本书介绍近年来人脸识别领域的关键技术，如特征提取、表示，机器学习以及模式识别方法，重点介绍人脸特征的光照预处理、图像粒表示与流形学习、稀疏表示与字典学习、姿态表情识别、2D矫正与人脸识别以及深度学习人脸识别等内容。 本书适合作为人工智能、模式识别等相关专业的研究生、高年级本科生的参考教材，也可供相关方向的科研工作者阅读参考。

更多科学出版社服务，请扫码获取。

目录
前言
第1章 绪论 1
1.1 人脸识别的目的和意义 1
1.2 人脸识别的研究现状 2
1.2.1 国际研究动态 2
1.2.2 国内研究现状 4
1.3 人脸识别的研究内容 5
1.3.1 经典的工作 5
1.3.2 最新的动向 6
1.4 本书的主要目的和内容安排 7
1.4.1 主要目的 7
1.4.2 内容安排 7
参考文献 8
第2章 人脸特征表示 11
2.1 主成分分析 11
2.2 线性判别分析 12
2.3 最大间距准则 13
2.4 二维主成分分析 13
2.5 二维线性判别分析 14
2.6 双向主成分分析 15
2.7 类增广PCA 16
2.8 自适应类增广PCA 18
2.9 融合小波变换和自适应类增广PCA 20
2.10 二维类增广PCA 21
2.10.1 用2DPCA进行预处理 21
2.10.2 特征矩阵归一化 22
2.10.3 根据类信息获得类增广数据 22
2.10.4 对类增广数据进行2DPCA处理 23
2.11 实验结果与分析 23
2.11.1 识别性能分析 24
2.11.2 时间和综合性能分析 26
2.11.3 二维CAPCA的实验 27
2.12 本章小结 29
参考文献 29
第3章 光照预处理与自适应特征提取 30
3.1 基于小波变换的预处理 30
3.2 自商图像 31
3.3 Retinex方法 32
3.4 各向异性光滑处理 34
3.5 同态滤波 35
3.6 局部对比增强 37
3.7 基于Curvelet的特征提取 38
3.7.1 Curvelet变换 38
3.7.2 离散Curvelet变换的实现方法 40
3.8 自适应特征的提取 41
3.8.1 候选特征的表示 42
3.8.2 鉴别能力分析与特征选择 42
3.9 非参数子空间分析 43
3.10 2DPCA非参数子空间分析 44
3.10.1 二维主成分分析 44
3.10.2 二维非参数子空间分析 45
3.10.3 特征提取和分类 46
3.11 实验结果与分析 46
3.11.1 分块熵特征表示的性能优势 46
3.11.2 自适应特征选择 47
3.11.3 不同2DPCA子空间对2DNSA的影响 49
3.11.4 各种光照预处理与特征提取方法相结合对比分析 50
3.12 本章小结 56
参考文献 57
第4章 流形学习与图像粒计算方法 59
4.1 等距映射 59
4.2 局部线性嵌入 61
4.3 拉普拉斯特征映射 64
4.4 局部保持投影 65
4.5 流形学习算法分析 67
4.6 粒计算 69
4.6.1 粒计算的基本组成 69
4.6.2 粒计算的基本问题 70
4.6.3 粒计算的应用研究 71
4.7 图像粒 72
4.8 基于图像粒的图像处理 73
4.9 人脸图像低维嵌入 74
4.9.1 人脸图像二维嵌入 75
4.9.2 基于图像粒的LLE 76
4.9.3 加权预处理的图像粒LLE 79
4.10 基于图像粒LPP的人脸姿态和表情分析 83
4.10.1 CMU PIE人脸库实验 83
4.10.2 Frey人脸库实验 86
4.11 本章小结 98
参考文献 98
第5章 小波变换与特征提取 100
5.1 二维小波变换 100
5.2 基于小波和流形学习的人脸姿态表情分析 102
5.2.1 图像特征信息粒 102
5.2.2 基于小波分解的流形算法 103
5.3 Gabor小波特征提取 104
5.3.1 Gabor小波介绍 104
5.3.2 Gabor特征表示 104
5.4 基于Gabor小波的S2DNPE算法 104
5.4.1 有监督的二维近邻保持嵌入 105
5.4.2 GS2DNPE的算法流程 105
