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演算法與案例，主要包括素描人臉識別與人臉合成的研究與應用、傳統特徵提取演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、基於生成對抗網路的素描人臉合成方法、人臉超解析度重建方法等內容。

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。

作者介紹

曹林，博士，教授，現任北京資訊科技大學資訊與通信工程學院院長，光電測試技術及儀器教育部重點實驗室副主任，中國電子教育學會研究生教育分會理事，北京資訊科技大學勤信學者，資訊與通信工程一級學科碩士點負責人。

他先後主持國家自然科學基金面上專案、國防軍工和橫向等課題，近年來，作為專案骨幹完成國家科技重大專項專題3項（排名第2、第3和第4），累計承擔科研專案到款約1800多萬元。研究方向：空間資訊智慧感知與計算、圖像理解與識別和雷達信號處理。

近年來發表學術論文40餘篇，出版學術著作4部，教材1部，獲北京市科學技術獎和中國智慧交通協會科學技術獎等3項科技獎勵（排名第2），產生良好的經濟和社會效益，授權發明專利6項，電腦軟體著作權35項，其指導的研究生獲2016年度“中國圖像圖形學報”優秀論文獎。

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  素描人臉識別資料庫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  素描人臉圖像品質評估指標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  人臉圖像超解析度重建技術的研究與應用022
1．4．1  人臉圖像超解析度的發展及國內外研究現狀022
1．4．2  人臉圖像超解析度重建品質評價標準024
1．4．3  人臉圖像超解析度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  傳統特徵提取演算法在素描人臉識別上的應用與研究036
2．1  傳統素描人臉識別演算法相關原理037
2．1．1  人臉圖像分割演算法037
2．1．2  人臉特徵提取演算法042
2．2  基於Surf匹配座標鄰域優化的素描人臉識別049
2．2．1  Surf匹配050
2．2．2  座標鄰域優化053
2．2．3  識別過程055
2．2．4  實驗結果與分析056
2．3  基於張量排序保留判別分析的人臉特徵提取062
2．3．1  張量排序保留判別投影（TRPDA）模型064
2．3．2  TRPDA求解演算法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  卷積神經網路概述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  基於聯合分佈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  基於殘差網路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  基於SE-ResNeXt模型的素描人臉識別117
3．4．1  SE-ResNeXt網路模型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局部特徵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局部特徵提取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  基於圖像熵的圖像分塊141
4．2．2  圖像塊的特徵提取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  生成對抗網路在素描人臉合成中的應用161
5．1  生成對抗網路相關原理161
5．1．1  生成對抗網路模型概述161
5．1．2  生成對抗網路的改進163
5．2  基於生成對抗網路的素描人臉合成方法169
5．2．1  生成對抗網路模型169
5．2．2  損失函數174
5．2．3  實驗結果與分析177
5．3  基於雙層對抗網路的素描人臉合成方法185
5．3．1  雙層對抗網路模型186
5．3．2  損失函數188
5．3．3  實驗結果與分析189
5．4  基於特徵學習生成對抗網路的高品質素描人臉合成方法194
5．4．1  特徵學習生成對抗網路模型194
5．4．2  損失函數199
5．4．3  實驗結果與分析202
5．5  多判別器迴圈生成對抗網路的素描人臉合成方法211
5．5．1  多判別迴圈生成對抗網路模型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  基於聯合一致迴圈生成對抗網路的人像著色方法228
6．1  色彩空間229
6．2  網路結構229
6．2．1  著色網路模型230
6．2．2  生成網路231
6．2．3  判別網路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  資料庫及參數設置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  人臉超解析度重建246
7．1  雙層級聯神經網路的人臉超解析度重建246
7．1．1  堆疊沙漏塊結構246
7．1．2  雙層級聯神經網路結構248
7．1．3  損失函數250
7．1．4  實驗結果與分析251
7．2  基於引導圖像的人臉超解析度重建256
7．2．1  3DMM人臉擬合257
7．2．2  基於3DMM的人臉矯正257
7．2．3  基於引導圖像的人臉超解析度重建網路258
7．2．4  實驗結果與分析261
7．3  本章小結267
參考文獻

看更多