Gender Recognition System

Опис

Людське обличчя містить різноманітну інформацію для адаптивної соціальної взаємодії між людьми. Насправді люди можуть обробляти обличчя різними способами, щоб класифікувати його за ідентичністю, а також за низкою інших демографічних характеристик, таких як стать, етнічна приналежність і вік. Зокрема, важливо розпізнавати людську стать, оскільки люди по-різному реагують залежно від статі. Крім того, успішний підхід до гендерної класифікації може підвищити продуктивність багатьох інших програм, включаючи розпізнавання осіб та розумні інтерфейси «людина-комп’ютер».

Ми розробили алгоритм розпізнавання статі на основі алгоритму AdaBoost. Підвищення було запропоновано для підвищення точності будь-якого заданого алгоритму навчання. У Boosting зазвичай створюється класифікатор із точністю на навчальному наборі, яка перевищує середню продуктивність, а потім додається нові класифікатори компонентів, щоб сформувати ансамбль, правило спільного прийняття рішень якого має довільно високу точність на навчальному наборі. У такому випадку ми говоримо, що продуктивність класифікації була «підвищена». У загальному вигляді метод навчає послідовні класифікатори компонентів з підмножиною повних навчальних даних, яка є «найбільш інформативною» з огляду на поточний набір класифікаторів компонентів. AdaBoost (Adaptive Boosting) є типовим прикладом Boosting навчання. В AdaBoost кожному шаблону навчання присвоюється вага, який визначає його ймовірність бути обраним для певного окремого класифікатора компонентів. Як правило, ініціалізують ваги в усьому навчальному наборі, щоб вони були однаковими. У процесі навчання, якщо шаблон навчання був точно класифікований, його шанси на повторне використання в наступному компонентному класифікаторі зменшуються; і навпаки, якщо шаблон класифіковано неправильно, його шанси на повторне використання збільшуються.

Код було протестовано за допомогою бази даних облич Стенфордського медичного студента, яка досягла чудового рівня розпізнавання 89,61% (200 зображень жінок і 200 зображень чоловіків, 90% використано для навчання та 10% використано для тестування, отже, є 360 навчальних зображень і 40 тестових зображень загалом вибрано випадковим чином, і між навчальними та тестовими зображеннями немає збігів).

Терміни покажчика: Matlab, джерело, код, стать, розпізнавання, ідентифікація, adaboost, чоловічий, жіночий.