Gender Recognition System

Omschrijving

Het menselijk gezicht bevat een verscheidenheid aan informatie voor adaptieve sociale interacties tussen mensen. In feite kunnen individuen een gezicht op verschillende manieren verwerken om het te categoriseren op basis van zijn identiteit, samen met een aantal andere demografische kenmerken, zoals geslacht, etniciteit en leeftijd. Vooral het herkennen van het menselijk geslacht is belangrijk omdat mensen verschillend reageren op basis van geslacht. Bovendien kan een succesvolle benadering van genderclassificatie de prestaties van veel andere toepassingen verbeteren, waaronder persoonsherkenning en slimme mens-computerinterfaces.

We hebben een algoritme voor genderherkenning ontwikkeld op basis van het AdaBoost-algoritme. Boosting is voorgesteld om de nauwkeurigheid van een bepaald leeralgoritme te verbeteren. Bij Boosting creëert men over het algemeen een classifier met een nauwkeurigheid op de trainingsset die groter is dan een gemiddelde prestatie, en voegt vervolgens nieuwe componentclassifiers toe om een ​​ensemble te vormen waarvan de gezamenlijke beslissingsregel een willekeurig hoge nauwkeurigheid heeft op de trainingsset. In een dergelijk geval zeggen we dat de classificatieprestaties zijn "opgevoerd". Samengevat traint de techniek opeenvolgende componentclassificatoren met een subset van de volledige trainingsgegevens die "meest informatief" is gezien de huidige set componentclassifiers. AdaBoost (Adaptive Boosting) is een typisch voorbeeld van Boosting learning. In AdaBoost wordt aan elk trainingspatroon een gewicht toegewezen dat bepaalt hoe groot de kans is dat het wordt geselecteerd voor een individuele componentclassificatie. Over het algemeen initialiseert men de gewichten over de trainingsset om uniform te zijn. Als een trainingspatroon in het leerproces nauwkeurig is geclassificeerd, wordt de kans kleiner dat het opnieuw wordt gebruikt in een volgende componentclassificator; omgekeerd, als het patroon niet nauwkeurig wordt geclassificeerd, wordt de kans groter dat het opnieuw wordt gebruikt.

De code is getest met Stanford Medical Student Face Database met een uitstekende herkenningsgraad van 89,61% (200 vrouwelijke afbeeldingen en 200 mannelijke afbeeldingen, 90% gebruikt voor training en 10% gebruikt voor testen, vandaar dat er 360 trainingsafbeeldingen en 40 testafbeeldingen zijn in totaal willekeurig geselecteerd en er is geen overlap tussen de trainings- en testbeelden).

Indextermen: Matlab, bron, code, geslacht, herkenning, identificatie, adaboost, man, vrouw.