作者简介
王天庆
长期从事分布式系统、数据科学与工程、人工智能等方面的研究与开发，在人脸识别方面有丰富的实践经验。现就职某世界100强企业的数据实验室，从事数据科学相关技术领域的预研工作。
曾就职于某海外业务社交类移动互联网公司，熟悉大数据平台研发、架构，以及数据的处理和分析，熟悉Web架构和高性能、高并发、高可用系统。
中国电子学会（计算机应用分会）会员，CSDN博客专家，热爱技术分享与交流。

内容简介
这是一本面向初学者的人脸识别工具书，不仅适合零基础的读者快速入门，而且适合有一定基础的读者迅速达到可以进行工程实践的水平。
作者就职于某世界100强企业，在人脸识别方面积累了丰富的工程实践经验，本书不仅详细介绍了机器学习、深度学习、计算机视觉、人脸识别等方面的原理、技术和算法，而且还通过相关的实战案例讲解了如何进行人脸识别方面的实践，以及如何将做好的模型用于工程实践中。同时，本书还提供了大量简洁、精炼的代码，能帮助读者从零开始实现一个工程级别的人脸识别引擎。
全书一共8章：
第1章介绍了人脸识别的基础和必备常识；
第2-4章详细讲解了与人脸识别相关的数学、机器学习、计算机视觉、OpenCV相关的基础和算法；
第5章讲解了深度学习的原理以及使用Keras实现深度学习模型的方法；
第6章介绍了常用的人脸识别算法；
第7~8章详细讲解了人脸识别引擎的实现方法以及如何将做好的模型进行工程化。

前言
第1章　人脸识别入门1
　1.1　人脸识别概况1
1.1.1　何为人脸识别1
1.1.2　人脸识别的应用2
1.1.3　人脸识别的目标4
1.1.4　人脸识别的一般方法5
　1.2　人脸识别发展状况8
1.2.1　人脸识别历史沿革8
1.2.2　DT时代的呼唤10
1.2.3　计算机视觉的新起点10
　1.3　本章小结12
第2章　数学与机器学习基础13
　2.1　矩阵13
2.1.1　矩阵的形式13
2.1.2　行列式14
2.1.3　转置15
2.1.4　矩阵的一般运算15
　2.2　向量17
2.2.1　向量的形式18
2.2.2　向量的点乘18
2.2.3　向量的范数19
　2.3　距离度量19
2.3.1　欧式距离19
2.3.2　曼哈顿距离20
2.3.3　余弦距离20
2.3.4　汉明距离21
　2.4　卷积22
2.4.1　一维卷积22
2.4.2　二维卷积23
　2.5　机器学习基础25
2.5.1　机器学习类别25
2.5.2　分类算法26
　2.6　本章小结38
第3章　计算机视觉原理与应用39　
3.1　计算机视觉介绍39
　3.2　颜色模型40
3.2.1　彩色图像40
3.2.2　灰度图像与二值图像42
　3.3　信号与噪声44
3.3.1　信号44
3.3.2　噪声45
　3.4　图像滤波45
3.4.1　均值滤波45
3.4.2　中值滤波47
　3.5　图像的几何变换47
3.5.1　平移48
3.5.2　旋转49
3.5.3　缩放50
　3.6　图像特征50
3.6.1　灰度直方图50
3.6.2　LBP特征51
3.6.3　Haar特征52
3.6.4　HOG特征54
　3.7　本章小结56
第4章　OpenCV基础与应用58
　4.1　OpenCV介绍58
　4.2　科学计算库Numpy59
4.2.1　array类型60
4.2.2　线性代数相关62
4.2.3　矩阵的高级函数64
　4.3　OpenCV基本操作70
　4.4　图像的基本变换72
4.4.1　颜色变换72
4.4.2　几何变换80
4.4.3　图像噪声处理83
　4.5　本章小结86
第5章　深度学习与Keras工程实践87
　5.1　深度学习介绍87
　5.2　Keras框架简介89
　5.3　Keras的使用方法91
5.3.1　深度学习的原理91
5.3.2　Keras神经网络堆叠的两种方法92
　5.4　常用的神经网络层96
5.4.1　全连接层96
5.4.2　二维卷积层98
5.4.3　池化层100
5.4.4　BN层103
5.4.5　dropout层105
5.4.6　flatten层106
　5.5　激活函数108
5.5.1　Sigmoid激活函数108
5.5.2　Softmax激活函数109
5.5.3　ReLU激活函数110
5.5.4　Keras中激活函数的使用111
　5.6　优化器112
5.6.1　SGD优化器113
5.6.2　Adadelta优化器116
　5.7　损失函数117
5.7.1　均方误差117
5.7.2　交叉熵损失函数118
5.7.3　Keras提供的损失函数120
　5.8　模型评估方法122
5.8.1　交叉验证122
5.8.2　分类器性能评估124
　5.9　数据增强127
5.9.1　数据增强概述128
5.9.2　Keras实现数据增强129
5.9.3　自己实现数据增强133
　5.10　Keras的工程实践134
5.10.1　训练时的回调函数135
5.10.2　打印网络信息137
5.10.3　输出网络结构图139
5.10.4　获取某层的输出140
　5.11　本章小结142
第6章　常用人脸识别算法143
　6.1　特征脸法143
　6.2　OpenCV的方法146
6.2.1　人脸检测方法147
6.2.2　人脸识别方法149
　6.3　Dlib的人脸检测方法151
　6.4　基于深度学习的图片特征提取152
6.4.1　AlexNet152
6.4.2　VGGNet155
6.4.3　GoogLeNet157
6.4.4　ResNet160
　6.5　基于深度学习的人脸检测161
6.5.1　基于深度学习的目标检测162
6.5.2　MTCNN164
　6.6　基于深度学习的人脸识别167
6.6.1　基于度量学习的方法168
6.6.2　基于边界分类的方法171
　6.7　本章小结177
第7章　人脸识别项目实战178
　7.1　人脸图片数据集178
7.1.1　Olivetti Faces人脸数据集178
7.1.2　LFW人脸数据集180
7.1.3　YouTube Faces人脸数据集181
7.1.4　IMDB WIKI人脸数据集181
7.1.5　FDDB人脸数据集182
　7.2　使用OpenCV的人脸检测182
7.2.1　Haar级联分类器182
7.2.2　OpenCV的SSD人脸检测器184
　7.3　使用Dlib的人脸检测186
7.3.1　基于Hog-SVM的人脸检测186
7.3.2　基于最大边界的对象检测器187
　7.4　深度学习实践188
7.4.1　卷积神经网络实现189
7.4.2　数据增强207
7.4.3　自定义损失函数211
7.4.4　数据预处理213
7.4.5　模型训练214
7.4.6　实现Web接口216
7.4.7　模型调优与总结218
　7.5　人脸识别的拓展应用219
　7.6　本章小结220
第8章　人脸识别工程化221
　8.1　云平台实践221
8.1.1　云计算介绍221
8.1.2　云服务的形式223
8.1.3　云平台架构设计224
　8.2　服务API设计229
8.2.1　人脸检测229
8.2.2　人脸对比239
　8.3　人脸图片存储241
　8.4　人脸图片检索243
　8.5　本章小结244
附录　参考文献245