Gender Recognition System

Descrizione

Il volto umano contiene una varietà di informazioni per le interazioni sociali adattive tra le persone. In effetti, gli individui sono in grado di elaborare un volto in vari modi per classificarlo in base alla sua identità, insieme a una serie di altre caratteristiche demografiche, come sesso, etnia ed età. In particolare, il riconoscimento del genere umano è importante poiché le persone rispondono in modo diverso a seconda del genere. Inoltre, un approccio di classificazione di genere di successo può migliorare le prestazioni di molte altre applicazioni, tra cui il riconoscimento delle persone e le interfacce intelligenti uomo-computer.

Abbiamo sviluppato un algoritmo per il riconoscimento del genere basato sull'algoritmo AdaBoost. Il potenziamento è stato proposto per migliorare l'accuratezza di un dato algoritmo di apprendimento. In Boosting si crea generalmente un classificatore con una precisione sul set di allenamento maggiore di una performance media, quindi si aggiungono nuovi classificatori di componenti per formare un insieme la cui regola decisionale congiunta ha un'accuratezza arbitrariamente elevata sul set di allenamento. In tal caso, si dice che la performance della classifica è stata "potenziata". In sintesi, la tecnica addestra classificatori di componenti successivi con un sottoinsieme degli interi dati di addestramento che è "più informativo" dato l'attuale insieme di classificatori di componenti. AdaBoost (Adaptive Boosting) è un tipico esempio di Boosting learning. In AdaBoost, a ogni modello di allenamento viene assegnato un peso che determina la sua probabilità di essere selezionato per un classificatore di singoli componenti. In genere, si inizializzano i pesi attraverso il training set in modo che siano uniformi. Nel processo di apprendimento, se un modello di allenamento è stato accuratamente classificato, la sua possibilità di essere riutilizzato in un successivo classificatore di componenti diminuisce; al contrario, se il modello non è classificato accuratamente, aumenta la sua possibilità di essere riutilizzato.

Il codice è stato testato con Stanford Medical Student Face Database ottenendo un eccellente tasso di riconoscimento dell'89,61% (200 immagini femminili e 200 immagini maschili, il 90% utilizzato per l'allenamento e il 10% utilizzato per i test, quindi ci sono 360 immagini di allenamento e 40 immagini di test in totale selezionato casualmente e non esiste alcuna sovrapposizione tra le immagini di addestramento e di prova).

Termini dell'indice: Matlab, fonte, codice, genere, riconoscimento, identificazione, adaboost, maschio, femmina.