سامانه پژوهشی – طراحی سیستم نظارت چهره راننده جهت تشخیص خستگی و عدم تمرکز حواس- قسمت ۴

شکل ‏۲‑۶: آشکارسازی چشم بر اساس ویژگی مردمک تیره و روشن: شکل‏ها از سمت راست به ترتیب فریم زوج با تصویر مردمک روشن، فریم فرد با تصویر مردمک تیره و تفاضل فریم‏‏های زوج و فرد [۶] ۱۷
شکل ‏۳‑۱: محل قرارگیری دوربین در خودرو برای سیستم پیشنهادی ۳۶
شکل ‏۳‑۲: فلوچارت بخش نرم‏افزار هوشمند در سیستم پیشنهادی ۳۸
شکل ‏۳‑۳: نمونه‏هایی از ماسک‏های ویژگی برای آشکارسازی چهره [۳۲] ۳۹
شکل ‏۳‑۴: محاسبه مجموع پیکسل‏های بخشی از تصویر با استفاده از تصویر انتگرالی ۴۰
شکل ‏۳‑۵: محاسبه یک نمونه ویژگی شبه هار بر اساس تصویر انتگرالی ۴۱
شکل ‏۳‑۶: الگوریتم تشکیل یک طبقه‏بندی‏کننده قوی بر اساس چند ویژگی [۳۳] ۴۲
شکل ‏۳‑۷: درخت تصمیم آبشاری برای آشکارسازی چهره ۴۳
شکل ‏۳‑۸: الگوریتم تشکیل یک درخت تصمیم آبشاری بر اساس چند طبقه‏بندی‏کننده قوی [۳۳] ۴۴
شکل ‏۳‑۹: نمایش چگونگی انجام جستجوی سه مرحله‏ای ۴۶
شکل ‏۳‑۱۰: نمایش بازه تعریف ویژگی‏های درصد بسته بودن چشم (PERCLOS)، نرخ پلک زدن و فاصله بین پلک‏ها ۵۱
شکل ‏۳‑۱۱: نمایش تاثیر پارامتر α در تغییر شکل تابع سیگموئید (β=۰) ۵۳
شکل ‏۳‑۱۲: نمایش تاثیر پارامتر β در تغییر شکل تابع سیگموئید (α=۱) ۵۴
 (محور افقی) ۵۵
شکل ‏۳‑۱۴: مدل کلی سیستم خبره فازی ۵۹
شکل ‏۳‑۱۵: شکل توابع عضویت تعریف شده برای ورودی درصد بسته بودن چشم (PERCLOS) 60
شکل ‏۳‑۱۶: شکل توابع عضویت تعریف شده برای ورودی نرخ پلک زدن (CLOSNO) 60
شکل ‏۳‑۱۷: شکل توابع عضویت تعریف شده برای تغییرات فاصله بین پلک‏ها نسبت به حالت طبیعی (ELDC) 61
شکل ‏۳‑۱۸: شکل توابع عضویت تعریف شده برای میانگین چرخش سر (ROT) 61
شکل ‏۳‑۱۹: شکل توابع عضویت تعریف شده برای میزان خستگی (Fatigue) 61
شکل ‏۳‑۲۰: شکل توابع عضویت تعریف شده برای میزان عدم تمرکز حواس (Distraction) 62
شکل ‏۳‑۲۱: نمایش تغییرات پیوسته مقدار تغییرات فاصله بین پلک‏ها (ELDC) 65
شکل ‏۳‑۲۲: نمایش تغییرات پیوسته مقدار میانگین چرخش سر (ROT) 65
شکل ‏۳‑۲۳: نمایش تغییرات گسسته درصد بسته بودن چشم (PERCLOS) 66
شکل ‏۳‑۲۴: نمایش تغییرات گسسته نرخ پلک زدن (CLOSNO) 66
شکل ‏۳‑۲۵: نمایش تغییرات شکل خروجی نهایی سیستم با تغییر مقدار α در رابطه میانگین‏گیری مداوم. از بالا به پایین مقادیر α برابر است با صفر، ۸/۰ و ۹/۰ ۶۸
شکل ‏۴‑۱: نمونه‏هایی از تصاویر تهیه شده در محیط واقعی (داخل خودرو) برای آزمایش سیستم ۷۰
شکل ‏۴‑۲: نمونه‏هایی از تصاویر تهیه شده در محیط آزمایشگاهی برای آزمایش سیستم ۷۰
شکل ‏۴‑۳: نمونه‏هایی از تصاویر چهره مورد استفاده برای آموزش الگوریتم آشکارسازی چهره ۷۴
شکل ‏۴‑۴: نمونه‏هایی از تصاویر غیرچهره مورد استفاده برای آموزش الگوریتم آشکارسازی چهره ۷۴
شکل ‏۴‑۵: نمونه‏هایی از تصاویر چهره که آشکارسازی نشده‏اند ۷۴
شکل ‏۴‑۶: نمونه‏هایی از تصاویر غیرچهره که به اشتباه آشکارسازی شده‏اند ۷۴
شکل ‏۴‑۷: یکی از ماسک‏های مهم برای استخراج ویژگی در الگوریتم آشکارسازی چهره ۷۵
شکل ‏۴‑۸: نمونه‏هایی از تصاویر چهره که به درستی آشکارسازی شده‏اند ۷۵
شکل ‏۴‑۹: نمونه‏هایی از خطای ردیابی با استفاده از روش جستجوی کامل و محاسبه ضریب همبستگی ۷۶
شکل ‏۴‑۱۰: نمایش تغییر مکان چهره به دلیل تکان خوردن خودرو در دو فریم با فاصله زمانی یک ثانیه و بروز اشتباه در آشکارسازی بسته بودن چشم به دلیل عدم

این مطلب را هم بخوانید :  طراحی سیستم نظارت چهره راننده جهت تشخیص خستگی و عدم تمرکز حواس- قسمت ۳۸

دانلود متن کامل این پایان نامه در سایت abisho.ir

توانایی الگوریتم ردیابی در تعیین مکان دقیق چهره ۷۸
شکل ‏۴‑۱۱: نمایش دو فریم از تصاویر چهره راننده در حالت چرت زدن. تصویر سمت راست حالت چشم باز راننده و تصویر سمت چپ حالت چشم بسته راننده است. در این حالت پلک زدن به آرامی و به طور نامحسوس انجام می‏شود. بنابراین نرخ عدم آشکارسازی بسته شدن چشم افزایش می‏یابد. ۷۹