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器學(xué)習(xí)算法8
1.3.1 SVM簡介8
1.3.2 AdaBoost簡介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)主流開源框架介紹53
2.4.1 Caffe簡介54
2.4.2 TensorFlow簡介54
2.4.3 PyTorch簡介55
2.4.4 Theano簡介56
2.4.5 Keras簡介56
2.4.6 MXNet簡介57
2.4.7 Chainer簡介57
參考文獻(xiàn)58
第3章 人臉數(shù)據(jù)集60
3.1 人臉檢測數(shù)據(jù)集60
3.1.1 通用人臉檢測數(shù)據(jù)集60
3.1.2 復(fù)雜人臉檢測數(shù)據(jù)集62
3.2 關(guān)鍵點檢測數(shù)據(jù)集63
3.3 人臉識別數(shù)據(jù)集65
3.3.1 人臉識別圖像數(shù)據(jù)集65
3.3.2 人臉識別視頻數(shù)據(jù)集69
3.3.3 三維人臉識別數(shù)據(jù)集69
3.3.4 人臉識別其他數(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 人臉分割數(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83
4.1 目標(biāo)檢測基礎(chǔ)83
4.1.1 目標(biāo)檢測基本流程83
4.1.2 選擇檢測窗口84
4.1.3 提取圖像特征84
4.1.4 設(shè)計分類器85
4.2 經(jīng)典人臉檢測算法86
4.2.1 人臉檢測問題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 基于角點的檢測方法105
4.3.8 目標(biāo)檢測中的幾個關(guān)鍵技術(shù)和難點106
4.4 深度學(xué)習(xí)人臉檢測核心技術(shù)109
4.4.1 人臉組件算法109
4.4.2 級聯(lián)檢測算法110
4.4.3 多尺度人臉檢測算法114
4.4.4 遮擋人臉檢測算法118
4.4.5 活體與偽造人臉檢測算法119
4.5 實戰(zhàn)Faster R-CNN人臉檢測120
4.5.1 項目背景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 模型測試144
參考文獻(xiàn)146
第5章 人臉關(guān)鍵點檢測149
5.1 關(guān)鍵點檢測基礎(chǔ)149
5.1.1 關(guān)鍵點的定義149
5.1.2 關(guān)鍵點的點數(shù)發(fā)展150
5.1.3 關(guān)鍵點檢測算法評價153
5.1.4 人臉姿態(tài)154
5.2 傳統(tǒng)人臉關(guān)鍵點檢測方法154
5.2.1 ASM、AAM與CLM算法155
5.2.2 級聯(lián)形狀回歸算法157
5.3 深度學(xué)習(xí)方法158
5.3.1 級聯(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)問題162
5.4 實時人臉關(guān)鍵點檢測實踐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 模型測試169
5.5 小結(jié)171
參考文獻(xiàn)171
第6章 人臉識別173
6.1 人臉識別基礎(chǔ)173
6.1.1 人臉識別基本流程173
6.1.2 人臉識別評估173
6.1.3 傳統(tǒng)人臉識別特征174
6.2 深度學(xué)習(xí)人臉識別核心技術(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 人臉分類優(yōu)化目標(biāo)的發(fā)展182
6.3 人臉識別算法面臨的挑戰(zhàn)和未來186
6.3.1 遮擋人臉識別186
6.3.2 跨姿態(tài)人臉識別187
6.3.3 跨年齡人臉識別188
6.3.4 妝造不變?nèi)四樧R別189
6.3.5 異質(zhì)源人臉識別190
6.3.6 其他問題190
6.3.7 小結(jié)191
6.4 實戰(zhàn)人臉識別模型訓(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 模型測試204
6.4.4 小結(jié)208
參考文獻(xiàn)208
第7章 人臉屬性識別211
7.1 人臉性別識別211
7.1.1 人臉性別識別方法211
7.1.2 人臉性別識別發(fā)展與挑戰(zhàn)212
7.2 人臉顏值與臉型識別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 人臉年齡識別214
7.3.1 人臉年齡估計模型215
7.3.2 傳統(tǒng)年齡估計方法216
7.3.3 深度學(xué)習(xí)年齡估計方法216
7.3.4 小結(jié)218
7.4 人臉表情識別218
7.4.1 概述218
7.4.2 傳統(tǒng)表情識別算法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 人臉屬性識別項目實踐223
7.5.1 表情識別223
7.5.2 年齡識別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 輕量級人臉分割項目實踐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 妝造遷移算法實戰(zhàn)270
9.4.1 項目解讀270
9.4.2 模型訓(xùn)練282
9.4.3 模型測試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 常見三維重建技術(shù)287
10.1.2 人臉三維重建的特點和難點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301
10.4 深度學(xué)習(xí)三維人臉重建實踐302
10.4.1 BFM模型的使用302
10.4.2 基于BFM模型的常見三維特征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 實戰(zhàn)人臉動畫頭像風(fēng)格化347
11.3.1 項目解讀348
11.3.2 模型訓(xùn)練358
11.3.3 模型測試358
參考文獻(xiàn)361