Gender Recognition System

Popis

Ľudská tvár obsahuje množstvo informácií pre adaptívne sociálne interakcie medzi ľuďmi. V skutočnosti sú jednotlivci schopní spracovať tvár rôznymi spôsobmi a kategorizovať ju podľa identity spolu s množstvom ďalších demografických charakteristík, ako je pohlavie, etnická príslušnosť a vek. Najmä rozpoznanie ľudského pohlavia je dôležité, pretože ľudia reagujú rôzne podľa pohlavia. Okrem toho môže úspešný prístup k rodovej klasifikácii zvýšiť výkon mnohých ďalších aplikácií vrátane rozpoznávania osôb a inteligentných rozhraní človek-počítač.

Vyvinuli sme algoritmus na rozpoznávanie pohlavia založený na algoritme AdaBoost. Boosting bol navrhnutý na zlepšenie presnosti akéhokoľvek daného algoritmu učenia. Pri Boostingu sa vo všeobecnosti vytvorí klasifikátor s presnosťou na trénovacej sade vyššou ako je priemerný výkon a potom pridá nové klasifikátory komponentov, aby sa vytvoril súbor, ktorého spoločné rozhodovacie pravidlo má na trénovacej množine ľubovoľne vysokú presnosť. V takom prípade hovoríme, že klasifikačný výkon bol „posilnený“. V prehľade technika trénuje postupné klasifikátory komponentov s podmnožinou celých trénovacích údajov, ktorá je „najinformatívnejšia“ vzhľadom na súčasnú množinu klasifikátorov komponentov. AdaBoost (Adaptive Boosting) je typickým príkladom učenia Boosting. V AdaBoost je každému tréningovému vzoru priradená váha, ktorá určuje jeho pravdepodobnosť, že bude vybraný pre nejaký individuálny klasifikátor komponentov. Vo všeobecnosti sa inicializujú váhy v rámci tréningovej sady, aby boli jednotné. Ak bol trénovací vzor v procese učenia presne klasifikovaný, jeho šanca na opätovné použitie v nasledujúcom klasifikátore komponentov sa zníži; naopak, ak vzor nie je presne klasifikovaný, zvyšuje sa jeho šanca na opätovné použitie.

Kód bol testovaný pomocou databázy Stanford Medical Student Face Database s vynikajúcou mierou rozpoznania 89,61 % (200 ženských obrázkov a 200 mužských obrázkov, 90 % použitých na školenie a 10 % použitých na testovanie, teda existuje 360 ​​tréningových obrázkov a 40 testovacích obrázkov. celkovo náhodne vybrané a medzi tréningovými a testovacími obrázkami neexistuje žiadne prekrývanie).

Pojmy indexu: Matlab, zdroj, kód, pohlavie, rozpoznávanie, identifikácia, adaboost, muž, žena.