结构 243
8.2.4 图像分割后处理技术 246
8.2.5 图像分割中的难题 247
8.3 轻量级人脸分割项目实践 248
8.3.1 数据集与基准模型 249
8.3.2 模型训练与测试 250
8.3.3 小结 254
参考文献 255
第9章 人脸美颜与美妆 257
9.1 美颜基础和应用场景 257
9.1.1 五官重塑 257
9.1.2 磨皮、美白与肤质调整 258
9.1.3 上妆 258
9.2 基于滤波与变形的传统美颜算法 259
9.2.1 基于变形的五官重塑 259
9.2.2 基于滤波的磨皮算法 261
9.2.3 基于肤色模型的美白与肤质调整算法 263
9.2.4 小结 264
9.3 妆造迁移算法 264
9.3.1 传统妆造迁移算法 264
9.3.2 深度学习算法 266
9.4 妆造迁移算法实战 270
9.4.1 项目解读 270
9.4.2 模型训练 282
9.4.3 模型测试 284
参考文献 286
第10章 人脸三维重建 287
10.1 三维重建基础 287
10.1.1 常见三维重建技术 287
10.1.2 人脸三维重建的特点和难点 288
10.1.3 人脸三维重建基础技术 289
10.2 传统三维人脸重建技术 290
10.2.1 多目立体视觉匹配 290
10.2.2 3DMM 294
10.2.3 Shape from Shading 297
10.2.4 Structure from Motion 298
10.3 深度学习三维人脸重建 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 三维人脸重建的难点 301
10.4 深度学习三维人脸重建实践 302
10.4.1 BFM模型的使用 302
10.4.2 基于BFM模型的常见三维特征 315
10.4.3 PRNet三维重建 318
10.4.4 小结 324
参考文献 325
第11章 人脸属性编辑 327
11.1 人脸属性编辑基础 327
11.1.1 人脸属性编辑应用 327
11.1.2 基于模型的人脸编辑 329
11.2 深度学习人脸属性编辑方法 329
11.2.1 GAN基础 330
11.2.2 图像风格化 334
11.2.3 表情编辑算法 336
11.2.4 年龄编辑算法 338
11.2.5 姿态编辑算法 339
11.2.6 人脸风格化算法 341
11.2.7 换脸算法 344
11.2.8 统一的人脸属性编辑框架 345
11.2.9 小结 347
11.3 实战人脸动画头像风格化 347
11.3.1 项目解读 348
11.3.2 模型训练 358
11.3.3 模型测试 358
参考文献 361



---------------------------人脸识别与美颜算法实战：基于Python、机器学习与深度学习---------------------------


