Volto umano contiene una serie di informazioni per le interazioni sociali adattative tra persone. Infatti, gli individui sono in grado di elaborare una faccia in una varietà di modi per classificare dal sua identità, con un certo numero di altre caratteristiche demografiche, quali il sesso, etnia ed età. In particolare, riconoscendo genere umano è importante, dato che le persone rispondono in modo diverso a seconda del sesso. Inoltre, un approccio di classificazione di genere di successo può aumentare le prestazioni di molte altre applicazioni, tra cui il riconoscimento persona e interfacce intelligenti uomo-computer.
Abbiamo sviluppato un algoritmo per il riconoscimento di genere sulla base di un algoritmo AdaBoost. Incrementare è stato proposto di migliorare la precisione di un determinato algoritmo di apprendimento. In Promuovere un genere crea un classificatore con precisione sulla formazione set maggiore di una performance media, e poi aggiunge nuovi classificatori componenti per formare un insieme la cui regola di decisione comune ha arbitrariamente elevata precisione sul set formazione. In tal caso, si dice che le prestazioni classificazione è stata "potenziato". In panoramica, la tecnica dei treni classificatori componenti successivi con un sottoinsieme di tutti i dati di allenamento che è "più informativa" data l'attuale serie di classificatori componenti. AdaBoost (Adaptive Aumentare) è un tipico esempio di incentivare l'apprendimento. In AdaBoost, ogni modello di formazione è assegnato un peso che determina la probabilità di essere selezionata per alcuni singoli classificatore componente. In generale, una inizializza i pesi attraverso il training set per essere uniforme. Nel processo di apprendimento, se un modello di formazione è stata classificata con precisione, quindi la sua possibilità di essere utilizzato di nuovo in un successivo classificatore componente è diminuito; viceversa, se il modello non è classificato accuratamente, quindi la sua possibilità di essere riutilizzati aumenta.
Il codice è stato testato con Stanford Medical Student Volto Database raggiungere un tasso di riconoscimento eccellente del 89.61% (200 immagini femminili e 200 immagini di sesso maschile, il 90% utilizzato per la formazione e il 10% utilizzato per la prova, quindi ci sono 360 immagini di formazione e 40 immagini di prova in totale selezionato in modo casuale e non esiste alcuna sovrapposizione tra le immagini di addestramento e di test).
Termini:. Matlab, fonte, codice, di genere, di riconoscimento, di identificazione, adaboost, maschili, femminili
Requisiti :
Matlab
I commenti non trovato