човешко лице съдържа разнообразна информация за адаптивни социални взаимодействия сред хората. В действителност, хората са в състояние да обработва лицето в най-различни начини, за да го категоризират от своята идентичност, заедно с редица други демографски характеристики, като пол, етническа принадлежност, и възраст. По-конкретно, признава човешкото пола е важно, тъй като хората реагират по различен начин в зависимост от пола. В допълнение, по-успешен подход за класификация на пола може да даде тласък на работата на много други приложения, включително разпознаване на лице и интелигентни интерфейси човек-компютър.
Ние сме разработили алгоритъм за разпознаване на пола на базата на AdaBoost алгоритъм. Стимулирането е предложен да се подобри точността на която и да е алгоритъм за обучение. За насърчаване на един принцип създава класификатор с точност на обучението зададете по-висока от средната производителност, и след това добавя нови класификатори компоненти за да се образува ансамбъл, чието съвместно решение правило има произволно висока точност на тренировъчната серия. В такъв случай, ние казваме, че изпълнението на класификация е "подсилен". В преглед, техника влакови последователни класификаторите на компонента с подмножество от цялата тази информация за обучение, че е "най-информационен" се има предвид настоящият набор от съставляващите класификатори. AdaBoost (Adaptive Увеличаване) е типичен пример за Увеличаване на живот. В AdaBoost, всеки модел на обучение се определя с тегло, което определя неговата вероятност да бъдат избрани за някои от съставките класификатор. Като цяло, един инициализира теглата целия сет на обучение да бъдат единни. В процеса на обучение, ако един модел на обучение е била точно класифицирана, а след това му шанс да бъде използвана отново в следващ компонент класификатор се намалява; Обратно, ако моделът не е точно класифицирани, след това си шанс да бъде използван отново се увеличава.
Кодът е тестван с Stanford Medical Student Face Database постигане отлична скорост на разпознаване на 89,61% (200 женски образи и 200 мъжки образи, 90% се използват за обучение и 10%, използвана за изпитването, следователно има 360 учебни изображения и 40 тестови снимки в общия избрани на случаен принцип и не съществува припокриване между обучение и изпитване изображения).
Индекс Условия:. Matlab, източник, код, пол, разпознаване, идентификация, adaboost, мъжки, женски
<силни> Изисквания :
Matlab
Коментари не е намерена