标签
内容简介
本书是王天庆撰写的一本人脸识别技术书，由机械工业出版社于2019年出版，属“智能系统与技术丛书”。全书共8章，按“基础—算法—实战—工程化”的顺序展开：第1章介绍人脸识别的概念、应用、目标与发展沿革；第2章梳理矩阵、向量、距离度量、卷积以及机器学习分类算法等数学与机器学习基础；第3章讲解颜色模型、信号与噪声、图像滤波、几何变换以及灰度直方图、LBP、Haar、HOG 等图像特征；第4章围绕 NumPy 与 OpenCV 的基本操作和图像变换展开；第5章讲解深度学习原理与 Keras 工程实践，包括常用网络层、激活函数、优化器、损失函数、模型评估与数据增强；第6章介绍特征脸法、OpenCV 与 Dlib 的人脸检测识别方法，以及 AlexNet、VGGNet、GoogLeNet、ResNet、MTCNN 和基于度量学习、边界分类的人脸识别算法；第7章以 Olivetti Faces、LFW、YouTube Faces 等数据集为基础，完整演示从卷积网络建模、数据增强、自定义损失、训练调优到 Web 接口的项目实战；第8章讨论云平台部署、人脸检测与比对服务 API 设计、人脸图片存储与检索等工程化问题。书中弱化冗长的数学推导，强调代码实现，目标是帮助读者从零构建一个工程级别人脸识别引擎。
编辑推荐
市面上面向人脸识别的书不少，但大多要么只谈论文与公式，要么只给几段跑不通的示例代码，真正把“原理—训练—上线”这条链路讲通的并不多。本书的价值在于它的工程视角：作者王天庆长期从事人工智能、数据科学与分布式系统研发，把人脸识别拆成数学基础、图像处理、深度学习框架、主流算法、项目实战与工程化六个层次，前四章铺垫 OpenCV、NumPy、Keras 等工具链，第5、6章落到 MTCNN、度量学习、边界分类等主流方法，第7章用 LFW、Olivetti Faces 等公开数据集把训练、数据增强、调优、Web 接口走一遍，第8章直接讨论云平台架构、服务 API、图片存储与检索。对于想复现算法、想做一个可演示的小系统的人来说，这种“从模型到服务”的闭环思路最有参考价值。当然，本书出版于2019年，Keras 与 OpenCV 的版本已多次迭代，部分代码需要自行适配；对最新的人脸识别模型（如 ArcFace 之后的进展）覆盖有限。建议把它当作人脸识别系统工程化的入门地基，而不必指望它成为前沿算法手册。
适合谁读
适合
- 有 Python 基础、想系统了解人脸识别工程实现的开发者
- 本科及以上学历、学过线性代数与概率等大学数学的在校学生
- 需要快速搭建人脸检测与比对原型或服务接口的技术人员
- 对 CV 与深度学习感兴趣、希望读完能做出可演示项目的自学者
不适合
- 完全没有编程与数学基础的纯零起点读者，前几章会较为吃力
- 只关注最新前沿模型与论文复现的研究者，书中内容偏基础、出版日期较早
- 希望直接抄用现成商用方案的读者，人脸合规与隐私问题书中未展开
阅读建议
- 先看第1章与第6章，建立算法地图，再回头补第2~4章的数学与 OpenCV 基础。
- 第5、7章的代码建议亲手跑一遍，并按当前 Keras/OpenCV 版本修正接口变化。
- 读完第7章后，用自己的人脸小数据集替换演示数据，再对照第8章把服务接口补上。
- 关注人脸数据的授权与隐私合规，练习尽量使用公开数据集与本人照片。
出版社简介
机械工业出版社
中国 · 成立于 1950 年
机械工业出版社（China Machine Press）在科技与专业出版之外，库内图书还体现出对心理学、计算机、管理、财经与社科等方向的持续关注。心理学方面收入荣格作品及分析心理学导论，并涉及压力与健康、成瘾与疗愈等应用议题；计算机领域有《计算机程序的构造和解释（JavaScript版）》；管理与财经类包括《管理行为（原书第4版）》《不平等的代价（珍藏版）》《这次不一样：八百年金融危机史（纪念版）》；科学哲学与科学史方面则有《世界观（原书第3版）》。相关作者资源涵盖C.G.荣格、威廉·麦圭尔、索努·沙姆达萨尼、加博尔·马泰等。公开资料有限，以上仅据库内图书归纳其出版面貌。
目录
- 前言
- 第1章 人脸识别入门
- 1.1 人脸识别概况（何为人脸识别、人脸识别的应用、人脸识别的目标、人脸识别的一般方法）
- 1.2 人脸识别发展状况
- 1.3 本章小结
- 第2章 数学与机器学习基础
- 2.1 矩阵
- 2.2 向量
- 2.3 距离度量（欧式距离、曼哈顿距离、余弦距离、汉明距离）
- 2.4 卷积
- 2.5 机器学习基础
- 2.6 本章小结
- 第3章 计算机视觉原理与应用
- 3.1 计算机视觉介绍
- 3.2 颜色模型
- 3.3 信号与噪声
- 3.4 图像滤波（均值滤波、中值滤波）
- 3.5 图像的几何变换（平移、旋转、缩放）
- 3.6 图像特征（灰度直方图、LBP特征、Haar特征、HOG特征）
- 3.7 本章小结
- 第4章 OpenCV基础与应用
- 4.1 OpenCV介绍
- 4.2 科学计算库NumPy
- 4.3 OpenCV基本操作
- 4.4 图像的基本变换（颜色变换、几何变换、图像噪声处理）
- 4.5 本章小结
- 第5章 深度学习与Keras工程实践
- 5.1 深度学习介绍
- 5.2 Keras框架简介
- 5.3 Keras的使用方法
- 5.4 常用的神经网络层（全连接层、二维卷积层、池化层、BN层、dropout层、flatten层）
- 5.5 激活函数
- 5.6 优化器
- 5.7 损失函数
- 5.8 模型评估方法
- 5.9 数据增强
- 5.10 Keras的工程实践
- 5.11 本章小结
- 第6章 常用人脸识别算法
- 6.1 特征脸法
常见问题
这本书需要什么基础才能读？
按作者定位，本书面向中级读者，需要具备一定研发经验、会用 Python，最好学过大学数学（线性代数、基础概率）。零编程基础建议先补 Python 与 NumPy，再看第2~4章。
书中的 Keras 代码现在还能直接运行吗？
本书2019年出版，Keras 已并入 tf.keras，OpenCV 与 NumPy 的接口也有变化。核心思路与模型结构仍然可用，但代码需按当前版本调整导入路径和部分参数。
书里讲不讲人脸识别的模型部署和上线？
第8章专门讨论工程化：云平台架构设计、人脸检测与比对的服务 API、人脸图片存储与检索，属于入门级的部署思路，不含大规模生产环境的性能优化细节。
这本书和《深度学习与计算机视觉》类书有什么区别？
本书聚焦人脸识别单一任务，从数学基础讲到服务 API，路径更窄更深；通用计算机视觉教材覆盖面广但难以形成完整的人脸识别项目闭环。
读者评论
查询本书
本站为索引目录：「全网查询」由您发起、在您的浏览器中运行，所列入口均指向第三方站点，请自行判断可用性。
