Gender Recognition System

La description

Le visage humain contient une variété d'informations pour les interactions sociales adaptatives entre les personnes. En fait, les individus sont capables de traiter un visage de diverses manières pour le catégoriser en fonction de son identité, ainsi que d'un certain nombre d'autres caractéristiques démographiques, telles que le sexe, l'origine ethnique et l'âge. En particulier, la reconnaissance du genre humain est importante puisque les gens réagissent différemment selon le genre. En outre, une approche réussie de classification par sexe peut améliorer les performances de nombreuses autres applications, notamment la reconnaissance de personnes et les interfaces homme-machine intelligentes.

Nous avons développé un algorithme de reconnaissance du genre basé sur l'algorithme AdaBoost. Le boosting a été proposé pour améliorer la précision d'un algorithme d'apprentissage donné. Dans Boosting, on crée généralement un classificateur avec une précision sur l'ensemble d'apprentissage supérieure à une performance moyenne, puis on ajoute de nouveaux classificateurs de composants pour former un ensemble dont la règle de décision conjointe a une précision arbitrairement élevée sur l'ensemble d'apprentissage. Dans un tel cas, on dit que les performances de classification ont été "boostées". En résumé, la technique forme des classificateurs de composants successifs avec un sous-ensemble de l'ensemble des données de formation qui est "le plus informatif" compte tenu de l'ensemble actuel de classificateurs de composants. AdaBoost (Adaptive Boosting) est un exemple typique d'apprentissage Boosting. Dans AdaBoost, chaque modèle d'apprentissage se voit attribuer un poids qui détermine sa probabilité d'être sélectionné pour un classificateur de composant individuel. Généralement, on initialise les poids sur l'ensemble d'apprentissage pour qu'ils soient uniformes. Dans le processus d'apprentissage, si un modèle d'apprentissage a été classé avec précision, alors sa chance d'être réutilisé dans un classificateur de composants ultérieur est diminuée ; à l'inverse, si le motif n'est pas classé avec précision, ses chances d'être à nouveau utilisées sont augmentées.

Le code a été testé avec Stanford Medical Student Face Database atteignant un excellent taux de reconnaissance de 89,61% (200 images féminines et 200 images masculines, 90% utilisées pour la formation et 10% utilisées pour les tests, il y a donc 360 images de formation et 40 images de test au total sélectionnés au hasard et aucun chevauchement n'existe entre les images d'entraînement et de test).

Termes de l'index : Matlab, source, code, genre, reconnaissance, identification, adaboost, masculin, féminin.