本书由浅入深、全面系统地介绍人脸图像的各个研究方向和应用场景，包括但不限于基于深度学习的各个方向的核心技术。本书理论体系完备，讲解时提供大量实例，可供读者实战演练。本书涵盖的内容非常广泛，从基本的人脸数据集发展历史和人脸检测开始，分别讲述在此基础上进行的人脸图像处理的相关技术与应用，涉及身份识别、安全认证、人机交互和娱乐社交等领域。本书共11章，涵盖的主要内容有人脸图像与特征基础、深度学习基础、人脸数据集、人脸检测、人脸关键点检测、人脸识别、人脸属性识别、人脸属性分割、人脸美颜与美妆、人脸三维重建及人脸属性编辑。本书适合计算机视觉领域的初学者及所有在人脸图像算法领域想要有所提高的工程技术人员、学生和教职工阅读。读者既可以将本书作为核心算法书籍学习理论知识，也可以将本书作为工程参考手册查阅相关技术。

　　言有三　真名龙鹏。2012年本科毕业于华中科技大学，后保研至中国科学院并于2015年毕业。先后在奇虎360人工智能研究院和陌陌深度学习实验室从事计算机视觉相关工作，积累了丰富的传统图像处理算法研究心得和深度学习项目实战经验。运营微信公众号“有三AI”和知识星球“有三AI”等社区，内容覆盖深度学习理论、深度学习开源框架、模型架构设计与优化，以及深度学习在计算机视觉和自然语言处理等领域的核心技术与应用，规划并总结了AI算法工程师的完整成长路线。出版了《深度学习之图像识别：核心技术与案例实战》与《深度学习之模型设计：核心算法与案例实践》等著作。

