Gender Recognition System

Описание

Човешкото лице съдържа разнообразна информация за адаптивни социални взаимодействия между хората. Всъщност хората могат да обработват лице по различни начини, за да го категоризират по неговата идентичност, заедно с редица други демографски характеристики, като пол, етническа принадлежност и възраст. По-специално, разпознаването на човешкия пол е важно, тъй като хората реагират по различен начин според пола. В допълнение, един успешен подход за класификация по пол може да повиши ефективността на много други приложения, включително разпознаване на лица и интелигентни интерфейси човек-компютър.

Разработихме алгоритъм за разпознаване на пола, базиран на алгоритъма AdaBoost. Предложено е усилване за подобряване на точността на всеки даден алгоритъм за обучение. При Boosting обикновено се създава класификатор с точност върху набора за обучение, по-голяма от средната производителност, и след това се добавят нови компонентни класификатори, за да се образува ансамбъл, чието правило за съвместно вземане на решения има произволно висока точност върху набора за обучение. В такъв случай казваме, че ефективността на класификацията е била „подсилена“. В общ преглед, техниката обучава последователни класификатори на компоненти с подмножество от всички данни за обучение, което е „най-информативно“ предвид текущия набор от класификатори на компоненти. AdaBoost (Adaptive Boosting) е типичен пример за Boosting обучение. В AdaBoost на всеки модел на обучение се присвоява тегло, което определя неговата вероятност да бъде избран за някакъв индивидуален класификатор на компоненти. Обикновено се инициализират теглата в набора за обучение, за да бъдат еднакви. В процеса на обучение, ако моделът на обучение е бил точно класифициран, тогава шансът му да бъде използван отново в следващ класификатор на компоненти е намален; обратно, ако моделът не е точно класифициран, тогава шансът му да бъде използван отново се увеличава.

Кодът е тестван с Stanford Medical Student Face Database, постигайки отличен процент на разпознаване от 89,61% (200 женски изображения и 200 мъжки изображения, 90% използвани за обучение и 10% използвани за тестване, следователно има 360 тренировъчни изображения и 40 тестови изображения общо избрани на случаен принцип и не съществува припокриване между тренировъчните и тестовите изображения).

Термини на индекса: Matlab, източник, код, пол, разпознаване, идентификация, adaboost, мъжки, женски.