Gender Recognition System

Sự miêu tả

Khuôn mặt con người chứa nhiều thông tin cho các tương tác xã hội thích ứng giữa mọi người. Trên thực tế, các cá nhân có thể xử lý một khuôn mặt theo nhiều cách khác nhau để phân loại nó theo danh tính, cùng với một số đặc điểm nhân khẩu học khác, chẳng hạn như giới tính, dân tộc và tuổi tác. Đặc biệt, việc nhận biết giới tính của con người là rất quan trọng vì mọi người phản ứng khác nhau tùy theo giới tính. Ngoài ra, cách tiếp cận phân loại giới tính thành công có thể thúc đẩy hiệu suất của nhiều ứng dụng khác, bao gồm nhận dạng người và giao diện máy tính - người thông minh.

Chúng tôi đã phát triển một thuật toán để nhận dạng giới tính dựa trên thuật toán AdaBoost. Thúc đẩy đã được đề xuất để cải thiện độ chính xác của bất kỳ thuật toán học tập nhất định nào. Trong Tăng cường, người ta thường tạo một bộ phân loại có độ chính xác trên tập huấn luyện lớn hơn hiệu suất trung bình, sau đó thêm các bộ phân loại thành phần mới để tạo thành một tập hợp mà quy tắc quyết định chung có độ chính xác cao tùy ý trên tập huấn luyện. Trong trường hợp như vậy, chúng tôi nói rằng hiệu suất phân loại đã được "tăng cường". Về tổng quan, kỹ thuật huấn luyện các bộ phân loại thành phần liên tiếp với một tập con của toàn bộ dữ liệu huấn luyện là "nhiều thông tin nhất" dựa trên tập các bộ phân loại thành phần hiện tại. AdaBoost (Tăng cường thích ứng) là một ví dụ điển hình của Thúc đẩy học tập. Trong AdaBoost, mỗi mẫu đào tạo được gán một trọng số xác định xác suất được chọn cho một số bộ phân loại thành phần riêng lẻ. Nói chung, người ta khởi tạo các trọng lượng trên toàn bộ tập huấn luyện để đồng nhất. Trong quá trình học tập, nếu một mẫu đào tạo đã được phân loại chính xác, thì cơ hội được sử dụng lại trong bộ phân loại thành phần tiếp theo sẽ giảm; ngược lại, nếu mẫu không được phân loại chính xác, thì cơ hội được sử dụng lại sẽ tăng lên.

Mã đã được thử nghiệm với Cơ sở dữ liệu khuôn mặt sinh viên Y khoa Stanford đạt tỷ lệ nhận dạng tuyệt vời 89,61% (200 hình ảnh nữ và 200 hình ảnh nam, 90% được sử dụng để đào tạo và 10% được sử dụng để kiểm tra, do đó có 360 hình ảnh đào tạo và 40 hình ảnh thử nghiệm trong tổng số được chọn ngẫu nhiên và không có sự chồng chéo giữa hình ảnh đào tạo và bài kiểm tra).

Điều khoản chỉ mục: Matlab, nguồn, mã, giới tính, công nhận, nhận dạng, adaboost, nam, nữ.