Gender Recognition System

Descrição

O rosto humano contém uma variedade de informações para interações sociais adaptativas entre as pessoas. Na verdade, os indivíduos são capazes de processar um rosto de várias maneiras para categorizá-lo por sua identidade, juntamente com várias outras características demográficas, como gênero, etnia e idade. Em particular, reconhecer o gênero humano é importante, pois as pessoas respondem de maneira diferente de acordo com o gênero. Além disso, uma abordagem de classificação de gênero bem-sucedida pode aumentar o desempenho de muitos outros aplicativos, incluindo reconhecimento de pessoas e interfaces inteligentes entre humanos e computadores.

Desenvolvemos um algoritmo para reconhecimento de gênero baseado no algoritmo AdaBoost. Boosting foi proposto para melhorar a precisão de qualquer algoritmo de aprendizagem. Em Boosting, geralmente se cria um classificador com precisão no conjunto de treinamento maior que um desempenho médio e, em seguida, adiciona-se novos classificadores de componentes para formar um ensemble cuja regra de decisão conjunta tem precisão arbitrariamente alta no conjunto de treinamento. Nesse caso, dizemos que o desempenho da classificação foi "aumentado". Em resumo, a técnica treina classificadores de componentes sucessivos com um subconjunto de todos os dados de treinamento que é "mais informativo" dado o conjunto atual de classificadores de componentes. AdaBoost (Adaptive Boosting) é uma instância típica de Boosting de aprendizagem. No AdaBoost, cada padrão de treinamento recebe um peso que determina sua probabilidade de ser selecionado para algum classificador de componente individual. Geralmente, inicializa-se os pesos em todo o conjunto de treinamento para serem uniformes. No processo de aprendizagem, se um padrão de treinamento foi classificado com precisão, sua chance de ser usado novamente em um classificador de componente subsequente é diminuída; inversamente, se o padrão não for classificado com precisão, sua chance de ser usado novamente aumenta.

O código foi testado com o Stanford Medical Student Face Database alcançando uma excelente taxa de reconhecimento de 89,61% (200 imagens femininas e 200 imagens masculinas, 90% usadas para treinamento e 10% usadas para teste, portanto, existem 360 imagens de treinamento e 40 imagens de teste no total selecionado aleatoriamente e não existe sobreposição entre as imagens de treinamento e teste).

Termos de indexação: Matlab, fonte, código, gênero, reconhecimento, identificação, adaboost, masculino, feminino.