推荐序
前言
第1章 AI时代：图像技术背景知识 1
1.1 人工智能的前世今生 2
1.2 AI与CV的相互融合之路 3
1.3 AI图像处理技术 5
1.4 本章小结 7
第2章 武器和铠甲：开发环境配置 8
2.1 来自传承的馈赠：OpenCV开源跨平台机器视觉库 8
2.1.1 OpenCV的整体概念 9
2.1.2 OpenCV的应用领域 9
2.1.3 OpenCV的编程语言 9
2.1.4 OpenCV支持的系统 10
2.1.5 OpenCV的线上资源 10
2.2 召唤萌宠：Python语言的“制霸”之路 10
2.2.1 Python语言的发展 11
2.2.2 Python 2.7.X版本和3.X版本的区别 11
2.2.3 本书采用的Python版本 13
2.3 铸剑：基于PyCharm的系统环境配置 14
2.3.1 PyCharm在Mac OS系统下的安装和配置 14
2.3.2 Mac OS系统下Anaconda的安装和配置 17
2.4 牛刀小试：一起动手来写个例子吧 19
2.5 本章小结 21
第3章 开启星辰大海：图像处理技术基础知识 22
3.1 图像的基本概念 23
3.1.1 像素的概念 23
3.1.2 图像的构成 24
3.1.3 图像的格式 24
3.1.4 理解图像的位深和通道的概念 25
3.2 图像的读取、显示和存储操作 26
3.2.1 OpenCV基本图像处理函数 26
3.2.2 Python读取一张图片并显示和存储 27
3.3 从像素出发构建二维灰度图像 28
3.3.1 NumPy科学计算库 28
3.3.2 创建二维灰度图像 30
3.3.3 灰度图像的遍历 31
3.4 灰度图像和彩色图像的变换 32
3.4.1 图像的颜色空间 32
3.4.2 彩色图像的通道分离和混合 33
3.4.3 彩色图像的通道分离和混合程序示例 34
3.4.4 彩色图像的二值化 35
3.4.5 彩色图像的遍历 37
3.4.6 彩色图像和灰度图像的转换 38
3.5 图像的几何变换 40
3.5.1 图像几何变换的基本概念 40
3.5.2 插值算法 41
3.5.3 图像的缩放 42
3.5.4 图像的平移 44
3.5.5 图像的旋转 45
3.5.6 图像的镜像变换 47
3.6 图像色彩空间基础知识 48
3.6.1 图像的色调、色相、饱和度、亮度和对比度 48
3.6.2 RGB色彩空间 49
3.6.3 HSV色彩空间 49
3.6.4 HSI色彩空间 50
3.7 图像的直方图 50
3.7.1 图像直方图的基本概念 50
3.7.2 绘制灰度图像的直方图 51
3.7.3 绘制彩色图像的直方图 53
3.7.4 图像直方图均衡化 54
3.7.5 图像直方图反向投影 56
3.8 本章小结 58
第4章 First Blood：第一波项目实战 59
4.1 抖音哈哈镜 60
4.1.1 抖音的哈哈镜效果 60
4.1.2 哈哈镜的原理 61
4.1.3 哈哈镜的程序实现 61
4.2 给你一张老照片 64
4.2.1 怀旧风格算法原理 64
4.2.2 怀旧风格程序实现 65
4.3 给自己画一张文艺范的素描 66
4.3.1 轮廓检测算法原理 66
4.3.2 素描风格算法原理 67
4.3.3 素描风格算法的程序实现 68
4.4 来一张油画吧 69
4.4.1 图像油画算法原理 69
4.4.2 图像油画算法的程序实现 69
4.5 如何打马赛克 72
4.5.1 马赛克算法原理 72
4.5.2 马赛克算法的程序实现 72
4.6 打造自己的专属肖像漫画 74
4.6.1 漫画风格算法原理 74
4.6.2 漫画风格算法的程序实现 74
4.7 本章小结 76
第5章 Double Kill：视频图像处理理论和项目实战 77
5.1 视频处理流程和原理 78
5.1.1 视频的捕获和存储 78
5.1.2 提取视频中的某些帧 79
5.1.3 将图片合成为视频 80
5.1.4 多个视频合并 81
5.2 抖音中的视频抖动效果设计 82
5.2.1 视频抖动的原理 82
5.2.2 视频抖动的程序实现 83
5.3 抖音中的视频闪白效果设计 85
5.3.1 视频闪白的原理 86
5.3.2 视频闪白的程序实现 87
5.4 抖音中的视频霓虹效果设计 90
5.4.1 视频霓虹的原理 90
5.4.2 视频霓虹效果的程序实现 91
5.5 抖音中的视频时光倒流效果设计 94
5.5.1 视频时光倒流的原理 94
5.5.2 视频时光倒流的程序实现 94
