前言
第1章 人臉圖像與特征基礎(chǔ)1
1.1 人臉圖像基礎(chǔ)1
1.1.1 人臉圖像的特點(diǎn)1
1.1.2 人臉圖像的應(yīng)用2
1.2 人臉特征基礎(chǔ)2
1.2.1 幾何特征3
1.2.2 顏（膚）色特征3
1.2.3 紋理特征5
1.3 人臉圖像工程常用的機(jī)器學(xué)習(xí)算法8
1.3.1 SVM簡(jiǎn)介8
1.3.2 AdaBoost簡(jiǎn)介12
第2章 深度學(xué)習(xí)基礎(chǔ)15
2.1 神經(jīng)網(wǎng)絡(luò)15
2.1.1 神經(jīng)元模型15
2.1.2 感知機(jī)16
2.1.3 BP算法17
2.2 卷積神經(jīng)網(wǎng)絡(luò)基礎(chǔ)20
2.2.1 卷積操作20
2.2.2 反卷積操作21
2.2.3 卷積神經(jīng)網(wǎng)絡(luò)的基本概念22
2.2.4 卷積神經(jīng)網(wǎng)絡(luò)的核心思想24
2.2.5 卷積神經(jīng)網(wǎng)絡(luò)基本結(jié)構(gòu)配置25
2.3 深度學(xué)習(xí)優(yōu)化基礎(chǔ)28
2.3.1 激活模型與常用激活函數(shù)29
2.3.2 參數(shù)初始化方法35
2.3.3 歸一化方法37
2.3.4 池化42
2.3.5 最優(yōu)化方法43
2.3.6 學(xué)習(xí)率策略47
2.3.7 正則化方法50
2.4 深度學(xué)習(xí)主流開(kāi)源框架介紹53
2.4.1 Caffe簡(jiǎn)介54
2.4.2 TensorFlow簡(jiǎn)介54
2.4.3 PyTorch簡(jiǎn)介55
2.4.4 Theano簡(jiǎn)介56
2.4.5 Keras簡(jiǎn)介56
2.4.6 MXNet簡(jiǎn)介57
2.4.7 Chainer簡(jiǎn)介57
參考文獻(xiàn)58
第3章 人臉數(shù)據(jù)集60
3.1 人臉檢測(cè)數(shù)據(jù)集60
3.1.1 通用人臉檢測(cè)數(shù)據(jù)集60
3.1.2 復(fù)雜人臉檢測(cè)數(shù)據(jù)集62
3.2 關(guān)鍵點(diǎn)檢測(cè)數(shù)據(jù)集63
3.3 人臉識(shí)別數(shù)據(jù)集65
3.3.1 人臉識(shí)別圖像數(shù)據(jù)集65
3.3.2 人臉識(shí)別視頻數(shù)據(jù)集69
3.3.3 三維人臉識(shí)別數(shù)據(jù)集69
3.3.4 人臉識(shí)別其他數(shù)據(jù)集70
3.4 人臉屬性分析數(shù)據(jù)集70
3.4.1 通用人臉屬性分析數(shù)據(jù)集70
3.4.2 人臉表情數(shù)據(jù)集71
3.4.3 人臉年齡與性別數(shù)據(jù)集73
3.4.4 人臉?lè)指顢?shù)據(jù)集74
3.4.5 人臉顏值數(shù)據(jù)集76
3.4.6 人臉妝造數(shù)據(jù)集76
3.5 人臉姿態(tài)與3D數(shù)據(jù)集77
3.5.1 人臉姿態(tài)數(shù)據(jù)集77
3.5.2 人臉三維重建數(shù)據(jù)集78
3.6 人臉活體與偽造數(shù)據(jù)集79
3.6.1 人臉活體數(shù)據(jù)集79
3.6.2 人臉偽造數(shù)據(jù)集81
3.7 人臉風(fēng)格化數(shù)據(jù)集81
第4章 人臉檢測(cè)83
4.1 目標(biāo)檢測(cè)基礎(chǔ)83
4.1.1 目標(biāo)檢測(cè)基本流程83
4.1.2 選擇檢測(cè)窗口84
4.1.3 提取圖像特征84
4.1.4 設(shè)計(jì)分類器85
4.2 經(jīng)典人臉檢測(cè)算法86
4.2.1 人臉檢測(cè)問(wèn)題87
4.2.2 人臉膚色模型87
4.2.3 人臉形狀模型與模板匹配88
4.2.4 特征分類算法88
4.2.5 DPM方法91
4.3 深度學(xué)習(xí)通用目標(biāo)檢測(cè)方法93
4.3.1 OverFeat方法94
4.3.2 Selective search與R-CNN方法94
