Menselijk gezicht bevat een verscheidenheid aan informatie voor adaptieve sociale interacties tussen mensen. In feite, mensen in staat om een gezicht te verwerken op verschillende manieren te categoriseren zijn identiteit, samen met een aantal andere demografische kenmerken, zoals geslacht, etniciteit en leeftijd. In het bijzonder, het herkennen van de menselijke geslacht is belangrijk omdat mensen anders reageren volgens geslacht. Daarnaast kan een succesvolle geslacht classificatie aanpak de resultaten van veel andere toepassingen, waaronder persoon erkenning en slimme mens-computer interfaces stimuleren.
We hebben een algoritme voor het geslacht erkenning op basis van AdaBoost algoritme ontwikkeld. Boosting is voorgesteld om de nauwkeurigheid van een bepaald leeralgoritme verbeteren. In Stimuleren creëert men over het algemeen een classifier met nauwkeurigheid op de training set groter dan een gemiddelde prestatie, en dan voegt nieuwe component classificatoren om een ensemble waarvan gezamenlijk besluit regel heeft arbitrair hoge nauwkeurigheid op de training set te vormen. In dat geval zegt men dat de klassificatie is "versterkt". In overzicht, de techniek trein opeenvolgende component classificatoren een subset van de gehele training data dat is "meest informatieve" gezien de huidige set van component classifiers. AdaBoost (Adaptive Boosting) is een typisch voorbeeld van de stimulering van het leren. In AdaBoost, wordt elke training patroon een gewicht dat haar kans om geselecteerd te worden voor sommige individuele component classifier bepaalt toegewezen. In het algemeen, een initialiseert de gewichten over de training set om uniform zijn. In het leerproces, als een opleiding patroon nauwkeurig is ingedeeld, dan is haar kans om opnieuw te worden gebruikt in een volgende component classifier wordt afgenomen; omgekeerd, wanneer de patroon niet nauwkeurig ingedeeld, dan zijn kans om opnieuw gebruikt wordt vergroot.
De code is getest met de Stanford Medical Student Gezicht Database bereiken van een uitstekende erkenning tarief van 89,61% (200 vrouwelijke beelden en 200 mannelijke beelden, 90% gebruikt voor de opleiding en 10% gebruikt voor het testen, dus zijn er 360 training beelden en 40 testbeelden in totaal willekeurig gekozen en geen overlap bestaat tussen de opleiding en de testbeelden).
Index Voorwaarden:. Matlab, bron, code, geslacht, herkenning, identificatie, adaboost, man, vrouw
Eisen
Matlab
Reacties niet gevonden