版权信息
前言
第1章 人脸图像与特征基础
1.1 人脸图像基础
1.1.1 人脸图像的特点
1.1.2 人脸图像的应用
1.2 人脸特征基础
1.2.1 几何特征
1.2.2 颜（肤）色特征
1.2.3 纹理特征
1.3 人脸图像工程常用的机器学习算法
1.3.1 SVM简介
1.3.2 AdaBoost简介
第2章 深度学习基础
2.1 神经网络
2.1.1 神经元模型
2.1.2 感知机
2.1.3 BP算法
2.2 卷积神经网络基础
2.2.1 卷积操作
2.2.2 反卷积操作
2.2.3 卷积神经网络的基本概念
2.2.4 卷积神经网络的核心思想
2.2.5 卷积神经网络基本结构配置
2.3 深度学习优化基础
2.3.1 激活模型与常用激活函数
2.3.2 参数初始化方法
2.3.3 归一化方法
2.3.4 池化
2.3.5 最优化方法
2.3.6 学习率策略
2.3.7 正则化方法
2.4 深度学习主流开源框架介绍
2.4.1 Caffe简介
2.4.2 TensorFlow简介
2.4.3 PyTorch简介
2.4.4 Theano简介
2.4.5 Keras简介
2.4.6 MXNet简介
2.4.7 Chainer简介
参考文献
第3章 人脸数据集
3.1 人脸检测数据集
3.1.1 通用人脸检测数据集
3.1.2 复杂人脸检测数据集
3.2 关键点检测数据集
3.3 人脸识别数据集
3.3.1 人脸识别图像数据集
3.3.2 人脸识别视频数据集
3.3.3 三维人脸识别数据集
3.3.4 人脸识别其他数据集
3.4 人脸属性分析数据集
3.4.1 通用人脸属性分析数据集
3.4.2 人脸表情数据集
3.4.3 人脸年龄与性别数据集
3.4.4 人脸分割数据集
3.4.5 人脸颜值数据集
3.4.6 人脸妆造数据集
3.5 人脸姿态与3D数据集
3.5.1 人脸姿态数据集
3.5.2 人脸三维重建数据集
3.6 人脸活体与伪造数据集
3.6.1 人脸活体数据集
3.6.2 人脸伪造数据集
3.7 人脸风格化数据集
第4章 人脸检测
4.1 目标检测基础
4.1.1 目标检测基本流程
4.1.2 选择检测窗口
4.1.3 提取图像特征
4.1.4 设计分类器
4.2 经典人脸检测算法
4.2.1 人脸检测问题
4.2.2 人脸肤色模型
4.2.3 人脸形状模型与模板匹配
4.2.4 特征分类算法
4.2.5 DPM方法
4.3 深度学习通用目标检测方法
4.3.1 OverFeat方法
4.3.2 Selective search与R-CNN方法
4.3.3 SPPNet与Fast R-CNN方法
4.3.4 Faster R-CNN与R-FCN方法
4.3.5 YOLO方法
4.3.6 SSD方法
4.3.7 基于角点的检测方法
4.3.8 目标检测中的几个关键技术和难点
4.4 深度学习人脸检测核心技术
4.4.1 人脸组件算法
4.4.2 级联检测算法
4.4.3 多尺度人脸检测算法
4.4.4 遮挡人脸检测算法
4.4.5 活体与伪造人脸检测算法
4.5 实战Faster R-CNN人脸检测
4.5.1 项目背景
4.5.2 py-faster-rcnn框架解读
4.5.3 模型定义与分析
4.5.4 模型训练
4.5.5 模型测试
参考文献
第5章 人脸关键点检测
5.1 关键点检测基础
5.1.1 关键点的定义
5.1.2 关键点的点数发展
5.1.3 关键点检测算法评价
5.1.4 人脸姿态
5.2 传统人脸关键点检测方法
5.2.1 ASM、AAM与CLM算法
5.2.2 级联形状回归算法
5.3 深度学习方法
5.3.1 级联框架
5.3.2 多任务联合框架
5.3.3 遮挡与大姿态问题
5.4 实时人脸关键点检测实践
5.4.1 数据集和基准模型
5.4.2 模型训练
5.4.3 模型测试
5.5 小结
参考文献
第6章 人脸识别
6.1 人脸识别基础
6.1.1 人脸识别基本流程
6.1.2 人脸识别评估
6.1.3 传统人脸识别特征
6.2 深度学习人脸识别核心技术
6.2.1 度量学习
6.2.2 多类别分类学习
6.2.3 人脸分类优化目标的发展
6.3 人脸识别算法面临的挑战和未来
6.3.1 遮挡人脸识别
6.3.2 跨姿态人脸识别
6.3.3 跨年龄人脸识别
6.3.4 妆造不变人脸识别
6.3.5 异质源人脸识别
6.3.6 其他问题
6.3.7 小结
6.4 实战人脸识别模型训练
6.4.1 数据准备与接口封装
6.4.2 模型训练
6.4.3 模型测试
6.4.4 小结
参考文献
第7章 人脸属性识别
7.1 人脸性别识别
7.1.1 人脸性别识别方法
7.1.2 人脸性别识别发展与挑战
7.2 人脸颜值与脸型识别
7.2.1 平均脸和脸型分类
7.2.2 人脸颜值与脸型特征
7.2.3 应用和挑战
7.3 人脸年龄识别
7.3.1 人脸年龄估计模型
7.3.2 传统年龄估计方法
7.3.3 深度学习年龄估计方法
7.3.4 小结
7.4 人脸表情识别
7.4.1 概述
7.4.2 传统表情识别算法
7.4.3 深度学习方法
7.4.4 挑战与展望
7.5 人脸属性识别项目实践
7.5.1 表情识别
7.5.2 年龄识别
7.5.3 总结
参考文献
第8章 人脸属性分割
8.1 图像分割的基础与人脸属性分割的应用
8.1.1 图像分割的含义
8.1.2 经典的图像分割方法
8.1.3 人脸属性分割的应用
8.2 深度学习图像分割核心技术
8.2.1 反卷积
8.2.2 图像分割经典模型
8.2.3 感受野控制、上下文信息与多尺度结构
8.2.4 图像分割后处理技术
8.2.5 图像分割中的难题
8.3 轻量级人脸分割项目实践
8.3.1 数据集与基准模型
8.3.2 模型训练与测试
8.3.3 小结
参考文献
第9章 人脸美颜与美妆
9.1 美颜基础和应用场景
9.1.1 五官重塑
9.1.2 磨皮、美白与肤质调整
9.1.3 上妆
9.2 基于滤波与变形的传统美颜算法
9.2.1 基于变形的五官重塑
9.2.2 基于滤波的磨皮算法
9.2.3 基于肤色模型的美白与肤质调整算法
9.2.4 小结
9.3 妆造迁移算法
9.3.1 传统妆造迁移算法
9.3.2 深度学习算法
9.4 妆造迁移算法实战
9.4.1 项目解读
9.4.2 模型训练
9.4.3 模型测试
参考文献
第10章 人脸三维重建
10.1 三维重建基础
10.1.1 常见三维重建技术
10.1.2 人脸三维重建的特点和难点
10.1.3 人脸三维重建基础技术
10.2 传统三维人脸重建技术
10.2.1 多目立体视觉匹配
10.2.2 3DMM
10.2.3 Shape from Shading
10.2.4 Structure from Motion
10.3 深度学习三维人脸重建
10.3.1 基于3DMM的方法
10.3.2 基于端到端的通用模型
10.3.3 三维人脸重建的难点
10.4 深度学习三维人脸重建实践
10.4.1 BFM模型的使用
10.4.2 基于BFM模型的常见三维特征
10.4.3 PRNet三维重建
10.4.4 小结
参考文献
第11章 人脸属性编辑
11.1 人脸属性编辑基础
11.1.1 人脸属性编辑应用
11.1.2 基于模型的人脸编辑
11.2 深度学习人脸属性编辑方法
11.2.1 GAN基础
11.2.2 图像风格化
11.2.3 表情编辑算法
11.2.4 年龄编辑算法
11.2.5 姿态编辑算法
11.2.6 人脸风格化算法
11.2.7 换脸算法
11.2.8 统一的人脸属性编辑框架
11.2.9 小结
11.3 实战人脸动画头像风格化
11.3.1 项目解读
11.3.2 模型训练
11.3.3 模型测试
参考文献

