استفاده از مجموع مربعات تفاضل (SSD) نیز برای محاسبه میزان شباهت قالب و پنجره جستجو رایج است. دقت روش SSD برای محاسبه میزان تطابق بیشتر از روش SAD می‏باشد. مقدار SSD از رابطه ‏(۷) قابل محاسبه است.

( اینجا فقط تکه ای از متن فایل پایان نامه درج شده است. برای خرید متن کامل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. )

استخراج ویژگی‏های مربوط به کاهش هوشیاری
در سیستم‏های نظارت چهره راننده، ویژگی‏های مفید برای تشخیص خستگی و عدم تمرکز حواس به سه دسته کلی قابل تقسیم است:
ویژگی‏های ناحیه چشم
ویژگی‏های ناحیه دهان
ویژگی‏های ناحیه چهره و سر
ویژگی‏های ناحیه چشم
چشم مهمترین عضو چهره است که نشانه‏های خستگی و عدم تمرکز حواس در آن ظهور پیدا می‏کند. به همین دلیل بسیاری از سیستم‏های نظارت چهره راننده فقط بر اساس ویژگی‏های استخراج شده از ناحیه چشم، خستگی و عدم تمرکز حواس راننده را تشخیص می‏دهند.
بسته بودن چشم
ساده‏ترین ویژگی برای تشخیص خواب‏آلودگی، بسته بودن چشم‏ها[۷۱] است. این ویژگی، در عین سادگی اطالاعات بسیار مفیدی در مورد خواب‏آلودگی و حتی بیهوشی راننده در اختیار می‏گذارد. ویژگی بسته‏بودن چشم به دو شکل مختلف برای تشخیص خواب‏آلودگی قابل استفاده است: بسته بودن ممتد چشم و درصد بسته بودن چشم در یک مدت معین.
در روش بسته بودن ممتد چشم، اگر چشم برای یک مدت معین به طور ممتد بسته باشد، خواب‏آلودگی تشخیص داده می‏شود. این روش کارایی خوبی ندارد و چندان قابل اطمینان نیست. چرا که خواب‏آلودگی راننده تنها زمانی مشخص می‏شود که چشم‏های او برای مدت معینی کاملا بسته شده باشد. این ویژگی در [۲۴, ۲۵, ۳۱, ۳۴, ۳۵] مورد استفاده قرار گرفته است. برای افزایش دقت سیستم، معمولا این ویژگی همراه با برخی ویژگی‏های دیگر مورد استفاده قرار می‏گیرد.
روش دیگر بر اساس درصد بسته بودن چشم[۷۲] در یک مدت معین عمل می‏کند. به این روش اختصارا PERCLOS گفته می‏شود. بر اساس تحقیقات به عمل آمده، یکی از بهترین معیارهای ارزیابی کاهش هوشیاری، محاسبه درصد بسته بودن پلک‏ها در یک دوره زمانی است [۸]. به همین دلیل ویژگی PERCLOS به عنوان یک ویژگی بسیار مهم برای تشخیص خواب‏آلودگی در [۶, ۹, ۲۷, ۴۴, ۵۸] استفاده گردیده است.
روش‏های متفاوتی برای تشخیص بسته یا باز بودن چشم استفاده شده که از مهمترین آنها می‏توان به خاصیت بازتابشی چشم در طیف مادون قرمز [۲۰-۲۳]، محاسبه پروجکشن افقی ناحیه چشم [۲۶-۲۸, ۳۷, ۴۸] و محاسبه شار اپتیکی[۷۳] [۷, ۴۹] اشاره کرد.
Zheng و همکارانش [۵۹] روشی را ارائه کرده‏اند که با معلوم بودن ناحیه چشم، قادر است مرکز و شعاع مردمک[۷۴]، گوشه‏های چشم و کانتور[۷۵] پلک را مشخص کند. در این روش مردمک چشم از طریق اعمال سطح آستانه بر روی مقدار H در فضای رنگی HSI و دوسطحی کردن تصویر چشم تعیین می‏شود. به این ترتیب می‏توان مرکز و شعاع مردمک چشم را در تصویر دوسطحی شده بدست آورد. آشکارسازی گوشه‏های چشم با روش فیلتر گوشه چشم[۷۶] و به کمک موجک Gabor انجام شده است. در نهایت کانتور پلک‏ها به کمک نقاط بالا، پایین و طرفین چشم و با بهره گرفتن از تابع Spline تعیین می‏گردد. این الگوریتم می‏تواند در تعیین بسته بودن چشم، فاصله بین دو پلک و تعیین جهت نگاه[۷۷] راننده مورد استفاده قرار گیرد.
