rosto humano contém uma variedade de informações para as interações sociais adaptativos entre as pessoas. De fato, os indivíduos são capazes de processar um rosto em uma variedade de formas de categorizá-lo por sua identidade, juntamente com uma série de outras características demográficas, como sexo, etnia e idade. Em particular, reconhecendo gênero humano é importante já que as pessoas respondem de forma diferente de acordo com o gênero. Além disso, uma abordagem de classificação de gênero bem-sucedida pode melhorar o desempenho de muitas outras aplicações, incluindo o reconhecimento de pessoas e interfaces homem-computador inteligente.
Nós desenvolvemos um algoritmo de reconhecimento do género com base no algoritmo AdaBoost. O reforço foi proposta para melhorar a precisão de qualquer algoritmo de aprendizagem dado. Em impulsionar um geralmente cria um classificador com precisão sobre o conjunto de treinamento maior do que um desempenho médio, e em seguida, adiciona novos classificadores componentes para formar um conjunto cuja regra de decisão conjunta tem arbitrariamente alta precisão sobre o conjunto de treinamento. Em tal caso, dizemos que o desempenho da classificação foi "impulsionada". Na visão geral, o trem técnica sucessivas classificadores componentes com um subconjunto dos dados de treinamento completo que é "mais informativo" dado o actual conjunto de classificadores componentes. AdaBoost (Adaptive Impulsionar) é um exemplo típico de impulsionar a aprendizagem. Em AdaBoost, cada padrão de formação é atribuído um peso que determina a sua probabilidade de serem escolhidas para algum classificador componente individual. Geralmente, inicia os pesos em todo o conjunto de treinamento para ser uniforme. No processo de aprendizagem, se um padrão de treinamento tem sido classificada de forma precisa, em seguida, a sua chance de ser usado novamente em um classificador componente subsequente é reduzida; inversamente, se o padrão não é classificada com precisão, em seguida, a sua possibilidade de ser usada de novo é aumentado.
O código foi testado com Stanford Medical Student cara de banco de dados alcançar uma taxa de reconhecimento excelente de 89,61% (200 imagens do sexo feminino e 200 do sexo masculino imagens, 90% usado para treinamento e 10% usados para testes, portanto, há 360 imagens de treinamento e 40 imagens de teste no total, selecionados aleatoriamente e não existe sobreposição entre as imagens de treinamento e teste).
Termos para indexação:. Matlab, fonte, código, de gênero, de reconhecimento, identificação, AdaBoost, masculinos, femininos
Requisitos :
Matlab
Comentários não encontrado