Gender Recognition System

Beskrivelse

Menneskets ansigt indeholder en række informationer til adaptive sociale interaktioner mellem mennesker. Faktisk er individer i stand til at behandle et ansigt på en række forskellige måder for at kategorisere det efter dets identitet sammen med en række andre demografiske karakteristika, såsom køn, etnicitet og alder. Især er det vigtigt at anerkende det menneskelige køn, da folk reagerer forskelligt alt efter køn. Derudover kan en vellykket kønsklassificeringstilgang øge ydeevnen af ​​mange andre applikationer, herunder persongenkendelse og smarte menneske-computer-grænseflader.

Vi har udviklet en algoritme til kønsgenkendelse baseret på AdaBoost-algoritmen. Boosting er blevet foreslået for at forbedre nøjagtigheden af ​​enhver given læringsalgoritme. I Boosting opretter man generelt en klassifikator med nøjagtighed på træningssættet, der er større end en gennemsnitlig præstation, og tilføjer derefter nye komponentklassifikatorer for at danne et ensemble, hvis fælles beslutningsregel har vilkårlig høj nøjagtighed på træningssættet. I et sådant tilfælde siger vi, at klassifikationspræstationen er blevet "boostet". I oversigten træner teknikken successive komponentklassifikatorer med en delmængde af hele træningsdata, der er "mest informativ" givet det aktuelle sæt af komponentklassifikatorer. AdaBoost (Adaptive Boosting) er et typisk eksempel på Boosting-læring. I AdaBoost tildeles hvert træningsmønster en vægt, der bestemmer dets sandsynlighed for at blive valgt til en individuel komponentklassificering. Generelt initialiserer man vægtene på tværs af træningssættet til at være ensartede. I læringsprocessen, hvis et træningsmønster er blevet præcist klassificeret, så mindskes chancen for at blive brugt igen i en efterfølgende komponentklassifikator; omvendt, hvis mønsteret ikke er præcist klassificeret, så øges dets chance for at blive brugt igen.

Koden er blevet testet med Stanford Medical Student Face Database og opnåede en fremragende genkendelsesrate på 89,61 % (200 kvindelige billeder og 200 mandlige billeder, 90 % brugt til træning og 10 % brugt til test, derfor er der 360 træningsbilleder og 40 testbilleder i alt tilfældigt udvalgt, og der er intet overlap mellem trænings- og testbillederne).

Indeksvilkår: Matlab, kilde, kode, køn, anerkendelse, identifikation, adaboost, mand, kvinde.