人体目标检测与识别方法及应用

本书针对人体目标检测与识别的技术要求，以传统的统计模式识别方法和近期新的深度学习方法为主线，主要包括目标检测与识别的现状、人脸检测与识别、人体疲劳状态监测、快速行人检测、手指静脉识别和人脸表情识别等内容，全书特色鲜明、内容系统、实例丰富，力求从实用的角度为读者呈现视觉目标检测与识别的方法创新、技术实现、实验验证和应用开发的完整流程。本书适合相关专业本科高年级学生、研究生、广大模式识别与计算机视觉爱好者，以及从事视觉检测与识别技术研发的科研人员和高新技术企业研发人员阅读，为其提供学习与工作上的技术参考。

第一章 目标检测和识别方法概论
1.1 目标检测方法国内外研究现状
1.1.1 传统的目标检测方法研究现状
1.1.2 基于卷积神经网络的目标检测方法研究现状
1.2 目标识别方法国内外研究现状
1.2.1 传统的目标识别方法研究现状
1.2.2 基于卷积神经网络的目标识别方法研究现状
1.3 目标检测和识别应用前景
第二章 基于统计特征的人体目标检测方法
2.1 基于肤色的尺度自适应人脸检测
2.1.1 视频图像预处理
2.1.2 人脸检测算法
2.1.3 基于人脸肤色统计的坐姿监测
2.2 人体疲劳状态监测方法
2.2.1 基于融合边缘的打哈欠判别
2.2.2 人眼与瞳孔检测及闭眼判别
2.2.3 辅助驾驶系统中头部状态与疲劳监测
2.2.4 实验结果与分析
2.3 基于稀疏表示的两级级联快速行人检测
2.3.1 HOG特征和V_edge_sym特征
2.3.2 第一级分类算法
2.3.3 第二级分类算法
2.3.4 实验结果与分析
第三章 基于统计特征的人体目标识别方法
3.1 基于稀疏表示的静态人脸识别
3.1.1 基于稀疏表示的人脸识别方法的基本原理
3.1.2 基于GLC-KSVD的稀疏表示人脸识别算法
3.1.3 融合特征结合子模字典学习的稀疏表示人脸识别算法
3.2 基于主动红外视频的活体人脸识别
3.2.1 系统概述
3.2.2 迭代二次帧差模型
3.2.3 PCA预训练特征模型
3.2.4 最近邻余弦相似度分类器
3.2.5 实验结果及分析
第四章 基于深度学习的人体目标检测方法
4.1 研究背景与意义
4.2 基于深度学习的人体目标检测研究历史
4.3 常用公开目标检测数据库
4.4 基于深度学习的目标检测模型简介
4.4.1 人工神经网络算法原理
4.4.2 卷积神经网络基础
4.4.3 基于回归的目标检测
4.4.4 基于候选区域的目标检测
4.5 基于MS+KCF的快速人脸检测
4.5.1 系统总体流程
4.5.2 MobileNet-SSD网络相关原理
4.5.3 KCF算法原理
4.5.4 实验结果及分析
第五章 基于深度学习的人体目标识别方法
5.1 基于深度学习的人脸表情识别
5.1.1 一种基于深度学习的人脸表情识别算法
5.1.2 人脸身份保持表情不变性特征研究
5.2 基于多尺度核特征卷积神经网络的实时人脸表情识别
5.2.1 实时人脸表情识别系统概述
5.2.2 快速稳定的人脸检测
5.2.3 多尺度核特征人脸表情识别网络
5.2.4 实验结果及分析
5.3 基于深度学习的行人重识别
5.3.1 行人重识别概述
5.3.2 结合全局与局部特征的行人重识别方法
第六章 深度学习平台
6.1 深度学习框架
6.1.1 Caffe框架
6.1.2 TensorFlow框架
6.1.3 MXNet框架
6.1.4 Keras框架
6.2 深度学习平台搭建
6.2.1 Ubuntu 16.04（U盘引导安装）
6.2.2 安装搜狗拼音
6.2.3 安装NVIDIA驱动
6.2.4 安装CUDA9.0+cuDNN7.1.4+Tensorflow1.8.0+Python3.5
6.2.5 安装PyCharm+配置Python3.5+安装OpenCV3.2
第七章 综合应用与分析
7.1 近红外活体人脸检测系统
7.1.1 系统平台搭建
7.1.2 系统运行过程
7.1.3 系统测试结果
7.2 人体疲劳状态监测系统
7.2.1 系统平台搭建
7.2.2 系统运行过程
7.2.3 系统测试结果
7.3 智能情绪监控辅助驾驶系统
7.3.1 系统平台搭建
7.3.2 系统运行过程
7.3.3 系统测试结果
参考文献