человеческое лицо содержит множество информации для адаптивных социальных взаимодействий среди людей. На самом деле, люди в состоянии обработать лицо в различных способов классификации его своей идентичности, наряду с рядом других демографических характеристик, таких как пол, этническая принадлежность, и возраста. В частности, признавая человека пол является важным, поскольку люди реагируют по-разному в зависимости от пола. Кроме того, успешный подход пол классификация может повысить производительность многих других приложений, в том числе признания лица и смарт-человек-компьютерных интерфейсов.
Мы разработали алгоритм для распознавания пола на основе алгоритма AdaBoost. Повышение было предложено повысить точность любой данной алгоритма обучения. В целом Повышение один создает классификатор с точностью на обучение установлена более чем средней производительности, а затем добавляет новый компонент классификаторы для формирования ансамбль, совместное решение правило имеет сколь угодно высокую точность на обучающем множестве. В таком случае, мы говорим, что производительность классификация была "увеличила". В обзоре, техника поезд последовательные классификаторы компонент с подмножеством всего обучающих данных, что является "наиболее информативным", учитывая текущий набор компонентных классификаторов. AdaBoost (адаптивная Повышение) является типичным примером Повышение обучения. В AdaBoost, каждый учебный шаблон присваивается вес, который определяет его вероятность быть отобранным для какой-то отдельной составляющей классификатора. Как правило, одним инициализирует веса всей обучающей выборки, чтобы быть однородным. В процессе обучения, если обучение картина была точно классифицировать, то его шансы быть вновь использована в последующем компонента классификатору уменьшается; И наоборот, если шаблон не точно классифицировать, то его шансы быть вновь использована увеличивается.
Код был протестирован с Стэнфордского медицинского Студент лица База данных достижения отличную скорость распознавания 89,61% (200 женские образы и 200 мужчины изображений, 90% используется для обучения и 10% используемого для тестирования, следовательно, 360 учебных изображения и 40 тестовые изображения в общей сложности случайно выбрана и не перекрываются не существует между подготовки и тестовых изображений).
Указатель Условия: Matlab., Источник, код, пол, признание, идентификация, AdaBoost, мужчины, женщины
Требования
Matlab
Комментарии не найдены