-- 會員 / 註冊 --  
 帳號:
 密碼:
  | 註冊 | 忘記密碼
6/12(六) ~ 6/14(一) 端午節門市公休 3 天
防疫期間 門市僅限取書, 不開放參觀
並提早到6點打烊, 星期日公休
6/8 新書到! 6/1 新書到! 5/25 新書到! 5/18 新書到!
購書流程Q & A站務留言版客服信箱
3ds MaxMayaRhinoAfter EffectsSketchUpZBrushPainterUnity
PhotoShopAutoCadMasterCamSolidWorksCreoUGRevitNuke
C#CC++Java遊戲程式Linux嵌入式PLCFPGAMatlab
駭客資料庫搜索引擎影像處理FluentVR+ARANSYS深度學習
單晶片AVROpenGLArduinoRaspberry Pi電路設計CadenceProtel
HadoopPythonStm32CortexLabview手機程式AndroidiPhone
可查書名,作者,ISBN,3dwoo書號
詳細書籍分類

人臉識別算法與案例分析

( 簡體 字)
作者:曹林,杜康寧,郭亞男類別:1. -> 教材 -> 數位影像處理
譯者:
出版社:電子工業出版社人臉識別算法與案例分析 3dWoo書號: 54017
詢問書籍請說出此書號!

有庫存
NT定價: 480
折扣價: 451

出版日:1/1/2021
頁數:280
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:9787121403927
作者序 | 譯者序 | 前言 | 內容簡介 | 目錄 | 
(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:

隨著計算機視覺和機器學習的快速發展,人臉識別應用取得了巨大的成功。
人臉識別技術因具有直觀、便捷、非接觸等優良特性,相對于其他身份識別技術,得到了更廣泛的應用。幾十年來,人臉識別技術一直都是最受關注的研究熱點之一。尤其隨著深度學習技術的發展、計算機運算速度的提高和大數據集的公開,人臉識別技術到了極大的發展,該技術現已經被成功地應用在日常生活中的多個場景,給人們的生活帶來了極大的便利。然而,在刑偵領域存在更為復雜的識別場景,例如受設備性能限制或拍攝條件影響,攝像設備得到的犯罪嫌疑人的照片質量較差;甚至當警方無法獲得犯罪嫌疑人的照片時,僅能根據目擊者的描述繪制犯罪嫌疑人的面部素描。
本書以人臉識別的一些基本理論與方法為基礎,重點討論了素描人臉識別、素描人臉合成、人臉著色、圖像超分辨率重建。全書共分7章,其中第1章~第4章由曹林撰寫,第5章由郭亞男撰寫,第6章~第7章由杜康寧撰寫,全書由曹林統稿。各章節主要內容如下:
第1章概述了素描人臉識別、素描人臉合成、人臉著色及人臉圖像超分辨率重建技術的研究與應用。
第2章概述了傳統素描人臉識別算法的相關原理,并分別介紹了基于Surf匹配坐標鄰域優化和基于張量排序保留判別分析的人臉特征提取方法。
