Gender Recognition System

Beschreibung

Das menschliche Gesicht enthält eine Vielzahl von Informationen für adaptive soziale Interaktionen zwischen Menschen. Tatsächlich sind Einzelpersonen in der Lage, ein Gesicht auf vielfältige Weise zu verarbeiten, um es nach seiner Identität zu kategorisieren, zusammen mit einer Reihe anderer demografischer Merkmale wie Geschlecht, ethnischer Zugehörigkeit und Alter. Insbesondere das Erkennen des menschlichen Geschlechts ist wichtig, da Menschen je nach Geschlecht unterschiedlich reagieren. Darüber hinaus kann ein erfolgreicher Ansatz zur Geschlechterklassifizierung die Leistung vieler anderer Anwendungen steigern, darunter Personenerkennung und intelligente Mensch-Computer-Schnittstellen.

Wir haben einen Algorithmus zur Geschlechtserkennung basierend auf dem AdaBoost-Algorithmus entwickelt. Boosting wurde vorgeschlagen, um die Genauigkeit eines gegebenen Lernalgorithmus zu verbessern. Beim Boosting erstellt man im Allgemeinen einen Klassifikator mit einer Genauigkeit auf dem Trainingssatz, die größer ist als eine durchschnittliche Leistung, und fügt dann neue Komponentenklassifikatoren hinzu, um ein Ensemble zu bilden, dessen gemeinsame Entscheidungsregel eine willkürlich hohe Genauigkeit auf dem Trainingssatz hat. In einem solchen Fall sprechen wir von einer „gesteigerten“ Klassifikationsleistung. Im Überblick trainiert die Technik aufeinanderfolgende Komponentenklassifikatoren mit einer Teilmenge der gesamten Trainingsdaten, die angesichts des aktuellen Satzes von Komponentenklassifikatoren "am informativsten" ist. AdaBoost (Adaptive Boosting) ist ein typisches Beispiel für Boosting-Lernen. In AdaBoost wird jedem Trainingsmuster eine Gewichtung zugewiesen, die seine Wahrscheinlichkeit bestimmt, für einen individuellen Komponentenklassifikator ausgewählt zu werden. Im Allgemeinen initialisiert man die Gewichtungen über den Trainingssatz hinweg, um einheitlich zu sein. Wenn im Lernprozess ein Trainingsmuster genau klassifiziert wurde, verringert sich seine Chance, in einem nachfolgenden Komponentenklassifizierer erneut verwendet zu werden; umgekehrt, wenn das Muster nicht genau klassifiziert wird, dann erhöht sich seine Wahrscheinlichkeit, erneut verwendet zu werden.

Der Code wurde mit der Stanford Medical Student Face Database getestet und erreichte eine hervorragende Erkennungsrate von 89,61 % (200 weibliche Bilder und 200 männliche Bilder, 90 % für Schulungen und 10 % für Tests verwendet, daher gibt es 360 Schulungsbilder und 40 Testbilder insgesamt zufällig ausgewählt und es besteht keine Überschneidung zwischen Trainings- und Testbild).

Indexbegriffe: Matlab, Quelle, Code, Geschlecht, Erkennung, Identifikation, Adaboost, männlich, weiblich.