Gender Recognition System

Descripción

El rostro humano contiene una variedad de información para las interacciones sociales adaptativas entre las personas. De hecho, las personas pueden procesar un rostro de diversas maneras para categorizarlo por su identidad, junto con otras características demográficas, como el género, el origen étnico y la edad. En particular, reconocer el género humano es importante ya que las personas responden de manera diferente según el género. Además, un enfoque de clasificación de género exitoso puede impulsar el rendimiento de muchas otras aplicaciones, incluido el reconocimiento de personas y las interfaces inteligentes entre humanos y computadoras.

Hemos desarrollado un algoritmo para el reconocimiento de género basado en el algoritmo AdaBoost. Se ha propuesto impulsar para mejorar la precisión de cualquier algoritmo de aprendizaje dado. En Boosting, generalmente se crea un clasificador con una precisión en el conjunto de entrenamiento mayor que un rendimiento promedio, y luego se agregan nuevos clasificadores de componentes para formar un conjunto cuya regla de decisión conjunta tiene una precisión arbitrariamente alta en el conjunto de entrenamiento. En tal caso, decimos que el rendimiento de la clasificación ha sido "impulsado". En resumen, la técnica entrena clasificadores de componentes sucesivos con un subconjunto de todos los datos de entrenamiento que es "más informativo" dado el conjunto actual de clasificadores de componentes. AdaBoost (Adaptive Boosting) es una instancia típica de Impulsar el aprendizaje. En AdaBoost, a cada patrón de entrenamiento se le asigna un peso que determina su probabilidad de ser seleccionado para algún clasificador de componentes individuales. Generalmente, uno inicializa los pesos a través del conjunto de entrenamiento para que sean uniformes. En el proceso de aprendizaje, si un patrón de entrenamiento se ha clasificado con precisión, se reduce la posibilidad de que se utilice de nuevo en un clasificador de componentes posterior; por el contrario, si el patrón no se clasifica con precisión, aumenta la posibilidad de que se vuelva a utilizar.

El código ha sido probado con Stanford Medical Student Face Database logrando una excelente tasa de reconocimiento del 89,61 % (200 imágenes femeninas y 200 imágenes masculinas, 90 % utilizadas para entrenamiento y 10 % para pruebas, por lo que hay 360 imágenes de entrenamiento y 40 imágenes de prueba en total seleccionados al azar y no existe superposición entre las imágenes de entrenamiento y de prueba).

Términos del índice: Matlab, fuente, código, género, reconocimiento, identificación, adaboost, masculino, femenino.