Brandt و همکارانش [۷] و Lalonde و همکارانش [۴۹] برای تشخیص بسته بودن چشم از اندازه‏گیری شار اپتیکی[۷۸] ناحیه چشم استفاده کرده‏اند. در این روش بر اساس محاسبه مقدار شار اپتیکی و تعیین جهت آن، باز و بسته شدن پلک‏ها قابل تشخیص است.
Grace و همکارانش [۲۰] با بهره گرفتن از نورپردازی و تصویربرداری در طیف مادون قرمز و به کمک خاصیت بازتابش نور مادون قرمز از مردمک چشم، مکان چشم را تشخیص داده و از همین طریق بسته یا باز بودن آن را مشخص می‏کنند. در این روش اگر درصد بسته بودن چشم در بازه زمانی ۱ دقیقه بیشتر از ۸۰% باشد، سیستم اعلام هشدار می‏کند.
تشخیص خواب‏آلودگی در [۲۶] بر اساس بسته بودن چشم در ۵ ثانیه متوالی صورت می‏گیرد. در این سیستم پس از تعیین ناحیه چشم، با بهره گرفتن از عملگر Prewitt لبه‏های تصویر استخراج شده و دوسطحی می‏شود. هنگامی‏که چشم بسته باشد، تنها لبه پلک‏ها آشکارسازی می‏شود، اما در صورت باز بودن چشم، علاوه بر پلک‏ها، حدقه و عنبیه چشم نیز لبه‏های قابل توجه دارند. پس انتظار می‏رود در صورت بازبودن چشم، پیکسل‏های لبه در نواحی اطراف چشم بیشتر باشد. به این ترتیب باز یا بسته بودن چشم مشخص می‏گردد.
در [۲۱-۲۳] برای تشخیص بسته بودن چشم از بررسی اندازه مردمک چشم استفاده شده است. در این روش مردمک چشم بر اساس نوعی نورپردازی طیف مادون قرمز آشکارسازی می‏شود. اگر اندازه مردمک چشم کمتر از ۳۰% اندازه واقعی خود شود، چشم بسته تشخیص داده خواهد شد. سپس مقدار PERCLOS در ۳۰ ثانیه اخیر و مدت زمان بسته بودن ممتد چشم برای تخمین میزان خستگی راننده محاسبه می‏شود.
Rang-ben و همکارانش [۵۶] برای تشخیص بسته بودن چشم از موجک Gabor استفاده کرده‏اند. برای این منظور گوشه‏های چشم و مرکز چشم با ۱۸ فیلتر موجک Gabor پردازش شده تا ۵۴ ویژگی (۱۸ ضریب برای هر یک از نقاط دو گوشه چشم و مرکز آن) از هر چشم استخراج شود. این ویژگی‏ها توسط شبکه عصبی پرسپترون چند لایه[۷۹] (MLP) پردازش می‏شود تا خواب‏آلودگی راننده تعیین شود. دقت تشخیص خواب‏آلودگی با بهره گرفتن از این روش ۸۵% است.
روش پیشنهادی Horng و همکارانش [۳۰] برای تشخیص خواب‏آلودگی بر اساس بسته یا باز بودن چشم می‏باشد. مقدار S پیکسل‏های مردمک چشم در فضای رنگی HSI بین صفر تا ۱۴/۰ متغیر است. به این ترتیب با اعمال حد آستانه بر روی تصویر ناحیه چشم، بسته یا باز بودن چشم تعیین می‏شود. اگر چشم به مدت بیشتر از ۲۵/۰ ثانیه بسته تشخیص داده شود، سیستم اعلام هشدار خواهد کرد.
Gan و همکارانش [۴۸] روشی را ارائه کرده‏اند که خواب‏آلودگی راننده را بر اساس بسته بودن چشم تشخیص می‏دهد. در این روش با محاسبه پروجکشن افقی تصویر دوسطحی چهره، مکان چشم‏ها مشخص شده و بر همین اساس بسته یا باز بودن آن تعیین می‏شود. در صورت باز بودن چشم، شیب نمودار پروجکشن در ناحیه چشم کم است، در حالی که هنگام بسته بودن چشم، شیب نمودار زیاد خواهد بود. به این ترتیب با بهره گرفتن از محاسبه مشتق نمودار پروجکشن و همچنین محاسبه تعداد پیکسل‏های سیاه چشم، باز یا بسته بودن چشم قابل تشخیص است.