第3章介紹了深度學習在素描人臉識別上的應用,提出了基于聯合分布適配的素描人臉識別,通過深度遷移學習方法從深度學習網絡中提取光學人臉特征并使用遷移學習方法將其與素描人臉適配;提出了基于殘差網絡和度量學習的素描人臉識別,通過大規模的光學人臉數據庫訓練ResNet-50網絡得到預訓練模型,基于遷移學習的思想,固定識別率較好的模型參數,同時采用素描人臉數據庫微調識別率低的模型參數,最后結合度量學習的方法來最大化類間差距;提出了基于SE-ResNeXt模型的素描人臉識別,在SE-ResNeXt網絡的基礎上,將Softmax損失和中心損失相結合,共同監督模型的訓練。
第4章介紹了結合LBP局部特征提取的素描人臉合成方法,該算法的研究核心是通過層層優選得到最優塊進行合成。介紹了結合pHash稀疏編碼的素描人臉畫像合成方法,根據圖像信息熵將圖像分成大小不同的子塊,對尺寸不同的子塊采取不同的特征提取方法,然后根據圖像塊的特征選取初始候選圖像塊,隨后采用二次稀疏編碼的方法合成最終的素描圖像塊,最后將全部素描塊合成整幅素描人臉圖像。
第5章對生成對抗網絡相關原理和模型進行了概述,并提出了基于生成對抗網絡的素描人臉合成算法,該算法利用U-Net 網絡作生成器,二分類器作判別器,構成一個生成式對抗網絡。通過訓練照片-素描圖像數據庫訓練出可以將照片生成對應素描圖像的生成器和可以判別圖像是“真”素描圖像還是經過生成的“假”素描圖像的鑒別器。提出了基于雙層對抗網絡的素描人臉合成方法。利用深度神經網絡來設計生成模型與判別模型,二者以對抗的方式進行訓練,并在生成模型中加入了跳躍連接,提升了網絡合成圖像的效果。提出了基于特征學習生成對抗網絡的高質量素描人臉合成方法,將對抗學習模型和特征學習模型相結合,增強了合成圖像面部細節的能力。提出了基于多判別器循環生成對抗網絡的素描人臉合成方法,多判別網絡對生成網絡的反饋傳遞優化,完善生成圖像中高頻特征細節,并且使用最小二乘損失描述生成對抗損失,結合重構誤差損失和對偶聯合損失,生成高質量圖像。
第6章提出了聯合一致循環生成對抗網絡的人像著色方法,該方法采用聯合的一致性損失,聯合重構的數據計算其與輸入彩色圖像的損失,實現整個網絡的反向傳遞優化。
第7章提出了雙層級聯神經網絡的人臉超分辨率重建方法,通過向結構約束網絡中加入面部先驗信息估計模塊,捕捉輸入圖像的面部關鍵點信息,約束重建圖像與目標圖像的空間一致性。提出了基于引導圖像的級聯人臉超分辨率重建方法,該方法由姿態變形模塊與超分辨率重建網絡組成,以低分辨率圖像和高清人臉引導圖像為共同輸入,生成分辨率更高的清晰人臉圖像。
本書的出版得到了國家自然科學基金(項目編號:61671069、U20A20163、62001033),北京市教委科研計劃(項目編號:KZ202111232049、KM202011232021、KM202111232014)和北京信息科技大學勤信人才項目(QXTCP A201902)等科研項目的資助,在此一并表示感謝。
由于時間倉促,書中難免存在不足,歡迎讀者對本書批評指正。


