Gender Recognition System

Rostro humano contiene una variedad de información para las interacciones sociales de adaptación entre las personas. De hecho, los individuos son capaces de procesar una cara en una variedad de maneras de clasificar por su identidad, junto con una serie de otras características demográficas, como el género, la etnia y la edad. En particular, reconociendo el género humano es importante ya que las personas responden de manera diferente en función del sexo. Además, un enfoque de clasificación de género exitosa puede aumentar el rendimiento de muchas otras aplicaciones, incluyendo el reconocimiento de personas y las interfaces hombre-máquina inteligente.

Hemos desarrollado un algoritmo de reconocimiento de género basado en el algoritmo AdaBoost. Impulsar ha propuesto para mejorar la precisión de cualquier algoritmo de aprendizaje determinado. En el impulso de un general crea un clasificador con exactitud en el conjunto de entrenamiento superior a un rendimiento medio, y luego añade nuevos clasificadores de componentes para formar un conjunto cuya regla de decisión conjunta tiene arbitrariamente alta precisión en el conjunto de entrenamiento. En tal caso, se dice que la clasificación de rendimiento ha sido "impulsado". En resumen, los trenes técnica clasificadores componentes sucesivos con un subconjunto de la totalidad de los datos de entrenamiento que es "más informativo" dado el actual conjunto de clasificadores de componentes. AdaBoost (Adaptive Impulso) es un ejemplo típico de Impulsar el aprendizaje. En AdaBoost, cada patrón de entrenamiento se le asigna un peso que determina su probabilidad de ser seleccionado por algún clasificador componente individual. Generalmente, uno inicializa los pesos de todo el conjunto de entrenamiento sean uniformes. En el proceso de aprendizaje, si un patrón de entrenamiento ha sido clasificado con precisión, entonces su posibilidad de ser utilizado de nuevo en un clasificador componente posterior se reduce; A la inversa, si el patrón no está clasificado con precisión, a continuación, se incrementó su posibilidad de ser utilizado de nuevo.

El código ha sido probado con Stanford Medical Student Database Cara alcanzar una tasa de reconocimiento excelente de 89.61% (200 imágenes femeninas y 200 imágenes de sexo masculino, el 90% utilizan para la formación y el 10% se utiliza para la prueba, por lo tanto, hay imágenes de entrenamiento 360 y 40 imágenes de prueba en total seleccionada al azar y no existe solapamiento entre formación y la prueba de las imágenes).

Índice Términos:. Matlab, fuente, código, de género, de reconocimiento, identificación, AdaBoost, masculinas, femeninas

Requisitos :

Matlab