5.6 抖音中的视频反复效果设计 95
5.6.1 视频反复的原理 95
5.6.2 视频反复的程序实现 95
5.7 抖音中的视频慢动作效果设计 96
5.7.1 视频慢动作的原理 97
5.7.2 视频慢动作的程序实现 97
5.8 视频人物漫画风格滤镜设计 98
5.9 本章小结 99
第6章 Triple Kill：基于机器学习的人脸识别 100
6.1 机器学习的基本概念 101
6.1.1 机器学习的目的 101
6.1.2 机器学习的内容 102
6.1.3 机器学习的作用 103
6.1.4 如何使用机器学习获得的东西 105
6.1.5 使用机器学习方法的时机 106
6.1.6 总结机器学习的基本概念 108
6.2 机器学习中的图像预处理流程 112
6.2.1 一个经典的机器学习图像处理实例 112
6.2.2 人脸识别机器学习Model训练思路 113
6.2.3 正样本图像预处理 113
6.2.4 负样本图像预处理 121
6.3 人脸检测机器学习算法设计 123
6.3.1 图像特征 123
6.3.2 Harr-like特征求值加速算法 127
6.3.3 图像分类器 128
6.3.4 人脸检测的训练算法流程 130
6.3.5 人脸检测的检测算法流程 131
6.4 训练人脸检测分类器并测试 132
6.4.1 训练准备 132
6.4.2 开始训练 133
6.4.3 模型测试 134
6.5 本章小结 135
第7章 Quatary Kill：基于深度学习的人脸识别 137
7.1 深度学习的基本概念 138
7.1.1 深度学习简介 138
7.1.2 深度学习和机器学习的区别 139
7.1.3 深度学习入门概念 141
7.2 卷积神经网络 147
7.2.1 卷积的原理 147
7.2.2 池化层的原理 150
7.2.3 全连接层的原理 150
7.2.4 一个经典的CNN网络结构 152
7.3 手写数字分类项目 153
7.3.1 训练环境的搭建 153
7.3.2 训练数据的准备 154
7.3.3 训练网络的搭建 155
7.3.4 训练代码 158
7.3.5 深度学习基础知识扩展 159
7.4 基于深度学习的人脸识别解决方案 161
7.4.1 数据的准备 161
7.4.2 数据集的读取和处理 163
7.4.3 网络的搭建 165
7.4.4 Model的训练过程 167
7.4.5 Model的测试过程 168
7.5 本章小结 169
第8章 Penta Kill：人脸图像美颜算法项目实战 170
8.1 人脸磨皮算法 171
8.1.1 图像滤波算法和效果 171
8.1.2 人脸磨皮算法设计 176
8.2 图像的色彩空间 180
8.2.1 RGB和HSV色彩空间基础知识 180
8.2.2 RGB和HSV转换的数学描述和函数实现 180
8.2.3 图片中的颜色检测 181
8.3 人脸美白算法设计 183
8.3.1 通过图层混合实现图像美白算法 184
8.3.2 通过beta参数调整实现图像美白算法 185
8.3.3 通过颜色查找表实现图像美白算法 187
8.4 人脸的手动祛痘算法设计 189
8.4.1 图像修复算法介绍 190
8.4.2 图像修复的原理 190
8.4.3 通过图像修复算法实现手动祛痘 191
8.5 本章小结 193
第9章 Legendary：AI时代图像算法应用新生态 194
9.1 抖音中的图像技术 195
9.1.1 抖音中的图像应用概览 195
9.1.2 抖音中的人脸检测技术 195
9.1.3 抖音中的人脸检测技术应用 197
9.1.4 抖音中的人体检测技术 201
9.1.5 抖音中的人体检测技术应用 201
9.1.6 抖音中的视频技术 202
9.1.7 抖音中的图像技术总结 205
9.2 美颜和美妆类App中的图像技术 206
9.2.1 美颜和美妆类App图像应用概览 207
9.2.2 五官的调整 207
9.2.3 美妆算法 208
9.2.4 染发算法 209
9.2.5 五官分析 211
9.2.6 美颜相机和美妆相机中图像技术的一些总结 213
9.3 电商中的图像技术 213
9.3.1 电商中的图像技术应用概览 213
9.3.2 虚拟穿戴技术和商品3D展示 214
9.3.3 尺寸测量 214
9.3.4 相似商品推荐及以图搜图 215
9.4 本章小结 216



有问题微信扫码联系

推荐

Understand China
桂ICP备20004708号-4