4.3.3 SPPNet與Fast R-CNN方法96
4.3.4 Faster R-CNN與R-FCN方法99
4.3.5 YOLO方法101
4.3.6 SSD方法104
4.3.7 基于角點(diǎn)的檢測(cè)方法105
4.3.8 目標(biāo)檢測(cè)中的幾個(gè)關(guān)鍵技術(shù)和難點(diǎn)106
4.4 深度學(xué)習(xí)人臉檢測(cè)核心技術(shù)109
4.4.1 人臉組件算法109
4.4.2 級(jí)聯(lián)檢測(cè)算法110
4.4.3 多尺度人臉檢測(cè)算法114
4.4.4 遮擋人臉檢測(cè)算法118
4.4.5 活體與偽造人臉檢測(cè)算法119
4.5 實(shí)戰(zhàn)Faster R-CNN人臉檢測(cè)120
4.5.1 項(xiàng)目背景120
4.5.2 py-faster-rcnn框架解讀120
4.5.3 模型定義與分析134
4.5.4 模型訓(xùn)練143
4.5.5 模型測(cè)試144
參考文獻(xiàn)146
第5章 人臉關(guān)鍵點(diǎn)檢測(cè)149
5.1 關(guān)鍵點(diǎn)檢測(cè)基礎(chǔ)149
5.1.1 關(guān)鍵點(diǎn)的定義149
5.1.2 關(guān)鍵點(diǎn)的點(diǎn)數(shù)發(fā)展150
5.1.3 關(guān)鍵點(diǎn)檢測(cè)算法評(píng)價(jià)153
5.1.4 人臉姿態(tài)154
5.2 傳統(tǒng)人臉關(guān)鍵點(diǎn)檢測(cè)方法154
5.2.1 ASM、AAM與CLM算法155
5.2.2 級(jí)聯(lián)形狀回歸算法157
5.3 深度學(xué)習(xí)方法158
5.3.1 級(jí)聯(lián)框架158
5.3.2 多任務(wù)聯(lián)合框架160
5.3.3 遮擋與大姿態(tài)問(wèn)題162
5.4 實(shí)時(shí)人臉關(guān)鍵點(diǎn)檢測(cè)實(shí)踐163
5.4.1 數(shù)據(jù)集和基準(zhǔn)模型163
5.4.2 模型訓(xùn)練164
5.4.3 模型測(cè)試169
5.5 小結(jié)171
參考文獻(xiàn)171
第6章 人臉識(shí)別173
6.1 人臉識(shí)別基礎(chǔ)173
6.1.1 人臉識(shí)別基本流程173
6.1.2 人臉識(shí)別評(píng)估173
6.1.3 傳統(tǒng)人臉識(shí)別特征174
6.2 深度學(xué)習(xí)人臉識(shí)別核心技術(shù)177
6.2.1 度量學(xué)習(xí)177
6.2.2 多類別分類學(xué)習(xí)180
6.2.3 人臉?lè)诸悆?yōu)化目標(biāo)的發(fā)展182
6.3 人臉識(shí)別算法面臨的挑戰(zhàn)和未來(lái)186
6.3.1 遮擋人臉識(shí)別186
6.3.2 跨姿態(tài)人臉識(shí)別187
6.3.3 跨年齡人臉識(shí)別188
6.3.4 妝造不變?nèi)四樧R(shí)別189
6.3.5 異質(zhì)源人臉識(shí)別190
6.3.6 其他問(wèn)題190
6.3.7 小結(jié)191
6.4 實(shí)戰(zhàn)人臉識(shí)別模型訓(xùn)練192
6.4.1 數(shù)據(jù)準(zhǔn)備與接口封裝192
6.4.2 模型訓(xùn)練198
6.4.3 模型測(cè)試204
6.4.4 小結(jié)208
參考文獻(xiàn)208
第7章 人臉屬性識(shí)別211
7.1 人臉性別識(shí)別211
7.1.1 人臉性別識(shí)別方法211
7.1.2 人臉性別識(shí)別發(fā)展與挑戰(zhàn)212
7.2 人臉顏值與臉型識(shí)別212
7.2.1 平均臉和臉型分類212
7.2.2 人臉顏值與臉型特征213
7.2.3 應(yīng)用和挑戰(zhàn)214
7.3 人臉年齡識(shí)別214
7.3.1 人臉年齡估計(jì)模型215
7.3.2 傳統(tǒng)年齡估計(jì)方法216
7.3.3 深度學(xué)習(xí)年齡估計(jì)方法216
7.3.4 小結(jié)218