در [۲۷] تشخیص باز و بسته چشم بر اساس محاسبه پروجکشن واریانس افقی انجام شده است. اگر چشم باز باشد، پروجکشن واریانس افقی ناحیه چشم به دلیل اختلاف شدید مقادیر پیکسل‏های کره چشم (روشن) و مردمک (تیره) زیاد است. در حالی‏که اگر چشم بسته باشد، پروجکشن واریانس افقی ناحیه چشم کمتر خواهد شد.
فاصله بین پلک‏ها
در [۲۸] برای تشخیص خواب‏آلودگی از فاصله بین دو پلک[۸۰] استفاده شده است. در حالتی که راننده بیدار باشد، فاصله بین دو پلک زیاد است، اما با افزایش خستگی، فاصله بین دو پلک کم می‏شود. در این روش، فاصله بین دو پلک بر اساس پروجکشن افقی چشم محاسبه می‏گردد.
سرعت پلک‏زدن
یکی دیگر از ویژگی‏های خستگی، کاهش سرعت پلک‏زدن[۸۱] است. منظور از سرعت پلک‏زدن، زمان بین باز و بسته شدن پلک‏ها در یک پلک‏زدن است. در [۶, ۲۷, ۴۴] از این ویژگی برای تشخیص خستگی استفاده شده است. در صورتی که مدت زمان پلک‏زدن بیشتر از یک حد آستانه (حدود ۵/۰-۸/۰ ثانیه) اندازه‏گیری شود، خواب‏آلودگی راننده تشخیص داده می‏شود.
نرخ پلک‏زدن
نرخ پلک‏زدن[۸۲] به معنی تعداد دفعات پلک‏زدن در یک مدت معین می‏باشد. این ویژگی می‏تواند برای تشخیص خستگی و عدم تمرکز حواس مورد استفاده قرار گیرد. نرخ پلک‏زدن در افراد مختلف با هم متفاوت است. در صورتی که نرخ پلک‏زدن بسیار کمتر از حد طبیعی باشد، نشانه عدم تمرکز حواس (به دلیل عوامل درونی و مشغله ذهنی) می‏باشد و اگر بسیار زیاد‏تر از حد طبیعی باشد نشانه خواب‏آلودگی راننده است. از این ویژگی در [۶, ۲۱-۲۳] برای تشخیص خستگی و عدم‏تمرکز حواس استفاده شده است.
جهت نگاه چشم
جهت نگاه[۸۳] چشم ویژگی موثری در تعیین عدم تمرکز حواس راننده است. با بهره گرفتن از این ویژگی، علاوه بر تشخیص عدم توجه راننده به جاده، می‏توان تصمیم راننده برای سبقت گرفتن یا تغییر مسیر را تشخیص داد. بر اساس تحقیقات نشان داده شده است که راننده به هنگام سبقت‏گرفتن، دائم جهت نگاه خود را از مسیر مبدا به مسیر مقصد و بالعکس تغییر می‏دهد [۶۰, ۶۱]. این ویژگی در [۶, ۴۴] براساس خاصیت بازتابشی چشم در طیف مادون قرمز استخراج شده و برای تشخیص عدم تمرکز حواس راننده مورد استفاده قرار گرفته است.
در [۶] تخمین جهت نگاه چشم بر اساس مرکز مردمک چشم و نور بازتابیده شده از قرنیه[۸۴] چشم انجام می‏شود. نور بازتابیده شده از قرنیه را درخشش چشم[۸۵] می‏نامند که نسبت به بازتابش نور مردمک ضعیف‏تر و از نظر قطر کوچک‏تر است. در این سیستم، نور بازتابیده شده از مردمک چشم فقط در فریم‏های زوج مشاهده می‏شود، در حالی که نور بازتابیده شده از قرنیه در تمام فریم‏ها دیده می‏شود. راستای خطی که مرکز مردمک چشم را به مرکز درخشش چشم متصل می‏کند، جهت نگاه چشم را در ۹ راستا مشخص خواهد کرد: مستقیم، بالا، پایین، چپ، راست، بالا راست، بالا چپ، پایین راست و پایین چپ. سرعت اجرا این روش بر روی کامپیوتر Sun Ultra 10 حدود ۱۵ فریم در ثانیه و میانگین دقت آن بیش از ۹۴% گزارش شده است.
تشخیص و ردیابی جهت نگاه چشم در [۴۴] بسیار شبیه روش فوق می‏باشد، با این تفاوت که با آموزش یک شبکه عصبی رگرسیون تعمیم‌یافته[۸۶] (GRNN)، به کمک تعدادی از ویژگی‏های مربوط به مردمک و مرکز انعکاس نور قرنیه چشم، سیستم قادر به تخمین جهت نگاه چشم خواهد بود. دقت این روش برای تخمین جهت نگاه چشم حدود ۹۶% می‏باشد.
