人工智能：人臉識別與搜索 ( 簡體 字) |
| 作者：張重生 | 類別：1. -> 程式設計 -> 人工智慧
2. -> 教材 -> 數位影像處理 |
| 譯者： |
| 出版社：電子工業出版社 |  3dWoo書號： 53360
詢問書籍請說出此書號！【有庫存】
NT售價： 445 元 |
| 出版日：8/1/2020 |
| 頁數：300 |
| 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：9787121383984 |
| 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：人臉識別、語音識別、無人駕駛是人工智能眾多研究分支中的“顯學”，在生活中為廣大群眾所熟知，也最容易被理解和接受。相對人工智能其他分支的抽象和晦澀，人臉識別這一分支更為直觀，而且落地應用眾多。如今，我們已處于“刷臉”時代，越來越多的“刷臉”應用開始出現，如已經普及的火車站“人票證”合一式的刷臉驗票，廈門、杭州部分景區的刷臉入園，支付寶的金融支付，刷臉簽到等廣為人知的應用。
“廣義”的人臉識別，在技術上可細分為人臉檢測、人臉識別、人臉檢索、人臉關鍵點定位、人臉表情識別、人臉生成等技術。人臉識別技術的發展大致可分為四個時期：EigenFace方法時期、Gabor-LBP方法時期、基于稀疏表示的人臉識別方法時期和基于深度學習的人臉識別方法時期。每個時期都有代表性的人臉識別算法和技術，并在技術上取得了一定突破。其中，2012年以后，尤其是2014年至今，基于深度學習的人臉識別方法取得了高水平的人臉識別性能，因此得到了學術界和工業界的高度重視，并投入大量的科研力量。
筆者之前出版的《刷臉背后：人臉檢測 人臉識別 人臉檢索》一書，得到了廣大讀者的青睞，成為人臉識別領域較為暢銷的書籍之一。該書出版后，收到了很多讀者的信息和咨詢，其中包括很多媒體朋友，如《新京報》《Vista看天下》雜志等。2019年熱播的電視劇《親愛的，熱愛的》亦將本書選作女主角在劇中閱讀的高科技書籍，對此，電子工業出版社在自媒體上進行了宣傳。由此可見，人臉識別已經為廣大讀者和媒體所廣泛關注。《刷臉背后：人臉檢測 人臉識別 人臉檢索》成書于2016年之前，而人臉識別在2016年之后取得了更大的突破和進展，發展更為迅猛，涌現出很多新方法和新技術，包括人臉檢測、人臉識別、人臉關鍵點定位、人臉圖像生成等方面的最新技術。因此，十分有必要對這些最新的基于深度學習的人臉識別方法進行系統講解和闡述。
受電子工業出版社邀請，筆者于2019年開始了本書的撰寫工作。新書的特點是：深度方法和經典方法并重，理論講解和應用實踐兼修。新書在高度關注最新最前沿的人臉識別技術的同時，仍然重視經典的（傳統的）人臉識別方法和技術的講解和實踐，這些經典方法在今天的應用中仍然有很多用武之地和借鑒之處。
本書共13章。第1章為人臉識別概述；第2∼5章及第13章屬于人臉識別最新技術篇，分別從技術角度講解了人臉檢測、人臉識別、人臉關鍵點定位、人臉檢索、人臉圖像生成的最新技術；第6∼12章屬于人臉識別實踐篇，從實戰角度講解了人臉檢測、人臉識別、人臉關鍵點定位和人臉檢索的技術和實踐案例。
本書主著為張重生，研究生曹爽主要負責第13章的編寫工作，她和研究生劉大征在參編人員中的貢獻各占約50%。感謝電子工業出版社董亞峰副社長和劉小琳編輯對本書的幫助和支持，感謝國家出版基金和河南大學研究生院（2019年度河南大學研究生教育創新與質量提升計劃項目“研究生規劃教材”）的資助。
筆者在撰寫此書的過程中，查閱了一些學術論文和技術資料。據筆者了解，現在的人臉識別專業書籍非常匱乏，尤其是有理論深度并能反映最前沿的人臉識別技術的書籍更為稀缺。究其原因，是人臉識別這一人工智能“顯學”具有巨大應用市場和商業價值，很多核心技術或關鍵細節掌握在少數公司手中。據了解，目前人臉識別公司普遍采用了基于深度學習的人臉識別技術。一本最權威、最深入的人臉識別書籍如果由國內的商湯、曠視、中科視拓、依圖、騰訊優圖，以及美國的谷歌、臉譜，立陶宛的NEURO Technology等公司專門從事人臉識別核心研發的技術總監聯袂撰寫，并公開算法、應用內幕及相關的技術細節等資料，將對人臉識別理論和技術的傳播、專業人才的培養帶來巨大的推動作用。然而，這樣的書籍可遇而不可求，因為寫書是一個時間和精力投入巨大而所獲經濟效益很小的工作，這些公司忙于新產品的研發和市場的開拓，無暇出版這樣的人臉識別書籍。
