Gender Recognition System

Опис

Човечкото лице содржи различни информации за адаптивни социјални интеракции меѓу луѓето. Всушност, поединците можат да обработат лице на различни начини за да го категоризираат според неговиот идентитет, заедно со голем број други демографски карактеристики, како што се пол, етничка припадност и возраст. Особено, препознавањето на човечкиот пол е важно бидејќи луѓето различно реагираат во зависност од полот. Дополнително, успешниот пристап за класификација на полот може да ги подобри перформансите на многу други апликации, вклучително и препознавање на личности и паметни интерфејси човек-компјутер.

Развивме алгоритам за препознавање на полот врз основа на алгоритамот AdaBoost. Засилувањето е предложено за да се подобри точноста на секој даден алгоритам за учење. Во Boosting, генерално се создава класификатор со прецизност на сетот за обука поголема од просечната изведба, а потоа се додаваат нови класификатори на компоненти за да се формира ансамбл чие правило за заедничка одлука има произволно висока точност на сетот за обука. Во таков случај велиме дека се „засилени“ перформансите во класификација. Во преглед, техниката обучува последователни класификатори на компоненти со подмножество од целокупните податоци за обука кои се „најинформативни“ со оглед на тековниот сет на класификатори на компоненти. AdaBoost (Adaptive Boosting) е типичен пример на Boosting Learning. Во AdaBoost, на секој шаблон за обука му е доделена тежина што ја одредува нејзината веројатност да биде избрана за некој поединечен класификатор на компоненти. Општо земено, се иницијализира тежините низ комплетот за обука да бидат униформни. Во процесот на учење, ако шемата за обука е точно класифицирана, тогаш неговата шанса повторно да се користи во последователен класификатор на компоненти е намалена; обратно, ако моделот не е точно класифициран, тогаш неговата шанса повторно да се користи се зголемува.

Кодот е тестиран со базата на податоци за лице на студенти по медицина на Стенфорд, постигнувајќи одлична стапка на препознавање од 89,61% (200 женски слики и 200 машки слики, 90% се користат за обука и 10% се користат за тестирање, па оттука има 360 слики за обука и 40 слики за тестирање вкупно случајно избрани и не постои преклопување помеѓу обуката и сликите од тестот).

Поими на индекс: Matlab, извор, код, пол, препознавање, идентификација, adaboost, машко, женско.