　　人脸图像在计算机视觉领域的应用非常广泛，几乎每一个从事计算机视觉领域相关工作的技术人员都会有所涉及。本书从人脸图像的各种应用场景出发，介绍了以深度学习模型为主的核心技术，理论知识翔实，实践案例丰富，适合从事人脸图像相关工作的技术人员阅读。
　　——依图科技CTO/新加坡工程院院士/IEEE Fellow 颜水成


　　人脸识别是计算机视觉领域比较成功的技术之一，有着大量的落地应用。其成功离不开以深度卷积神经网络为主的深度学习技术。本书全面介绍了基于深度学习的人脸识别方法及相关应用，囊括人脸检测、特征点定位、人脸识别、人脸属性估计、人脸部件分割、3D人脸重建、人脸美颜与美妆等常用技术。本书内容全面，案例丰富，实用性强，不仅适合人脸识别领域的研究人员、从业者和技术爱好者阅读，也对计算机视觉、模式识别和机器学习等领域的从业者有参考价值。
　　——中科院计算所研究员/智能信息处理重点实验室常务副主任 山世光


　　随着移动互联网的全面发展，深度学习在人脸图像领域的应用层出不穷。本书围绕深度学习技术，详细地介绍了人脸图像处理的相关知识，并配以丰富的算法实践。通过阅读本书，读者可以更加全面地了解相关的理论知识及应用，并系统地掌握人脸图像处理技术。
　　——新智元创始人/CEO 杨静


　　深度学习在产业界的崛起始于ImageNet。中国在人脸图像应用领域也走在了世界前沿，屡屡斩获全球大赛冠军奖项。但是业界还是缺乏系统地讲解人脸图像核心算法理论和实践的书籍。言有三在深度学习领域深耕多年，积累了丰富的人脸图像处理项目经验，他的这本书详细地介绍了人脸图像在各种应用场景中所需要的核心技术，丰富和充实了基于深度学习的人脸图像处理类图书市场。
　　——美图公司MTlab负责人 许清泉