حرکات جهشی چشم
یکی از ویژگی‏های قابل استخراج از جهت نگاه چشم، نرخ حرکات جهشی[۸۷] و نامنظم چشم است. هنگامی‏که راننده هوشیاری عادی دارد، هر چند وقت یک بار محیط اطراف خود را بازبینی سریع می‏کند. این بازبینی سریع همراه با حرکات سریع جهشی و نامنظم است [۴۴]. Bergasa و همکارانش [۲۱-۲۳] نیز از همین ویژگی تحت عنوان «نگاه ثابت[۸۸]» برای تعیین میزان هوشیاری استفاده کرده‏اند. در واقع ثابت بودن جهت نگاه به مدت طولانی، نشانه عدم تمرکز حواس راننده است.
ویژگی‏های دهان
خمیازه کشیدن[۸۹] یکی از نشانه‏های خستگی می‏باشد که همراه با باز‏شدن دهان است. همچنین صحبت‏کردن راننده به هنگام رانندگی می‏تواند از نشانه‏های کاهش تمرکز حواس باشد. از جمله مهمترین روش‏های تشخیص باز بودن دهان، محاسبه نسبت عرض به ارتفاع دهان [۳۶]، محاسبه ضرایب موجک Gabor در نقاط گوشه دهان [۴۴] و استفاده از ماشین بردار پشتیبان (SVM) [51] است.
ویژگی‏های سر
برخی از نشانه‏های خستگی و عدم تمرکز حواس راننده در حرکات سر بروز پیدا می‏کند. از جمله مهمترین ویژگی‏های مربوط به ناحیه سر می‏توان به افتادن سر، تعیین جهت سر (برای آشکارسازی چرخش) و عدم تحرک سر اشاره کرد. در این بخش ویژگی‏های مربوط به ناحیه سر مورد بررسی قرار خواهد گرفت.
افتادن سر
یکی از نشانه‏های خواب‏آلودگی در انسان افتادن سر[۹۰] به دلیل چرت‏زدن[۹۱] است. در هنگام خواب‏آلودگی ماهیچه‏های گردن انقباض کامل ندارند و سر به تدریج خم می‏شود. این ویژگی یکی از نشانه‏های خواب‏آلودگی یا بیهوشی می‏باشد و در سیستم‏های [۷, ۲۱-۲۳, ۲۵, ۴۴] برای تشخیص خواب‏آلودگی مورد استفاده قرار گرفته است. افتادن سر از نحوه ردیابی چهره با فیلتر کالمن قابل تعیین است [۲۱-۲۳].
جهت سر
تعیین جهت سر[۹۲] در تشخیص عدم تمرکز حواس راننده و پیش‏بینی قصد او برای تغییر مسیر موثر است. در حالت کلی، تعیین جهت سر نیاز به مدل سه بعدی از سر دارد. استفاده از بینایی استریو علاوه بر افزایش شدید حجم محاسبات، باعث افزایش قیمت تمام شده سیستم می‏شود. تاکنون در سیستم‏های نظارت چهره راننده از بینایی استریو برای این منظور استفاده نشده است، بلکه روش‏هایی ارائه شده که بدون نیاز به بینایی استریو، مدل سه بعدی چهره و جهت سر تعیین می‏شود. از جمله تحقیقات انجام شده در این زمینه می‌توان به تشخیص جهت سر با بهره گرفتن از مکان هندسی چشم‌ها، بینی و دهان نسبت به یکدیگر [۲۱-۲۳, ۲۷, ۴۴, ۵۲] و یا استفاده از تغییر شکل هندسی مردمک چشم [۶] اشاره کرد.
عدم تحرک سر
عدم تحرک سر[۹۳] برای یک مدت طولانی نشان از عدم تمرکز حواس راننده دارد. هنگامی‏که راننده بر روی موضوعی غیر از رانندگی تمرکز می‏کند، تحرک سر وی کم شده و تقریبا ثابت خواهد شد. این ویژگی به عنوان یکی از ویژگی‏های تشخیص عدم تمرکز راننده در [۷] مورد استفاده قرار گرفته است.