紙上得來終覺淺，絕知此事要躬行。本書只為拋磚引玉，為讀者系統介紹人臉識別的相關理論和技術，尤其是最前沿的人臉識別技術，為讀者學習、了解人臉識別提供較為全面的線索和參考資料。讀者如果要深入了解某個人臉識別算法，則應仔細學習并理解原版的英文論文，調試相關的源代碼并使用主流的人臉數據集進行大規模實驗驗證；同時，要注重對算法細節的把握，因為很多算法成功的關鍵在于細節的考究和精細化處理。
科學研究必須實事求是，寫書亦如此，書中紕漏之處懇請讀者批評指正，也非常歡迎對人臉識別感興趣的讀者與筆者聯系交流。 |
內容簡介：人臉識別是當今的熱門應用領域和研發方向，在安防、金融、公共服務等領域具有十分廣泛的應用。本書全面、系統地介紹“刷臉”背后的技術，包括人臉檢測、人臉識別、人臉關鍵點定位、人臉檢索相關的算法和實現技術。另外，本書還囊括了前沿的、基于深度學習的人臉識別技術（2014—2020年）。本書講解的算法具有前沿性和實用性。通過本書學習，學習人員能夠在3∼5個月內系統地了解、掌握人臉檢測、人臉識別、人臉關鍵點定位、人臉檢索的算法原理與實戰技術。本書內容新穎、技術前沿、層次清晰，適合高校教師、研究生、工程師和人臉識別愛好者使用。 |
目錄：第1章 人臉識別概述 1
1.1 廣義的人臉識別的1:1、1:N和N:N比對計算模式 2
1.1.1 人臉驗證——1:1相似度對比 3
1.1.2 人臉檢索——1:N相似度比對 4
1.1.3 N:N人臉相似性計算 6
1.1.4 人臉檢測、人臉識別、人臉檢索與1:1、1:N、N:N
人臉相似度計算 6
1.2 人臉識別技術的應用場景 7
1.2.1 當前應用 8
1.2.2 未來應用 11
1.3 常用數據集介紹 12
1.3.1 人臉檢測數據集 12
1.3.2 人臉識別數據集 14
1.3.3 人臉關鍵點定位數據集 15
1.3.4 其他數據集 16
本章參考文獻 17
?
第2章 人臉檢測技術的最新進展 19
2.1 Cascade CNN人臉檢測算法 20
2.2 MTCNN人臉檢測算法 24
2.3 Face R-CNN人臉檢測算法 27
2.4 SSH人臉檢測算法 28
2.5 DSFD人臉檢測算法 32
2.6 本章小結 35
本章參考文獻 36
第3章 人臉識別技術的最新進展 38
3.1 DeepID系列人臉識別算法 39
3.2 FaceNet人臉識別算法 41
3.3 ArcFace人臉識別算法 44
本章參考文獻 47
第4章 人臉關鍵點定位技術的最新進展 49
4.1 Coarse-to-Fine CNN人臉關鍵點定位算法 50
4.2 TCDCN人臉關鍵點定位算法 51
4.3 SIR-LAN人臉關鍵點定位算法 52
4.4 SAN人臉關鍵點定位算法 54
4.5 WingLoss：人臉關鍵點定位算法的損失函數設計 55
本章參考文獻 56
第5章 人臉檢索技術的最新進展 57
5.1 人臉檢索與人臉識別的相似之處與不同之處 57
5.2 人臉檢索與圖像檢索的相似之處與不同之處 58
5.3 基于深度哈希的人臉檢索算法 59
5.4 同時考慮哈希碼損失和分類損失的圖像檢索技術 61
本章參考文獻 63
第6章 經典的人臉檢測算法 64
6.1 DPM人臉檢測算法 65
6.1.1 DPM人臉檢測算法原理 65
6.1.2 DPM人臉檢測算法檢測結果 70
6.2 LAEO人臉檢測算法 71
6.2.1 LAEO人臉檢測算法原理 71
6.2.2 LAEO人臉檢測算法檢測結果 74
6.3 Viola ＆ Jones人臉檢測算法 75
6.3.1 Viola ＆ Jones人臉檢測算法原理 75
6.3.2 Viola ＆ Jones人臉檢測算法檢測結果 78
本章參考文獻 79
第7章 基于深度學習的人臉檢測算法實踐 82
7.1 CNN Facial Point Detection人臉檢測算法 82
7.1.1 CNN Facial Point Detection人臉檢測算法原理 83
7.1.2 CNN Facial Point Detection人臉檢測算法檢測結果 83
7.2 DDFD人臉檢測算法 84
7.2.1 DDFD人臉檢測算法原理 85
7.2.2 DDFD人臉檢測算法檢測結果 85
7.3 人臉檢測算法融合 86
本章參考文獻 88
第8章 基于Fast R-CNN的人臉檢測實踐 90
8.1 Fast R-CNN簡介 90
8.2 Fast R-CNN的特點和結構 91
8.3 數據集的預處理 94
8.4 基于Fast R-CNN訓練人臉檢測模型 95
