menslike gesig bevat 'n verskeidenheid van inligting vir adaptive sosiale interaksie tussen mense. In werklikheid, individue in staat is om 'n gesig in 'n verskeidenheid van maniere om dit te kategoriseer deur sy identiteit, saam met 'n aantal ander demografiese eienskappe, soos geslag, etnisiteit, en ouderdom te verwerk. In die besonder, die erkenning van die menslike geslag is belangrik omdat mense verskillend reageer volgens geslag. Daarbenewens kan 'n suksesvolle geslag klassifikasie benadering die prestasie van baie ander programme, insluitend persoon erkenning en slim mens-rekenaar-koppelvlakke hupstoot te gee.
Ons het 'n algoritme vir geslag erkenning gebaseer op AdaBoost algoritme ontwikkel. Bevordering is voorgestel dat die akkuraatheid van enige gegewe leer algoritme te verbeter. In die bevordering van die een skep gewoonlik 'n klassifiseerder met akkuraatheid oor die opleiding stel groter as 'n gemiddelde prestasie, en dan voeg nuwe komponent klassifiseerders 'n ensemble wie gesamentlike besluit reël het arbitrêr hoë akkuraatheid op die opleiding stel te vorm. In so 'n geval, sê ons dat die klassifikasie prestasie is "hupstoot". In oorsig, die tegniek trein opeenvolgende komponent klassifiseerders met 'n subset van die hele opleiding data wat "die meeste insiggewende" gegewe die huidige stel komponent klassifiseerders. AdaBoost (Adaptive Boos) is 'n tipiese voorbeeld van die bevordering van leer. In AdaBoost, is elke opleiding patroon 'n gewig wat sy kans om gekies vir 'n paar individuele komponent klassifiseerder bepaal opgedra. Oor die algemeen, een initialisatie die gewigte oor die opleiding stel eenvormige te wees. In die leerproses, as 'n opleiding patroon is akkuraat geklassifiseer, dan is sy kans om weer in 'n daaropvolgende komponent klassifiseerder gebruik word afgeneem; Omgekeerd, indien die patroon is nie akkuraat geklassifiseer, dan is sy kans om weer gebruik word verhoog.
Die kode is met Stanford Medical Student Face databasis bereiking van 'n uitstekende erkenning koers van 89,61% getoets (200 vroulike beelde en 200 manlike beelde, 90% gebruik word vir opleiding en 10% gebruik word vir die toets, dus is daar 360 opleiding beelde en 40 toets beelde in totaal lukraak gekies en geen oorvleueling tussen die opleiding en toets beelde).
Indeks Terme:. Matlab, bron, kode, geslag, erkenning, identifikasie, adaboost, manlike, vroulike
Vereistes :
Matlab
Kommentaar nie gevind