Gender Recognition System

기술

인간의 얼굴에는 사람들 사이의 적응적 사회적 상호작용을 위한 다양한 정보가 포함되어 있습니다. 사실, 개인은 성별, 민족성 및 연령과 같은 다른 많은 인구통계학적 특성과 함께 정체성에 따라 얼굴을 분류하기 위해 다양한 방법으로 얼굴을 처리할 수 있습니다. 특히 사람은 성별에 따라 다르게 반응하기 때문에 인간의 성별을 인식하는 것이 중요합니다. 또한 성공적인 성별 분류 접근 방식은 사람 인식 및 스마트 인간-컴퓨터 인터페이스를 비롯한 많은 다른 응용 프로그램의 성능을 향상시킬 수 있습니다.

AdaBoost 알고리즘을 기반으로 성별 인식 알고리즘을 개발했습니다. 주어진 학습 알고리즘의 정확도를 향상시키기 위해 부스팅이 제안되었습니다. Boosting에서는 일반적으로 평균 성능보다 높은 훈련 세트에 대한 정확도를 가진 분류기를 생성한 다음 새로운 구성 요소 분류기를 추가하여 훈련 세트에 대한 공동 결정 규칙이 임의로 높은 정확도를 갖는 앙상블을 형성합니다. 이러한 경우 분류 성능이 "향상"되었다고 말합니다. 개요에서, 이 기술은 현재 구성 요소 분류기 세트가 주어지면 "가장 유익한" 전체 교육 데이터의 하위 집합으로 연속 구성 요소 분류기를 훈련합니다. AdaBoost(Adaptive Boosting)는 Boosting 학습의 전형적인 예입니다. AdaBoost에서 각 훈련 패턴에는 개별 구성 요소 분류기에 대해 선택될 확률을 결정하는 가중치가 할당됩니다. 일반적으로 훈련 세트 전체의 가중치를 균일하게 초기화합니다. 학습 과정에서 학습 패턴이 정확하게 분류되면 후속 구성 요소 분류기에서 다시 사용될 가능성이 줄어듭니다. 반대로 패턴이 정확하게 분류되지 않으면 다시 사용될 가능성이 높아집니다.

코드는 Stanford Medical Student Face Database로 테스트되어 89.61%의 우수한 인식률을 달성했습니다(200개의 여성 이미지와 200개의 남성 이미지, 90%는 교육용, 10%는 테스트용으로 사용되므로 360개의 교육 이미지와 40개의 테스트 이미지가 있습니다. 전체적으로 무작위로 선택되었으며 훈련 이미지와 테스트 이미지 사이에 겹침이 없습니다).

색인 용어: Matlab, 소스, 코드, 성별, 인식, 식별, adaboost, 남성, 여성.