Gender Recognition System

Opis

Človeški obraz vsebuje različne informacije za prilagodljive socialne interakcije med ljudmi. Pravzaprav lahko posamezniki obdelajo obraz na različne načine, da ga kategorizirajo glede na njegovo identiteto, skupaj s številnimi drugimi demografskimi značilnostmi, kot so spol, etnična pripadnost in starost. Zlasti je pomembno prepoznavanje človeškega spola, saj se ljudje različno odzivajo glede na spol. Poleg tega lahko uspešen pristop k klasifikaciji po spolu poveča učinkovitost številnih drugih aplikacij, vključno s prepoznavanjem oseb in pametnimi vmesniki človek-računalnik.

Razvili smo algoritem za prepoznavanje spola, ki temelji na algoritmu AdaBoost. Pospeševanje je bilo predlagano za izboljšanje natančnosti katerega koli učnega algoritma. Pri Boostingu na splošno ustvarimo klasifikator z natančnostjo na vadbenem nizu, ki je večja od povprečne zmogljivosti, in nato dodamo nove komponentne klasifikatorje, da oblikujemo skupino, katere skupno odločitveno pravilo ima poljubno visoko natančnost na vadbenem nizu. V takem primeru pravimo, da je bila učinkovitost klasifikacije "okrepljena". V pregledu tehnika usposablja zaporedne klasifikatorje komponent s podnaborom celotnih podatkov o usposabljanju, ki je "najbolj informativen" glede na trenutni nabor klasifikatorjev komponent. AdaBoost (Adaptive Boosting) je tipičen primer Boosting učenja. V AdaBoost je vsakemu vzorcu usposabljanja dodeljena utež, ki določa njegovo verjetnost, da bo izbran za nek posamezen klasifikator komponente. Na splošno se inicializirajo uteži v vadbenem nizu, da so enotne. Če je bil vzorec usposabljanja v učnem procesu natančno razvrščen, se njegova možnost, da se ponovno uporabi v naslednjem komponentnem klasifikatorju, zmanjša; nasprotno, če vzorec ni natančno razvrščen, se njegova možnost, da se ponovno uporabi, poveča.

Koda je bila preizkušena s Stanford Medical Student Face Database in je dosegla odlično stopnjo prepoznavnosti 89,61 % (200 ženskih slik in 200 moških slik, 90 % uporabljenih za usposabljanje in 10 % uporabljenih za testiranje, zato je na voljo 360 slik za usposabljanje in 40 testnih slik skupno naključno izbrano in med vadbenimi in testnimi slikami ni prekrivanja).

Izrazi indeksa: Matlab, izvor, koda, spol, prepoznavanje, identifikacija, adaboost, moški, ženski.