[套装书]人脸识别与美颜算法实战：基于Python、机器学习与深度学习+Python人脸识别：从入门到工程实践（2册）

作者
方圆圆 王天庆
丛书名
出版社
机械工业出版社
ISBN
9782005181018
简要
简介
内容简介书籍计算机书籍 ---------------------------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。 ---------------------------Python人脸识别：从入门到工程实践--------------------------- 内容简介 这是一本面向初学者的人脸识别工具书，不仅适合零基础的读者快速入门，而且适合有一定基础的读者迅速达到可以进行工程实践的水平。 作者就职于某世界100强企业，在人脸识别方面积累了丰富的工程实践经验，本书不仅详细介绍了机器学习、深度学习、计算机视觉、人脸识别等方面的原理、技术和算法，而且还通过相关的实战案例讲解了如何进行人脸识别方面的实践，以及如何将做好的模型用于工程实践中。同时，本书还提供了大量简洁、精炼的代码，能帮助读者从零开始实现一个工程级别的人脸识别引擎。 全书一共8章： 第1章介绍了人脸识别的基础和必备常识； 第2-4章详细讲解了与人脸识别相关的数学、机器学习、计算机视觉、OpenCV相关的基础和算法； 第5章讲解了深度学习的原理以及使用Keras实现深度学习模型的方法； 第6章介绍了常用的人脸识别算法； . 第7~8章详细讲解了人脸识别引擎的实现方法以及如何将做好的模型进行工程化。
目录



---------------------------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



---------------------------Python人脸识别：从入门到工程实践---------------------------


前言
第1章　人脸识别入门1
1.1　人脸识别概况1
1.1.1　何为人脸识别1
1.1.2　人脸识别的应用2
1.1.3　人脸识别的目标4
1.1.4　人脸识别的一般方法5
1.2　人脸识别发展状况8
1.2.1　人脸识别历史沿革8
1.2.2　DT时代的呼唤10
1.2.3　计算机视觉的新起点10
1.3　本章小结12
第2章　数学与机器学习基础13
2.1　矩阵13
2.1.1　矩阵的形式13
2.1.2　行列式14
2.1.3　转置15
2.1.4　矩阵的一般运算15
2.2　向量17
2.2.1　向量的形式18
2.2.2　向量的点乘18
2.2.3　向量的范数19
2.3　距离度量19
2.3.1　欧式距离19
2.3.2　曼哈顿距离20
2.3.3　余弦距离20
2.3.4　汉明距离21
2.4　卷积22
2.4.1　一维卷积22
2.4.2　二维卷积23
2.5　机器学习基础25
2.5.1　机器学习类别25
2.5.2　分类算法26
2.6　本章小结38
第3章　计算机视觉原理与应用39　
3.1　计算机视觉介绍39
3.2　颜色模型40
3.2.1　彩色图像40
3.2.2　灰度图像与二值图像42
3.3　信号与噪声44
3.3.1　信号44
3.3.2　噪声45
3.4　图像滤波45
3.4.1　均值滤波45
3.4.2　中值滤波47
3.5　图像的几何变换47
3.5.1　平移48
3.5.2　旋转49
3.5.3　缩放50
3.6　图像特征50
3.6.1　灰度直方图50
3.6.2　LBP特征51
3.6.3　Haar特征52
3.6.4　HOG特征54
3.7　本章小结56
第4章　OpenCV基础与应用58
4.1　OpenCV介绍58
4.2　科学计算库Numpy59
4.2.1　array类型60
4.2.2　线性代数相关62
4.2.3　矩阵的高级函数64
4.3　OpenCV基本操作70
4.4　图像的基本变换72
4.4.1　颜色变换72
4.4.2　几何变换80
4.4.3　图像噪声处理83
4.5　本章小结86
第5章　深度学习与Keras工程实践87
5.1　深度学习介绍87
5.2　Keras框架简介89
5.3　Keras的使用方法91
5.3.1　深度学习的原理91
5.3.2　Keras神经网络堆叠的两种方法92
5.4　常用的神经网络层96
5.4.1　全连接层96
5.4.2　二维卷积层98
5.4.3　池化层100
5.4.4　BN层103
5.4.5　dropout层105
5.4.6　flatten层106
5.5　激活函数108
5.5.1　Sigmoid激活函数108
5.5.2　Softmax激活函数109
5.5.3　ReLU激活函数110
5.5.4　Keras中激活函数的使用111
5.6　优化器112
5.6.1　SGD优化器113
5.6.2　Adadelta优化器116
5.7　损失函数117
5.7.1　均方误差117
5.7.2　交叉熵损失函数118
5.7.3　Keras提供的损失函数120
5.8　模型评估方法122
5.8.1　交叉验证122
5.8.2　分类器性能评估124
5.9　数据增强127
5.9.1　数据增强概述128
5.9.2　Keras实现数据增强129
5.9.3　自己实现数据增强133
5.10　Keras的工程实践134
5.10.1　训练时的回调函数135
5.10.2　打印网络信息137
5.10.3　输出网络结构图139
5.10.4　获取某层的输出140
5.11　本章小结142
第6章　常用人脸识别算法143
6.1　特征脸法143
6.2　OpenCV的方法146
6.2.1　人脸检测方法147
6.2.2　人脸识别方法149
6.3　Dlib的人脸检测方法151
6.4　基于深度学习的图片特征提取152
6.4.1　AlexNet152
6.4.2　VGGNet155
6.4.3　GoogLeNet157
6.4.4　ResNet160
6.5　基于深度学习的人脸检测161
6.5.1　基于深度学习的目标检测162
6.5.2　MTCNN164
6.6　基于深度学习的人脸识别167
6.6.1　基于度量学习的方法168
6.6.2　基于边界分类的方法171
6.7　本章小结177
第7章　人脸识别项目实战178
7.1　人脸图片数据集178
7.1.1　Olivetti Faces人脸数据集178
7.1.2　LFW人脸数据集180
7.1.3　YouTube Faces人脸数据集181
7.1.4　IMDB WIKI人脸数据集181
7.1.5　FDDB人脸数据集182
7.2　使用OpenCV的人脸检测182
7.2.1　Haar级联分类器182
7.2.2　OpenCV的SSD人脸检测器184
7.3　使用Dlib的人脸检测186
7.3.1　基于Hog-SVM的人脸检测186
7.3.2　基于最大边界的对象检测器187
7.4　深度学习实践188
7.4.1　卷积神经网络实现189
7.4.2　数据增强207
7.4.3　自定义损失函数211
7.4.4　数据预处理213
7.4.5　模型训练214
7.4.6　实现Web接口216
7.4.7　模型调优与总结218
7.5　人脸识别的拓展应用219
7.6　本章小结220
第8章　人脸识别工程化221
8.1　云平台实践221
8.1.1　云计算介绍221
8.1.2　云服务的形式223
8.1.3　云平台架构设计224
8.2　服务API设计229
8.2.1　人脸检测229
8.2.2　人脸对比239
8.3　人脸图片存储241
8.4　人脸图片检索243
8.5　本章小结244
附录　参考文献245



有问题微信扫码联系

推荐

Understand China
桂ICP备20004708号-4