筆者
2021年1月,北京
內容簡介:

本書內容豐富,闡述清晰詳盡,文圖結合緊密,可讀性好,實用性強,主要介紹了人臉識別中的一些算法與案例,主要包括素描人臉識別與人臉合成的研究與應用、傳統特征提取算法在素描人臉識別中的應用、深度學習在素描人臉識別上的研究與應用、傳統素描人臉合成方法、基于生成對抗網絡的素描人臉合成方法、人臉超分辨率重建方法等內容。本書可作為研究人臉識別技術的參考用書,也可以作為高等院校相關專業的本科生和研究生參考書,還可供人臉識別技術領域工作的工程技術人員閱讀。
目錄:

第1章 人臉識別的研究與應用 001
1.1 素描人臉識別的研究與應用 002
1.1.1 光學人臉識別研究歷程 002
1.1.2 素描人臉識別國內外研究現狀 003
1.1.3 素描人臉識別數據庫 005
1.1.4 素描人臉識別的難點和發展趨勢 011
1.2 素描人臉合成的研究與應用 011
1.2.1 素描人臉合成的國內外研究現狀 012
1.2.2 素描人臉圖像質量評估指標 019
1.2.3 素描人臉合成的難點與發展趨勢 020
1.3 人像著色的研究與應用 021
1.3.1 人像著色的國內外研究現狀 021
1.3.2 人像著色的難點與發展趨勢 022
1.4 人臉圖像超分辨率重建技術的研究與應用 022
1.4.1 人臉圖像超分辨率的發展及國內外研究現狀 022
1.4.2 人臉圖像超分辨率重建質量評價標準 024
1.4.3 人臉圖像超分辨率重建技術的難點與發展趨勢 026
1.5 本章小結 027
參考文獻 027
第2章 傳統特征提取算法在素描人臉識別上的應用與研究 036
2.1 傳統素描人臉識別算法相關原理 037
2.1.1 人臉圖像分割算法 037
2.1.2 人臉特征提取算法 042
2.2 基于Surf匹配坐標鄰域優化的素描人臉識別 049
2.2.1 Surf匹配 050
2.2.2 坐標鄰域優化 053
2.2.3 識別過程 055
2.2.4 實驗結果與分析 056
2.3 基于張量排序保留判別分析的人臉特征提取 062
2.3.1 張量排序保留判別投影(TRPDA)模型 064
2.3.2 TRPDA求解算法 068
2.3.3 實驗結果與分析 072
2.4 本章小結 081
參考文獻 082
第3章 深度學習在素描人臉識別上的應用 087
3.1 深度學習相關原理 087
3.1.1 卷積神經網絡概述 087
3.1.2 主流人臉識別模型框架 089
3.1.3 度量學習 095
3.2 基于聯合分布適配的素描人臉識別 096
3.2.1 遷移學習 096
3.2.2 模型結構 100
3.2.3 損失函數 102
3.2.4 實驗結果與分析 103
3.3 基于殘差網絡和度量學習的素描人臉識別 106
3.3.1 模型結構 107
3.3.2 損失函數 108
3.3.3 實驗結果與分析 109
3.4 基于SE-ResNeXt模型的素描人臉識別 117
3.4.1 SE-ResNeXt網絡模型 118
3.4.2 損失函數 120
3.4.3 實驗結果與分析 121
3.5 本章小結 127
參考文獻 128
第4章 傳統素描人臉合成方法 131
4.1 結合LBP局部特征提取的素描人臉合成方法 131
4.1.1 歐氏距離粗提取 132
4.1.2 結合子塊切分的LBP局部特征提取 133
4.1.3 合成過程 134
4.1.4 實驗結果與分析 137
4.2 結合pHash稀疏編碼的素描人臉合成方法 141
4.2.1 基于圖像熵的圖像分塊 141
4.2.2 圖像塊的特征提取 145
4.2.3 實驗結果與分析 150
4.3 本章小結 157
參考文獻 157
第5章 生成對抗網絡在素描人臉合成中的應用 161
5.1 生成對抗網絡相關原理 161
5.1.1 生成對抗網絡模型概述 161
5.1.2 生成對抗網絡的改進 163
5.2 基于生成對抗網絡的素描人臉合成方法 169
5.2.1 生成對抗網絡模型 169
5.2.2 損失函數 174
5.2.3 實驗結果與分析 177
5.3 基于雙層對抗網絡的素描人臉合成方法 185
5.3.1 雙層對抗網絡模型 186
5.3.2 損失函數 188
5.3.3 實驗結果與分析 189
5.4 基于特征學習生成對抗網絡的高質量素描人臉合成方法 194
5.4.1 特征學習生成對抗網絡模型 194
5.4.2 損失函數 199
5.4.3 實驗結果與分析 202
5.5 多判別器循環生成對抗網絡的素描人臉合成方法 211
5.5.1 多判別循環生成對抗網絡模型 211
5.5.2 損失函數 215
5.5.3 實驗結果與分析 216
5.6 本章小結 223
參考文獻 224
第6章 基于聯合一致循環生成對抗網絡的人像著色方法 228
6.1 色彩空間 229
6.2 網絡結構 229
6.2.1 著色網絡模型 230
6.2.2 生成網絡 231
6.2.3 判別網絡 232
6.3 損失函數 233
6.3.1 生成對抗損失 233
6.3.2 聯合一致性損失 234
6.4 實驗結果與分析 235
6.4.1 數據庫及參數設置 235
6.4.2 消融實驗 238
6.4.3 和已有方法對比 239
6.5 本章小結 242
參考文獻 242
第7章 人臉超分辨率重建 246
7.1 雙層級聯神經網絡的人臉超分辨率重建 246
7.1.1 堆疊沙漏塊結構 246
7.1.2 雙層級聯神經網絡結構 248
7.1.3 損失函數 250
7.1.4 實驗結果與分析 251
7.2 基于引導圖像的人臉超分辨率重建 256
7.2.1 3DMM人臉擬合 257
7.2.2 基于3DMM的人臉矯正 257
7.2.3 基于引導圖像的人臉超分辨率重建網絡 258
7.2.4 實驗結果與分析 261
7.3 本章小結 267
參考文獻
序: