mänskligt ansikte innehåller en mängd information för adaptiva sociala interaktioner bland människor. I själva verket, individer har möjlighet att hantera ett ansikte i en mängd olika sätt att kategorisera den genom sin identitet, tillsammans med ett antal andra demografiska egenskaper, till exempel kön, etnicitet och ålder. I synnerhet erkänner människans kön är viktigt eftersom människor reagerar olika beroende på kön. Dessutom kan en framgångsrik strategi könsklassificering öka prestandan för många andra program, inklusive personer erkännande och smarta människa-datorgränssnitt.
Vi har utvecklat en algoritm för genus erkännande utifrån AdaBoost algoritm. Öka har föreslagits för att förbättra noggrannheten i varje givet inlärningsalgoritm. I Boosting man skapar i allmänhet en klassificerare med noggrannhet på utbildningen inställd större än en genomsnittlig prestanda, och sedan lägger till nya komponent klassificerare för att bilda en ensemble vars gemensamma beslutsregel har godtyckligt hög noggrannhet på träningsmängden. I ett sådant fall, säger vi att klassificeringen prestanda har "ökat". I översikten, tekniken tåg successiva komponent klassificerare med en delmängd av hela träningsdata som är "mest informativa" med tanke på den aktuella uppsättningen av komponent klassificerare. AdaBoost (Adaptive Boosting) är ett typiskt exempel för Ökade inlärning. I AdaBoost är varje träningsmönster delas en vikt som avgör dess sannolikhet att väljas för vissa enskilda komponent klassificerare. Generellt man initierar vikterna över träningsmängden vara enhetliga. I inlärningsprocessen, om ett träningsmönster har noggrant klassificerat, sedan dess chans att användas igen i en efterföljande komponent klassificerare minskas; omvänt, om mönstret inte är korrekt klassificerad, alltså dess chans att användas igen ökas.
Koden har testats med Stanford Medical Student Face Databas uppnå ett utmärkt erkännande andelen 89,61% (200 kvinnliga bilder och 200 manliga bilder, 90% används för utbildning och 10% används för testning, därför finns det 360 träningsbilder och 40 testbilder totalt slumpmässigt utvalda och ingen överlappning finns mellan utbildning och testbilder).
Index Villkor:. Matlab, källa, kod, kön, erkännande, identifiering, adaboost, manliga, kvinnliga
Krav :
Matlab
Kommentarer hittades inte