5.5 基于Gabor小波的SB2DLPP算法 106
5.5.1 双向二维局部保持投影 106
5.5.2 有监督的双向二维局部保持投影算法 107
5.6 双向二维近邻保持嵌入算法 109
5.7 双向二维近邻保持判别嵌入算法 111
5.7.1 投影矩阵的求解 111
5.7.2 特征分类识别 114
5.8 实验结果与分析 114
5.8.1 基于Gabor小波的S2DNPE算法 114
5.8.2 基于Gabor小波的SB2DLPP算法 119
5.8.3 双向二维近邻保持判别嵌入算法 126
5.9 本章小结 131
参考文献 132
第6章 稀疏表示与字典学习 133
6.1 稀疏表示的模型和求解算法 133
6.2 协同表示理论 134
6.3 字典学习 137
6.4 类别特色字典学习 137
6.5 类别特色字典优化 139
6.6 共享字典学习 140
6.7 共享字典和类别特色字典结合的分类方法 141
6.8 类内变化字典学习 143
6.9 类内变化字典优化 144
6.10 分类策略 145
6.11 实验结果分析 146
6.11.1 类别特色字典优化实验 146
6.11.2 算法6-4实验 155
6.12 本章小结 164
参考文献 165
第7章 特征筛选与人脸表情识别 167
7.1 LBP算子 167
7.2 CLBP算子 168
7.3 DisCLBP算子 169
7.4 基于Fisher准则改进的DisCLBP特征筛选算法描述 170
7.5 基于DisCLBP的人脸表情识别 173
7.6 特征块初始化 175
7.7 初次筛选特征块 177
7.8 再次筛选特征块并分类 178
7.9 实验结果与分析 180
7.9.1 DisCLBP的人脸表情识别实验 180
7.9.2 筛选特征块实验 183
7.10 本章小结 189
参考文献 189
第8章 人脸特征点检测与2D矫正 191
8.1 牛顿法 191
8.2 从牛顿法推导SDM 193
8.2.1 牛顿法表达式 193
8.2.2 SDM 194
8.3 人脸特征点检测SDM 195
8.3.1 SDM流程 195
8.3.2 SDM流程图 197
8.3.3 SIFT特征点检测 198
8.4 Delaunay三角剖分介绍 202
8.4.1 三角剖分定义 202
8.4.2 Delaunay三角剖分定义 203
8.4.3 Delaunay三角剖分准则 203
8.4.4 Delaunay三角剖分特性 204
8.4.5 局部最优化处理 204
8.5 Delaunay三角剖分算法 205
8.5.1 Lawson算法 205
8.5.2 Bowyer-Watson算法 206
8.6 基于网络变形的人脸矫正 209
8.6.1 包围盒 209
8.6.2 人脸矫正的流程 209
8.6.3 面部变形 209
8.6.4 仿射变换 212
8.7 实验结果及分析 215
8.7.1 人脸库简介 215
8.7.2 LFW人脸库上的实验 215
8.7.3 对比分析 217
8.8 本章小结 219
参考文献 220
第9章 人脸特征检测与深度学习 221
9.1 背投影 221
9.2 特征检测和描述 222
9.2.1 Haar级联检测 223
9.2.2 HoG 224
9.3 R-CNN系列 225
9.3.1 R-CNN 225
9.3.2 Fast R-CNN 229
9.3.3 Faster R-CNN 232
9.4 BoVW 234
9.4.1 BoVW模型 235
9.4.2 基于BoVW模型的学习和识别 235
9.5 DeepFace 236
9.5.1 DNN架构和训练 236
9.5.2 标准化 237
9.5.3 验证度量 238
9.6 基于MT-CNN和FaceNet的算法描述 238
9.6.1 人脸检测和识别的技术分析 238
9.6.2 MT-CNN 240
9.6.3 FaceNet 242
9.6.4 多实例模型 243
9.7 实验结果及分析 244
9.7.1 FaceNet分析 244
9.7.2 多实例模型分析 247
9.8 本章小结 250
参考文献 250