Le visage humain contient une variété d'informations pour les interactions sociales entre les gens d'adaptation. En fait, les individus sont en mesure de traiter un visage dans une variété de façons de classer par son identité, avec un certain nombre d'autres caractéristiques démographiques, telles que le sexe, l'origine ethnique et l'âge. En particulier, en reconnaissant l'égalité humaine est important car les gens réagissent différemment selon le sexe. En outre, une approche de classification de genre de succès peut améliorer les performances de nombreuses autres applications, y compris la reconnaissance de la personne et des interfaces homme-ordinateur à puce.
Nous avons développé un algorithme de reconnaissance fondée sur le sexe sur l'algorithme AdaBoost. Stimuler a été proposé d'améliorer la précision de tout algorithme d'apprentissage donné. Dans une Stimuler crée généralement un classificateur avec une précision sur la formation prévue supérieure à une performance moyenne, puis ajoute de nouveaux classificateurs de composants pour former un ensemble dont la règle décision conjointe a arbitrairement grande précision sur l'ensemble de la formation. Dans un tel cas, nous disons que la performance de classification a été "boosté". En vue d'ensemble, les trains technique successives classificateurs de composants avec un sous-ensemble des données de formation complet qui est "plus informative" compte tenu de l'ensemble actuel des classificateurs du composant. AdaBoost (Adaptive Stimuler) est un cas typique de stimuler l'apprentissage. Dans AdaBoost, chaque modèle de la formation se voit attribuer un poids qui détermine sa probabilité d'être sélectionné pour certains classificateur de composant individuel. Généralement, on initialise les poids à travers l'ensemble de la formation d'être uniforme. Dans le processus d'apprentissage, si un motif de formation a été classé avec précision, puis sa chance d'être réutilisés dans un classificateur de composant subséquent est diminué; inversement, si le motif ne est pas classé avec précision, puis sa chance d'être de nouveau utilisé est augmentée.
Le code a été testé avec Stanford étudiants en médecine Base de données de visage atteindre un taux de reconnaissance excellente de 89,61% (200 images féminines et 200 images de sexe masculin, 90% utilisés pour la formation et 10% utilisé pour les essais, il ya donc 360 images de formation et 40 images de test au total choisi au hasard et pas de chevauchement existe entre la formation et les tests des images).
Index Conditions:. Matlab, la source, le code, le sexe, la reconnaissance, l'identification, AdaBoost, mâles, femelles
Exigences :
Matlab
Commentaires non trouvées