Menschliche Gesicht enthält eine Vielzahl von Informationen für die adaptive soziale Interaktion unter den Menschen. In der Tat sind Menschen in der Lage, ein Gesicht in einer Vielzahl von Möglichkeiten, die ihm der Identität zu kategorisieren, zusammen mit einer Reihe von anderen demographischen Merkmalen wie Geschlecht, ethnischer Zugehörigkeit, Alter und zu verarbeiten. Insbesondere ist es wichtig zu erkennen menschliche Geschlecht, da die Menschen nach Geschlecht unterschiedlich reagieren. Darüber hinaus kann ein erfolgreiches Gender Klassifizierungsansatz die Leistung von vielen anderen Anwendungen, einschließlich Personenerkennung und intelligente Mensch-Maschine-Schnittstellen zu steigern.
Wir haben einen Algorithmus für die Anerkennung der Geschlechtszugehörigkeit basierend auf AdaBoost Algorithmus entwickelt. Boosting wurde vorgeschlagen, um die Genauigkeit eines jeden Lernalgorithmus zu verbessern. In Boosting schafft man in der Regel einen Klassifikator mit Genauigkeit in der Ausbildung gesetzt größer als eine durchschnittliche Leistung, und fügt dann neue Komponente Klassifizierer, ein Ensemble, dessen gemeinsame Entscheidungsregel ist beliebig hoher Genauigkeit auf dem Trainingssatz zu bilden. In diesem Fall sagen wir, dass die Klassifikationsleistung wurde "gefördert". Im Überblick die Technik der Bahn aufeinander Komponente Sichter mit einer Teilmenge der gesamten Trainingsdaten, die "sehr informativ" ist angesichts der aktuellen Menge von Teilsichter. AdaBoost (Adaptive Boosting) ist ein typisches Beispiel der Förderung von Lernen. In AdaBoost wird jedes Trainingsmuster ein Gewicht, das seine Wahrscheinlichkeit, für einige einzelne Komponente Klassifizierer ausgewählt festlegt. Im Allgemeinen ein initialisiert die Gewichte in der Trainingsmenge einheitlich sein. In den Lernprozess, wenn ein Trainingsmuster wurde sorgfältig eingestuft, wird seine Chance, wieder in einer nachfolgenden Komponente Sichter verwendet wird verringert; umgekehrt, wenn das Muster nicht genau klassifiziert, dann seine Chance, wieder verwendet wird, erhöht.
Der Code wurde mit der Stanford Medical Student Gesichtsdatenbank erzielen eine hervorragende Erkennungsrate von 89,61% getestet (200 weibliche und 200 männliche Bilder Bilder, 90% für die Ausbildung und 10% für die Prüfung verwendet wird, daher gibt es 360 Trainingsbilder und 40 Testbilder insgesamt zufällig ausgewählt und keine Überschneidungen zwischen den Trainings- und Testbilder vorhanden).
Index-Ausdrücke:. Matlab, Quelle, Code, Geschlecht, Erkennung, Identifizierung, AdaBoost, männlich, weiblich
Anforderungen :
Matlab
Kommentare nicht gefunden