CONTENTS
目　　錄
前言
第1章　機(jī)器視覺(jué)概述　1
1.1　機(jī)器視覺(jué)簡(jiǎn)介　1
1.1.1　什么是機(jī)器視覺(jué)　2
1.1.2　機(jī)器視覺(jué)的技術(shù)分類(lèi)　4
1.1.3　機(jī)器視覺(jué)技術(shù)的應(yīng)用與價(jià)值　14
1.2　機(jī)器視覺(jué)在人體識(shí)別中的相關(guān)應(yīng)用　19
1.2.1　人臉識(shí)別　19
1.2.2　人體姿態(tài)識(shí)別與估計(jì)　20
1.2.3　計(jì)算視覺(jué)小型化　22
1.2.4　意義與價(jià)值　23
1.3　本章小結(jié)　24
第2章　機(jī)器視覺(jué)中的索引技術(shù)　25
2.1　索引技術(shù)概述　25
2.1.1　索引的概念　26
2.1.2　索引的作用　27
2.2　向量空間索引技術(shù)　29
2.2.1　向量空間索引技術(shù)概述　29
2.2.2　分類(lèi)介紹　30
2.2.3　向量空間索引的應(yīng)用　42
2.3　度量空間索引技術(shù)　43
2.3.1　度量空間索引技術(shù)概述　43
2.3.2　分類(lèi)介紹　44
2.3.3　度量空間索引的應(yīng)用　49
2.4　本章小結(jié)　51
第3章　機(jī)器視覺(jué)中的人臉識(shí)別技術(shù)　52
3.1　人臉識(shí)別技術(shù)　52
3.1.1　概念與定義　52
3.1.2　人臉識(shí)別技術(shù)的分類(lèi)　57
3.2　人臉檢測(cè)算法　57
3.2.1　概念與定義　58
3.2.2　Adaboost　59
3.2.3　Cascade CNN　59
3.2.4　DenseBox　62
3.2.5　Faceness-Net　 65
3.2.6　MTCNN　 67
3.3　人臉對(duì)齊算法　69
3.3.1　概念與定義　69
3.3.2　DCNN　 70
3.3.3　TCNN　 72
3.3.4　LAB　 73
3.4　人臉特征提取算法　74
3.4.1　概念與定義　75
3.4.2　DeepID　 77
3.4.3　InsightFace　 79
3.4.4　MobileFaceNet　 80
3.5　本章小結(jié)　81
第4章　機(jī)器視覺(jué)中的人體姿態(tài)識(shí)別技術(shù)　82
4.1　人體姿態(tài)識(shí)別技術(shù)概述　82
4.1.1　概念與定義　83
4.1.2　人體姿態(tài)識(shí)別技術(shù)的特點(diǎn)　84
4.1.3　人體骨架關(guān)鍵點(diǎn)提取技術(shù)　85
4.1.4　人體姿態(tài)識(shí)別算法　87
4.2　自上而下的人體姿態(tài)識(shí)別技術(shù)　88
4.2.1　Mask R-CNN　88
4.2.2　RMPE　 92
4.2.3　DeepCut　95
4.3　自下而上的人體姿態(tài)識(shí)別技術(shù)　97
4.3.1　PAF　97
4.3.2　Associative Embedding　 99
4.4　本章小結(jié)　102
第5章　面向人臉檢索的高維空間快速索引技術(shù)　103
5.1　度量空間索引和相似性檢索　103
5.1.1　度量空間索引　104
5.1.2　相似性檢索　106
5.2　高維空間快速索引方法　109
5.2.1　度量空間索引快速查詢(xún)方法　109
5.2.2 　度量空間索引KNN查詢(xún)方法　113
5.3　高維空間快速索引實(shí)驗(yàn)　117
5.3.1　實(shí)驗(yàn)環(huán)境　117
5.3.2　實(shí)驗(yàn)結(jié)果　117
5.3.3　分析比較　118
5.4　本章小結(jié)　119
