Sistema de reconocimiento de género Proporcionar un sistema de reconocimiento de género para MATLAB.
Descargar ahora

Sistema de reconocimiento de género Clasificación y resumen

Sistema de reconocimiento de género Etiquetas

Sistema de reconocimiento de género Descripción

rostro humano contiene una variedad de información para las interacciones sociales de adaptación entre las personas. De hecho, los individuos son capaces de procesar una cara en una variedad de maneras de clasificar por su identidad, junto con un número de otras características demográficas, tales como género, etnia, y edad. En particular, reconociendo el género humano es importante ya que las personas responden de manera diferente según el género. Además, un enfoque de clasificación de género de éxito puede aumentar el rendimiento de muchas otras aplicaciones, incluyendo el reconocimiento de personas y las interfaces hombre-máquina inteligente. Hemos desarrollado un algoritmo de reconocimiento de género basado en AdaBoost algoritmo. Impulsar ha propuesto para mejorar la precisión de cualquier algoritmo de aprendizaje determinado. En general Impulsar uno crea un clasificador con una precisión mayor en el conjunto de entrenamiento que un rendimiento medio y, a continuación, añade 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, se dice que el rendimiento de la clasificación se ha "potenciado". En general, los trenes sucesivos técnica de clasificadores de componentes con un subconjunto de los datos de entrenamiento enteras que es "más informativo" dado el actual conjunto de clasificadores de componentes. AdaBoost (Adaptive Impulsar) es un ejemplo típico de promover el aprendizaje. En AdaBoost, cada patrón de entrenamiento se le asigna un peso que determina su probabilidad de ser seleccionada para algunos clasificador componente individual. En general, se inicializa el peso de todo el conjunto de entrenamiento sean uniformes. En el proceso de aprendizaje, si un patrón de entrenamiento ha sido clasificado con precisión, entonces su posibilidad de ser utilizado de nuevo en un clasificador componente posterior se reduce; a la inversa, si el patrón no está clasificado con precisión, a continuación, se incrementa su posibilidad de ser utilizado de nuevo. El código ha sido probado con Stanford Medical Student base de datos de cara lograr una excelente tasa de reconocimiento del 89,61% (200 imágenes femeninas y 200 imágenes de sexo masculino, 90% utilizan para la formación y el 10% se utiliza para la prueba, por lo tanto, hay 360 imágenes de entrenamiento y 40 imágenes de prueba en total, seleccionados al azar y no existe una superposición entre la formación y las imágenes de prueba). Términos índice: Matlab, fuente, código, de género, reconocimiento, identificación, AdaBoost, Masculino.

Sistema de reconocimiento de género Software relacionado