Python人臉識別：從入門到工程實踐（簡體書）

這是一本面向初學者的人臉識別工具書，不僅適合零基礎的讀者快速入門，而且適合有一定基礎的讀者迅速達到可以進行工程實踐的水平。作者就職于某世界100強企業，在人臉識別方面積累了豐富的工程實踐經驗，本書不僅詳細介紹了機器學習、深度學習、計算機視覺、人臉識別等方面的原理、技術和算法，而且還通過相關的實戰案例講解了如何進行人臉識別方面的實踐，以及如何將做好的模型用於工程實踐中。同時，本書還提供了大量簡潔、精煉的代碼，能幫助讀者從零開始實現一個工程級別的人臉識別引擎。全書一共8章：第1章介紹了人臉識別的基礎和必備常識；第2-4章詳細講解了與人臉識別相關的數學、機器學習、計算機視覺、OpenCV相關的基礎和算法；第5章講解了深度學習的原理以及使用Keras實現深度學習模型的方法；第6章介紹了常用的人臉識別算法；第7～8章詳細講解了人臉識別引擎的實現方法以及如何將做好的模型進行工程化。

王天慶，長期從事分布式系統、數據科學與工程、人工智能等方面的研究與開發，在人臉識別方面有豐富的實踐經驗。現就職某世界100強企業的數據實驗室，從事數據科學相關技術領域的預研工作。曾就職於某海外業務社交類移動互聯網公司，熟悉大數據平臺研發、架構，以及數據的處理和分析，熟悉Web架構和高性能、高併發、高可用系統。中國電子學會(計算機應用分會)會員，CSDN博客專家，熱愛技術分享與交流。

前言第1章 人臉識別入門1 1.1 人臉識別概況11.1.1 何為人臉識別11.1.2 人臉識別的應用21.1.3 人臉識別的目標41.1.4 人臉識別的一般方法5 1.2 人臉識別發展狀況81.2.1 人臉識別歷史沿革81.2.2 DT時代的呼喚101.2.3 計算機視覺的新起點10 1.3 本章小結12第2章 數學與機器學習基礎13 2.1 矩陣132.1.1 矩陣的形式132.1.2 行列式142.1.3 轉置152.1.4 矩陣的一般運算15 2.2 向量172.2.1 向量的形式182.2.2 向量的點乘182.2.3 向量的範數19 2.3 距離度量192.3.1 歐式距離192.3.2 曼哈頓距離202.3.3 余弦距離202.3.4 漢明距離21 2.4 卷積222.4.1 一維卷積222.4.2 二維卷積23 2.5 機器學習基礎252.5.1 機器學習類別252.5.2 分類算法26 2.6 本章小結38第3章 計算機視覺原理與應用39 3.1 計算機視覺介紹39 3.2 顏色模型403.2.1 彩色圖像403.2.2 灰度圖像與二值圖像42 3.3 信號與噪聲443.3.1 信號443.3.2 噪聲45 3.4 圖像濾波453.4.1 均值濾波453.4.2 中值濾波47 3.5 圖像的幾何變換473.5.1 平移483.5.2 旋轉493.5.3 縮放50 3.6 圖像特徵503.6.1 灰度直方圖503.6.2 LBP特徵513.6.3 Haar特徵523.6.4 HOG特徵54 3.7 本章小結56第4章 OpenCV基礎與應用58 4.1 OpenCV介紹58 4.2 科學計算庫Numpy594.2.1 array類型604.2.2 線性代數相關624.2.3 矩陣的高級函數64 4.3 OpenCV基本操作70 4.4 圖像的基本變換724.4.1 顏色變換724.4.2 幾何變換804.4.3 圖像噪聲處理83 4.5 本章小結86第5章 深度學習與Keras工程實踐87 5.1 深度學習介紹87 5.2 Keras框架簡介89 5.3 Keras的使用方法915.3.1 深度學習的原理915.3.2 Keras神經網絡堆疊的兩種方法92 5.4 常用的神經網絡層965.4.1 全連接層965.4.2 二維卷積層985.4.3池化層1005.4.4 BN層1035.4.5 dropout層1055.4.6 flatten層106 5.5 激活函數1085.5.1 Sigmoid激活函數1085.5.2 Softmax激活函數1095.5.3 ReLU激活函數1105.5.4 Keras中激活函數的使用111 5.6 優化器1125.6.1 SGD優化器1135.6.2 Adadelta優化器116 5.7 損失函數1175.7.1 均方誤差1175.7.2 交叉熵損失函數1185.7.3 Keras提供的損失函數120 5.8 模型評估方法1225.8.1 交叉驗證1225.8.2 分類器性能評估124 5.9 數據增強1275.9.1 數據增強概述1285.9.2 Keras實現數據增強1295.9.3 自己實現數據增強133 5.10 Keras的工程實踐1345.10.1 訓練時的回調函數1355.10.2 打印網絡信息1375.10.3 輸出網絡結構圖1395.10.4 獲取某層的輸出140 5.11 本章小結142第6章 常用人臉識別算法143 6.1 特徵臉法143 6.2 OpenCV的方法1466.2.1 人臉檢測方法1476.2.2 人臉識別方法149 6.3 Dlib的人臉檢測方法151 6.4 基於深度學習的圖片特徵提取1526.4.1 AlexNet1526.4.2 VGGNet1556.4.3 GoogLeNet1576.4.4 ResNet160 6.5 基於深度學習的人臉檢測1616.5.1 基於深度學習的目標檢測1626.5.2 MTCNN164 6.6 基於深度學習的人臉識別1676.6.1 基於度量學習的方法1686.6.2 基於邊界分類的方法171 6.7 本章小結177第7章 人臉識別項目實戰178 7.1 人臉圖片數據集1787.1.1 Olivetti Faces人臉數據集1787.1.2 LFW人臉數據集1807.1.3 YouTube Faces人臉數據集1817.1.4 IMDB WIKI人臉數據集1817.1.5 FDDB人臉數據集182 7.2 使用OpenCV的人臉檢測1827.2.1 Haar級聯分類器1827.2.2 OpenCV的SSD人臉檢測器184 7.3 使用Dlib的人臉檢測1867.3.1 基於Hog-SVM的人臉檢測1867.3.2 基於最大邊界的對象檢測器187 7.4 深度學習實踐1887.4.1 卷積神經網絡實現1897.4.2 數據增強2077.4.3 自定義損失函數2117.4.4 數據預處理2137.4.5 模型訓練2147.4.6 實現Web接口2167.4.7 模型調優與總結218 7.5 人臉識別的拓展應用219 7.6 本章小結220第8章 人臉識別工程化221 8.1 雲平臺實踐2218.1.1 雲計算介紹2218.1.2 雲服務的形式2238.1.3 雲平臺架構設計224 8.2 服務API設計2298.2.1 人臉檢測2298.2.2 人臉對比239 8.3 人臉圖片存儲241 8.4 人臉圖片檢索243 8.5 本章小結244附錄 參考文獻245