基于深度学习理论的纹身图像识别与检测研究

　　本书针对纹身图像的局部性、内容的复杂性、纹理的清晰性、颜色的单一性、图案Logo的标志性、大小形状的多样性等特点，运用深度学习理论，从纹身的特点、研究理论、纹身识别与检测研究三方面进行系统、科学的研究。纹身图像识别与检测研究是近几年才引起学者和相关人员重视的，其研究发展也是一个不断完善的过程，希望本书能对相关领域的研究起到一定的作用。

　　许庆勇，男，现任南昌大学旅游学院教师。南昌大学信息管理与信息系统博士，2015年9月至2016年9月在新加坡南洋理工大学担任访问学者。主持和参与省部级课题10余项，作为主要参加者参与国家社会科学基金项目3项，国家自然科学基金项目1项，公开发表学术论文20余篇，参编专著2部。

第一章 绪论/1
一、 引言/3
二、 深度学习/5
三、 纹身图像/12
四、 纹身图像识别与检测/22

第二章 纹身图像处理理论基础/27
一、 图像底层特征/29
二、 词包模型/36
三、 空间金字塔概述/37
四、 深度置信网络概述/38
五、 卷积神经网络/42

第三章 深度学习算法在纹身图像检测中的比较研究/47
一、 深度学习算法/49
二、 对比实验与分析/56

第四章 基于多特征融合的DBN纹身图像识别与检测/63
一、 引言/65
二、 基于多特征融合的DBN纹身图像检测改进算法/66
三、 基于视觉词包的DBN纹身图像检测改进算法（BOVW-DBN）/68
四、 基于空间金字塔的DBN纹身图像检测改进算法（SP-DBN）/74
五、 基于DBN改进算法在Caltech 101 分类中的应用/78
六、 基于DBN改进算法在纹身图像检测中的应用/82

第五章 基于全连接层的CNN纹身图像检测/93
一、 CNN基本结构/96
二、 基于CNN的改进算法/97
三、 基于三通道R-CNN的纹身检测（CFT Faster R-CNN）/118

主要参考文献/130
后记/143