顶部
收藏

人脸图像合成与识别


作者:
高新波 王楠楠
定价:
37.00元
ISBN:
978-7-04-057225-4
版面字数:
380.000千字
开本:
16开
全书页数:
暂无
装帧形式:
平装
重点项目:
暂无
出版时间:
2022-03-07
读者对象:
高等教育
一级分类:
计算机/教育技术类
二级分类:
计算机类专业核心课程
三级分类:
人工智能

人脸图像合成与识别是计算机视觉和人工智能领域的重点前沿方向。本书从机器学习和深度神经网络的理论和技术基础出发,系统深入地阐述了人脸图像合成与识别领域近年的研究热点与前沿进展,全面准确地对相关理论基础和代表性方法进行了介绍和讲解,主要包括人脸检测、人脸对齐、活体检测、人脸识别、人脸超分辨重建、人脸多视角合成、表情合成与识别、计算机人脸动画、异质人脸合成等多个人脸图像任务专题,并辅以相应的实验测评与程序代码解读。

本书可作为高等学校计算机、人工智能等专业计算机视觉、图像处理等相关课程的本科或研究生教材,也可作为工程技术人员的自学教材。

  • 前辅文
  • 第1章 绪论
    • 1.1 人脸图像合成与识别的技术背景
      • 1.1.1 人脸图像合成与识别的意义
      • 1.1.2 人脸图像的特点
      • 1.1.3 人脸图像的性质
    • 1.2 人脸图像合成与识别及相关算法
    • 1.3 人脸图像相关算法的应用
    • 1.4 本章小结
  • 第2章 机器学习基础
    • 2.1 引言
    • 2.2 线性子空间
      • 2.2.1 主成分分析
      • 2.2.2 线性鉴别分析
    • 2.3 深度神经网络
      • 2.3.1 深度学习的历史
      • 2.3.2 卷积神经网络
      • 2.3.3 生成对抗网络
    • 2.4 贝叶斯分类器
      • 2.4.1 朴素贝叶斯法
      • 2.4.2 极大似然估计
    • 2.5 概率图模型
      • 2.5.1 基本概念
      • 2.5.2 贝叶斯网络
      • 2.5.3 马尔科夫随机场
      • 2.5.4 本书涉及的概率图模型
    • 2.6 常用深度学习框架介绍
    • 2.7 本章小结
  • 第3章 人脸检测
    • 3.1 引言
    • 3.2 人脸检测概述
      • 3.2.1 人脸检测的定义
      • 3.2.2 人脸检测的意义
      • 3.2.3 人脸检测的分类
    • 3.3 人脸检测的评价标准
    • 3.4 人脸检测常用数据库
    • 3.5 基于非深度学习方法的人脸检测
      • 3.5.1 基于级联特征的方法
      • 3.5.2 基于可变形组件模型的方法
      • 3.5.3 基于多通道特征的方法
    • 3.6 基于深度学习方法的人脸检测
      • 3.6.1 基于级联CNN的方法
      • 3.6.2 两阶段方法
      • 3.6.3 单阶段方法
    • 3.7 常用人脸检测开源项目
    • 3.8 本章小结
  • 第4章 人脸对齐
    • 4.1 引言
    • 4.2 人脸对齐概述
      • 4.2.1 人脸对齐的定义
      • 4.2.2 人脸对齐的意义
      • 4.2.3 人脸对齐方法分类
      • 4.2.4 人脸对齐的评价标准
    • 4.3 人脸对齐常用数据集
    • 4.4 基于非深度学习方法的人脸对齐
      • 4.4.1 基于含参数形状模型方法
      • 4.4.2 基于无参数形状模型方法
    • 4.5 基于深度学习方法的人脸对齐
      • 4.5.1 基于级联回归的方法
      • 4.5.2 其他深度学习方法
    • 4.6 本章小结
  • 第5章 人脸活体检测
    • 5.1 引言
    • 5.2 人脸活体检测概述
      • 5.2.1 人脸活体检测的定义
      • 5.2.2 人脸活体检测的意义
      • 5.2.3 人脸活体检测的分类
      • 5.2.4 人脸活体检测的评价标准
      • 5.2.5 人脸检测常用数据库
    • 5.3 传统人脸活体检测方法
      • 5.3.1 基于纹理的方法
      • 5.3.2 基于时域的方法
      • 5.3.3 基于辅助监督的方法
    • 5.4 基于深度学习方法的人脸活体检测
    • 5.5 本章小结
  • 第6章 人脸图像识别
    • 6.1 人脸识别概述
      • 6.1.1 常见的生物特征
      • 6.1.2 人脸图像识别的优势
      • 6.1.3 人脸图像识别的应用
    • 6.2 人脸识别系统常用框架
    • 6.3 人脸识别方法
      • 6.3.1 基于几何特征的方法
      • 6.3.2 基于局部特征的方法
      • 6.3.3 基于空间映射的方法
      • 6.3.4 基于贝叶斯推断的方法
      • 6.3.5 基于深度学习的方法
    • 6.4 本章小结
  • 第7章 异质人脸图像识别
    • 7.1 异质人脸识别概述
      • 7.1.1 异质人脸图像识别优势与难点
      • 7.1.2 异质人脸图像识别应用
    • 7.2 异质人脸图像识别常用框架
    • 7.3 异质人脸图像识别方法
      • 7.3.1 基于人脸伪图像合成的异质人脸图像识别方法
      • 7.3.2 基于共同空间投影的异质人脸图像识别方法
      • 7.3.3 基于跨模态不变特征的异质人脸图像识别方法