8.4.1 訓練階段 95
8.4.2 測試階段 101
本章參考文獻 105
第9章 基于HOG特征的人臉關鍵點定位實踐 105
9.1 H-GBDT算法介紹 108
9.2 相關算法介紹 111
9.2.1 GBDT算法介紹 111
9.2.2 HOG特征介紹 113
9.3 H-GBDT人臉關鍵點定位算法設計 114
9.4 實驗設計 115
9.4.1 數據集 115
9.4.2 SO-RF算法和Face++人臉識別系統 117
9.4.3 實驗結果比較 118
9.5 本章小結 125
本章參考文獻 126
第10章 人臉識別實踐 125
10.1 DeepID算法 131
10.1.1 DeepID算法的原理 132
10.1.2 DeepID算法實現 133
10.1.3 DeepID算法結果 146
10.2 VGG Face Descriptor算法 148
10.2.1 VGG Face Descriptor算法原理 148
10.2.2 VGG Face Descriptor算法實現 150
10.2.3 VGG Face Descriptor算法結果 152
10.3 3種經典的人臉識別算法 155
10.3.1 EigenFaces算法 155
10.3.2 FisherFaces算法 165
10.3.3 LBP算法 174
10.4 人臉識別算法對比分析 179
10.5 本章小結 180
本章參考文獻 181
第11章 人臉檢索實踐 177
11.1 人臉檢索簡介 185
11.2 計算人臉相似度的方法 186
11.2.1 歐氏距離 186
11.2.2 余弦相似度 188
11.3 圖像快速查找算法 189
11.4 評價人臉檢索結果的標準 190
11.5 PHash算法 190
11.5.1 PHash算法原理 190
11.5.2 PHash算法實現 191
11.5.3 PHash算法的實驗數據、實驗結果及其分析 193
11.6 DHash算法 194
11.6.1 DHash算法原理 195
11.6.2 DHash算法實現 195
11.6.3 Dhash算法的實驗數據、實驗結果及其分析 197
11.7 PCA算法 198
11.7.1 PCA算法原理 198
11.7.2 PCA算法實現 200
11.7.3 PCA算法的實驗數據、實驗結果及其分析 203
11.8 BoF-SIFT算法 204
11.8.1 BoF-SIFT算法原理 205
11.8.2 BoF-SIFT算法實現 205
11.8.3 BoF-SIFT算法的實驗數據、實驗結果及其分析 213
11.9 用于圖像快速檢索的KD-Tree索引 215
11.9.1 FLANN算法的使用 215
11.9.2 KD-Tree的創建與查詢處理 215
11.9.3 FLANN中KD-Tree算法的實現 217
11.9.4 FLANN算法的實驗數據、實驗結果及其分析 219
11.10 Gabor算法 220
11.10.1 Gabor算法原理 220
11.10.2 Gabor算法實現 223
11.10.3 Gabor算法的實驗數據、實驗結果及其分析 229
11.11 HOG 231
11.11.1 HOG原理 231
11.11.2 HOG實現 232
11.11.3 HOG的實驗數據、實驗結果及其分析 234
11.12 基于DeepID的人臉檢索 236
11.12.1 DeepID方法 236
11.12.2 神經網絡結構介紹 236
11.12.3 DeepID算法的實驗數據、實驗結果及其分析 237
11.13 哈希方法和深度哈希方法 238
本章參考文獻 240
第12章 人臉檢測商業軟件及其應用示例 232
12.1 VeriLook 241
12.2 Face++ 247
12.3 各種算法的對比分析 250
12.4 視頻中的人臉檢測與追蹤 253
本章參考文獻 257
?
第13章 GAN與人臉生成 248
13.1 DCGAN 259
13.1.1 DCGAN原理 259
13.1.2 DCGAN判別器和生成器的優化過程 262
13.1.3 DCGAN訓練流程 263
13.1.4 實驗結果 269
13.2 BEGAN 270
13.2.1 網絡模型結構 273
13.2.2 BEGAN判別器和生成器優化過程 275
13.2.3 BEGAN訓練流程 277
13.2.4 實驗結果 286
本章參考文獻 288
后記 275 |
| 序： |
