Gender Recognition System

Описание

Человеческое лицо содержит разнообразную информацию для адаптивных социальных взаимодействий между людьми. Фактически, люди могут обрабатывать лицо различными способами, чтобы классифицировать его по его идентичности, а также по ряду других демографических характеристик, таких как пол, этническая принадлежность и возраст. В частности, важно распознавать пол человека, поскольку люди реагируют по-разному в зависимости от пола. Кроме того, успешный подход к гендерной классификации может повысить производительность многих других приложений, включая распознавание лиц и интеллектуальные человеко-компьютерные интерфейсы.

Мы разработали алгоритм распознавания пола на основе алгоритма AdaBoost. Повышение было предложено для повышения точности любого заданного алгоритма обучения. В бустинге обычно создается классификатор с точностью на обучающем наборе выше, чем средняя производительность, а затем добавляются новые классификаторы компонентов для формирования ансамбля, чье совместное решающее правило имеет сколь угодно высокую точность на обучающем наборе. В таком случае мы говорим, что эффективность классификации была «повышена». Вкратце, этот метод обучает последовательные классификаторы компонентов с подмножеством всех обучающих данных, которое является «наиболее информативным» с учетом текущего набора классификаторов компонентов. AdaBoost (Adaptive Boosting) — типичный пример обучения Boosting. В AdaBoost каждому шаблону обучения присваивается вес, который определяет его вероятность быть выбранным для некоторого классификатора отдельных компонентов. Как правило, веса в тренировочном наборе инициализируются одинаковыми. В процессе обучения, если шаблон обучения был точно классифицирован, то вероятность его повторного использования в последующем классификаторе компонентов уменьшается; и наоборот, если шаблон не классифицирован точно, вероятность его повторного использования увеличивается.

Код был протестирован с помощью базы данных лиц студентов-медиков Стэнфорда, достигнув превосходного уровня распознавания 89,61% (200 изображений женщин и 200 изображений мужчин, 90% используются для обучения и 10% используются для тестирования, следовательно, имеется 360 обучающих изображений и 40 тестовых изображений). в целом выбираются случайным образом, и между тренировочным и тестовым изображениями не существует перекрытия).

Ключевые слова: Matlab, источник, код, пол, распознавание, идентификация, adaboost, мужчина, женщина.