第6章　嵌入式設(shè)備中的人臉精準(zhǔn)識(shí)別技術(shù)　120
6.1　嵌入式設(shè)備概述　120
6.1.1　嵌入式設(shè)備的由來(lái)　121
6.1.2　嵌入式設(shè)備的分類(lèi)　122
6.2　輕量級(jí)人臉識(shí)別算法與嵌入式人臉識(shí)別應(yīng)用　125
6.2.1　輕量級(jí)人臉識(shí)別算法　125
6.2.2　嵌入式人臉識(shí)別應(yīng)用　133
6.3　面向ARM的人臉精準(zhǔn)識(shí)別方法VMFace　135
6.3.1　VMFace神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)　135
6.3.2　VMFace在ARM環(huán)境的應(yīng)用與性能分析　136
6.4　本章小結(jié)　139
第7章　面向姿態(tài)識(shí)別的目標(biāo)檢測(cè)算法與性能測(cè)評(píng)　140
7.1　兩階段目標(biāo)檢測(cè)算法　140
7.1.1　R-CNN模型　141
7.1.2　SPP-Net模型　148
7.1.3　Fast R-CNN模型　153
7.1.4　Faster R-CNN模型　157
7.2　一階段目標(biāo)檢測(cè)算法　160
7.2.1　YOLO模型　160
7.2.2　YOLO 2模型　162
7.2.3　SSD模型　165
7.3　算法性能測(cè)評(píng)　167
7.3.1　實(shí)驗(yàn)環(huán)境與參數(shù)設(shè)置　167
7.3.2　性能測(cè)試結(jié)果對(duì)比　169
7.4　本章小結(jié)　172
第8章　嵌入式人臉設(shè)備的應(yīng)用　173
8.1　門(mén)禁場(chǎng)景應(yīng)用　174
8.1.1　門(mén)禁場(chǎng)景應(yīng)用簡(jiǎn)介　175
8.1.2　人臉識(shí)別門(mén)禁場(chǎng)景體系設(shè)計(jì)　177
8.1.3　算法分析　178
8.1.4　案例介紹　179
8.2　安防場(chǎng)景應(yīng)用　182
8.2.1　人臉識(shí)別安防場(chǎng)景應(yīng)用簡(jiǎn)介　183
8.2.2　安防場(chǎng)景應(yīng)用結(jié)構(gòu)　184
8.2.3　案例介紹　187
8.3　本章小結(jié)　188
第9章　人體姿態(tài)識(shí)別技術(shù)的應(yīng)用　189
9.1　運(yùn)動(dòng)訓(xùn)練場(chǎng)景應(yīng)用　189
9.1.1　算法分析　190
9.1.2　案例介紹　191
9.2　姿態(tài)糾正應(yīng)用　193
9.2.1　坐姿糾正應(yīng)用　193
9.2.2　演講姿態(tài)糾正應(yīng)用　194
9.3　安防應(yīng)用　196
9.3.1　安防應(yīng)用背景　197
9.3.2　算法分析　197
9.4　虛擬現(xiàn)實(shí)應(yīng)用　198
9.4.1　虛擬現(xiàn)實(shí)應(yīng)用背景　198
9.4.2　算法分析　199
9.5　其他應(yīng)用場(chǎng)景　201
9.6　本章小結(jié)　202
第10章　問(wèn)題、挑戰(zhàn)與發(fā)展　203
10.1　問(wèn)題和挑戰(zhàn)　203
10.1.1　基礎(chǔ)性問(wèn)題和挑戰(zhàn)　203
10.1.2　技術(shù)挑戰(zhàn)　204
10.1.3　用戶(hù)隱私挑戰(zhàn)　205
10.2　未來(lái)發(fā)展　207
10.2.1　人臉識(shí)別技術(shù)的未來(lái)　208
10.2.2　人體姿態(tài)識(shí)別技術(shù)的未來(lái)　209
10.3　本章小結(jié)　210