      • 7.3.4 基于深度学习的异质人脸图像识别方法
    • 7.4 本章小结
  • 第8章 人脸超分辨率重建
    • 8.1 图像超分辨率重建概述
      • 8.1.1 分辨率的概念
      • 8.1.2 人脸图像超分辨率重建
    • 8.2 人脸超分辨率重建的技术背景
      • 8.2.1 图像观测模型
      • 8.2.2 图像重建原理
      • 8.2.3 常用数据库与评价指标
    • 8.3 基于插值的人脸超分辨率重建方法
      • 8.3.1 邻域插值
      • 8.3.2 线性插值及双线性插值
      • 8.3.3 双三次插值
    • 8.4 基于重构的人脸超分辨率重建方法
      • 8.4.1 迭代反向投影方法
      • 8.4.2 凸集投影方法
      • 8.4.3 最大后验概率方法
    • 8.5 基于样例学习的人脸超分辨率重建方法
      • 8.5.1 最近邻方法与邻域嵌入方法
      • 8.5.2 稀疏字典学习方法
    • 8.6 基于深度学习的人脸超分辨率重建方法
      • 8.6.1 基于卷积神经网络的方法
      • 8.6.2 基于人脸局部-全局特征的深度学习方法
      • 8.6.3 基于小波变换的深度学习方法
      • 8.6.4 基于人脸属性的深度学习方法
      • 8.6.5 基于人脸结构先验的深度学习方法
    • 8.7 本章小结
  • 第9章 多视角人脸合成
    • 9.1 多视角人脸合成概述
      • 9.1.1 多视角人脸合成的概念与意义
      • 9.1.2 常用数据库与评价指标
    • 9.2 基于图形学的重建方法
      • 9.2.1 基于三维可变模型的重建方法
      • 9.2.2 基于2D+3D AAM的重建方法
    • 9.3 基于统计学习的重建方法
      • 9.3.1 未使用AAM的方法
      • 9.3.2 使用AAM的方法
    • 9.4 基于深度学习的重建方法
      • 9.4.1 基于面部身份保持特征的方法
      • 9.4.2 基于深度卷积编解码网络的方法
      • 9.4.3 基于双路径生成对抗网络的方法
      • 9.4.4 基于解表征学习的生成对抗网络的方法
    • 9.5 本章小结
  • 第10章 人脸表情合成与识别
    • 10.1 人脸表情合成与识别概述
    • 10.2 人脸表情数据库
      • 10.2.1 二维人脸表情数据库
      • 10.2.2 三维人脸表情数据库
    • 10.3 人脸表情识别
      • 10.3.1 人脸表情识别系统框架
      • 10.3.2 基于传统方法的人脸表情识别
      • 10.3.3 基于深度学习的人脸表情识别
      • 10.3.4 人脸基本动作单元与人脸表情识别
      • 10.3.5 人脸表情识别的机遇与挑战
    • 10.4 人脸表情合成
      • 10.4.1 二维人脸表情合成
      • 10.4.2 三维人脸表情合成
    • 10.5 本章小结
  • 第11章 计算机人脸动画
    • 11.1 计算机人脸动画概述
      • 11.1.1 计算机人脸动画方法分类
      • 11.1.2 人脸动画的应用
      • 11.1.3 计算机人脸动画的发展简史
    • 11.2 计算机人脸动画的传统方法
      • 11.2.1 计算机人脸面部表示
      • 11.2.2 基于几何变形的人脸动画方法
      • 11.2.3 基于数据驱动的人脸动画方法
    • 11.3 深度学习方法
      • 11.3.1 GANimation
      • 11.3.2 音频驱动的面部视频合成技术Neural Voice Puppetry
    • 11.4 本章小结
  • 第12章 异质人脸图像合成
    • 12.1 引言
    • 12.2 异质人脸图像合成概述
    • 12.3 数据驱动类异质人脸图像合成方法
      • 12.3.1 基于子空间学习的方法
      • 12.3.2 基于稀疏表示的人脸画像合成方法
      • 12.3.3 基于贝叶斯推断的人脸画像合成方法
    • 12.4 模型驱动类异质人脸图像合成方法
      • 12.4.1 基于全卷积神经网络的人脸画像合成算法
      • 12.4.2 基于生成对抗网络的人脸画像合成算法
    • 12.5 实验及结果分析
      • 12.5.1 数据库介绍
      • 12.5.2 人脸合成结果展示
      • 12.5.3 画像合成时间对比
      • 12.5.4 画像客观质量评价
      • 12.5.5 人脸识别准确率对比
    • 12.6 方法对比总结
    • 12.7 本章小结
  • 第13章 人脸图像合成与识别展望
    • 13.1 引言
    • 13.2 人脸图像合成方法展望
      • 13.2.1 基于协同信息迁移的人脸合成方法
      • 13.2.2 基于人脸标签信息迁移的人脸画像合成方法
      • 13.2.3 基于知识迁移的人脸画像合成方法
      • 13.2.4 其他最新合成工作进展
    • 13.3 人脸识别方法展望
      • 13.3.1 基于非对称联合学习的异质人脸识别算法
      • 13.3.2 基于多间隔解相关学习的图像跨模态识别
      • 13.3.3 其他最新识别工作进展
    • 13.4 本章小结
  • 参考文献

相关图书