7.4 人臉表情識(shí)別218
7.4.1 概述218
7.4.2 傳統(tǒng)表情識(shí)別算法219
7.4.3 深度學(xué)習(xí)方法221
7.4.4 挑戰(zhàn)與展望222
7.5 人臉屬性識(shí)別項(xiàng)目實(shí)踐223
7.5.1 表情識(shí)別223
7.5.2 年齡識(shí)別229
7.5.3 總結(jié)233
參考文獻(xiàn)234
第8章 人臉屬性分割236
8.1 圖像分割的基礎(chǔ)與人臉屬性分割的應(yīng)用236
8.1.1 圖像分割的含義236
8.1.2 經(jīng)典的圖像分割方法236
8.1.3 人臉屬性分割的應(yīng)用238
8.2 深度學(xué)習(xí)圖像分割核心技術(shù)239
8.2.1 反卷積239
8.2.2 圖像分割經(jīng)典模型241
8.2.3 感受野控制、上下文信息與多尺度結(jié)構(gòu)243
8.2.4 圖像分割后處理技術(shù)246
8.2.5 圖像分割中的難題247
8.3 輕量級(jí)人臉?lè)指铐?xiàng)目實(shí)踐248
8.3.1 數(shù)據(jù)集與基準(zhǔn)模型249
8.3.2 模型訓(xùn)練與測(cè)試250
8.3.3 小結(jié)254
參考文獻(xiàn)255
第9章 人臉美顏與美妝257
9.1 美顏基礎(chǔ)和應(yīng)用場(chǎng)景257
9.1.1 五官重塑257
9.1.2 磨皮、美白與膚質(zhì)調(diào)整258
9.1.3 上妝258
9.2 基于濾波與變形的傳統(tǒng)美顏算法259
9.2.1 基于變形的五官重塑259
9.2.2 基于濾波的磨皮算法261
9.2.3 基于膚色模型的美白與膚質(zhì)調(diào)整算法263
9.2.4 小結(jié)264
9.3 妝造遷移算法264
9.3.1 傳統(tǒng)妝造遷移算法264
9.3.2 深度學(xué)習(xí)算法266
9.4 妝造遷移算法實(shí)戰(zhàn)270
9.4.1 項(xiàng)目解讀270
9.4.2 模型訓(xùn)練282
9.4.3 模型測(cè)試284
參考文獻(xiàn)286
第10章 人臉三維重建287
10.1 三維重建基礎(chǔ)287
10.1.1 常見(jiàn)三維重建技術(shù)287
10.1.2 人臉三維重建的特點(diǎn)和難點(diǎn)288
10.1.3 人臉三維重建基礎(chǔ)技術(shù)289
10.2 傳統(tǒng)三維人臉重建技術(shù)290
10.2.1 多目立體視覺(jué)匹配290
10.2.2 3DMM294
10.2.3 Shape from Shading297
10.2.4 Structure from Motion298
10.3 深度學(xué)習(xí)三維人臉重建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 三維人臉重建的難點(diǎn)301
10.4 深度學(xué)習(xí)三維人臉重建實(shí)踐302
10.4.1 BFM模型的使用302
10.4.2 基于BFM模型的常見(jiàn)三維特征315
10.4.3 PRNet三維重建318
10.4.4 小結(jié)324
參考文獻(xiàn)325
第11章 人臉屬性編輯327
11.1 人臉屬性編輯基礎(chǔ)327
11.1.1 人臉屬性編輯應(yīng)用327
11.1.2 基于模型的人臉編輯329
11.2 深度學(xué)習(xí)人臉屬性編輯方法329
11.2.1 GAN基礎(chǔ)330
11.2.2 圖像風(fēng)格化334
11.2.3 表情編輯算法336
11.2.4 年齡編輯算法338
11.2.5 姿態(tài)編輯算法339
11.2.6 人臉風(fēng)格化算法341
11.2.7 換臉?biāo)惴?44
11.2.8 統(tǒng)一的人臉屬性編輯框架345
11.2.9 小結(jié)347
11.3 實(shí)戰(zhàn)人臉動(dòng)畫頭像風(fēng)格化347
11.3.1 項(xiàng)目解讀348
11.3.2 模型訓(xùn)練358
11.3.3 模型測(cè)試358
參考文獻(xiàn)361