تشخیص خستگی و عدم تمرکز حواس
پس از استخراج ویژگی، بحث چگونگی ارتباط میان ویژگی‏ها و نحوه تعیین میزان خستگی و عدم تمرکز حواس راننده بر اساس این ویژگی‏ها مطرح می‏شود. تعیین وضعیت راننده یک مسئله طبقه‏بندی[۹۴] (دسته ‏بندی) محسوب می‏شود. ساده‏ترین شکل آن، طبقه‏بندی وضعیت راننده به دو حالت هوشیار و غیرهوشیار می‏باشد. در حالت دیگر می‏توان میزان هوشیاری راننده را با یک عدد حقیقی بین صفر و یک مشخص کرد.
روش‏های مبتنی بر حد آستانه
ساده‏ترین روش برای تشخیص خستگی و عدم تمرکز حواس، استفاده از حد آستانه است. اگر تنها از یک ویژگی برای تشخیص خستگی و عدم تمرکز حواس استفاده شود، مرحله تشخیص با اعمال حد آستانه به پایان می‏رسد. ولی اگر از چند ویژگی برای تشخیص کاهش هوشیاری استفاده شود، پس از اعمال حد آستانه بر روی هر ویژگی، تشخیص نهایی باید روشی برای ترکیب[۹۵] نتایج استفاده کرد. در واقع اعمال حد آستانه بر روی هر ویژگی، وضعیت راننده را به دو دسته طبقه‏بندی می‏کند، اما هنوز طبقه‏بندی نهایی سیستم برای تشخیص وضعیت راننده انجام نشده است. برای تولید خروجی نهایی سیستم می‏توان از روش قوانین ابتکاری[۹۶] یا رای اکثریت[۹۷] استفاده کرد. در اکثر سیستم‏های نظارت چهره برای تشخیص خستگی و عدم تمرکز حواس از روش‏های مبتنی بر حد آستانه استفاده شده است.
رای اکثریت
یکی از روش‏های ساده برای ترکیب نتایج حاصل از چند طبقه‏بندی‏کننده، استفاده از رای اکثریت است. این ایده برگرفته از قوانین دموکراسی می‏باشد و به سه شکل قابل استفاده است: رای مطلق[۹۸]، رای اکثریت ساده[۹۹] و رای ائتلافی[۱۰۰] [۶۲]. در سیستم‏های نظارت چهره راننده معمولا از روش رای ائتلافی استفاده شده است. به این معنی که خروجی سیستم بر اساس رای اکثریت تعیین می‏شود. مثلا اگر وضعیت راننده بر اساس ۶۰% ویژگی‏ها هوشیار و بر اساس ۴۰% دیگر غیرهوشیار تعیین شود، سیستم وضعیت هوشیار را برای راننده تعیین خواهد کرد.
روش‏های مبتنی بر دانش
در روش‏های مبتنی بر دانش، تصمیم‏ گیری در مورد تعیین خستگی و خواب‏آلودگی راننده بر اساس دانش یک فرد خبره[۱۰۱] انجام می‏گیرد. در این روش‏ها معمولا دانش در قالب قوانین اگر-آنگاه ظاهر می‏شود. یکی از ساده‏ترین روش‏های ترکیب نتایج، تعریف چند قانون ابتکاری ساده است. در این روش چند قانون اگر-آنگاه بر روی نتایج هر ویژگی اعمال شده تا وضعیت نهایی راننده تخمین زده شود. در حالت پیچیده‏تر، می‏توان از سیستم‏های خبره نیز استفاده کرد. هرچند قوانین ابتکاری یک نوع سیستم خبره ساده می‏باشد.
یکی از راهکار‏های قابل استفاده برای ترکیب اطلاعات حاصل از چند ویژگی، منطق فازی[۱۰۲] است. در سیستم‏های خبره فازی یا سیستم‏های استنتاج فازی با تعریف چند قانون فازی، می‏توان اطلاعات حاصل از مرحله استخراج ویژگی را مورد پردازش قرار داد. در [۲۱-۲۳] برای تعیین میزان خستگی راننده از قوانین فازی در قالب سیستم استنتاج فازی استفاده شده است. در این روش میزان خستگی راننده در بازه صفر و یک تعیین می‏گردد.
روش‏های مبتنی بر آمار و احتمال
در روش‏های مبتنی بر آمار و احتمال، تخمین میزان خستگی و عدم تمرکز حواس بر اساس اطلاعات آماری و احتمالی انجام می‏گیرد. معمولا این اطلاعات در قالب دانش اولیه یا اطلاعات استخراج شده از داده‏های آموزشی می‏باشد. سپس با بهره گرفتن از روش‏های آماری و احتمالی مانند شبکه بیز یا شبکه عصبی، میزان کاهش هوشیاری راننده مشخص می‏شود.

موضوعات: بدون موضوع  لینک ثابت


فرم در حال بارگذاری ...