سختافزار و پردازنده
بخش سختافزار و پردازنده شامل بورد سختافزاری، یک یا چند پردازنده و رابط انسان و ماشین[۳۰] (HMI) است. در سیستمهای واقعی، بخش سختافزار و پردازنده باید به شکل سیستم تعبیهشده[۳۱] و تا حد امکان ارزان قیمت باشد. پردازنده سیستم میتواند یکی از انواع ریزپردازندههای معمولی[۳۲] [۲۰]، پردازندههای سیگنال دیجیتال[۳۳] (DSP) [24]، مدارات FPGA[34] [۲۵, ۲۶] و مدارات مجتمع خاص منظوره[۳۵] (ASIC) یا ترکیبی از آنها باشد.
در سیستم نظارت چهره راننده، بیشتر حجم محاسبات مربوط به عملیات پردازش تصویر برای تحلیل و تفسیر چهره است. استفاده از ریزپردازندههای معمولی با وجود قابلیت انعطافپذیری[۳۶] در ایجاد تغییرات نرمافزاری، برای این منظور چندان مناسب نیست. چرا که معمولا در این حالت سیستم بلادرنگ نخواهد شد. استفاده از مدارات مجتمع خاص منظوره (ASIC) با وجود کارایی بسیار بالا، به دلیل هزینه زیاد نامناسب است. ضمن اینکه ASIC قابلیت انعطافپذیری ندارد. DSP و FPGA نسبت به ریزپردازندههای معمولی سریعتر و از ASIC کندتر هستند، اما مهمترین مزیت آنها نسبت به ASIC، قابلیت انعطافپذیری است. انعطافپذیری در DSP از طریق نرمافزاری و در FPGA از طریق سختافزاری میسر است. به همین دلیل در سیستمهای واقعی معمولا از DSP یا FPGA استفاده میشود.
بخشی از رابط انسان و ماشین (HMI) مانند بخش اعلام هشدار و ابزار تنظیم سیستم، در قالب بخش سختافزار ظاهر میشود. اما کنترل هوشمند این بخش به شکل نرمافزاری و از طریق الگوریتمهای تصمیمگیری برای تولید خروجی انجام میگیرد.
نرمافزار هوشمند
بخش نرمافزار هوشمند یک سیستم نظارت چهره راننده به دو بخش اصلی قابل تقسیم است: الگوریتمهای پردازش تصویر و الگوریتمهای تشخیص و تصمیمگیری. در واقع بخش نرمافزار هوشمند، مهمترین بخش یک سیستم نظارت چهره راننده میباشد.
عمده اهداف در الگوریتمهای پردازش تصویر عبارتند از: پیشپردازش تصویر، آشکارسازی و ردیابی چهره، آشکارسازی و ردیابی چشم و سایر اجزای چهره و استخراج ویژگیهای مناسب از چهره و اجزای آن. در واقع الگوریتمهای پردازش تصویر بخش اصلی سیستمهای نظارت چهره راننده را تشکیل میدهند. این الگوریتمها معمولا حجم حافظه زیادی احتیاج داشته و بار محاسباتی زیادی به پردازنده و سختافزار وارد میکنند. برای طراحی یک سیستم دقیق و بلادرنگ، تمرکز طراحی باید بر روی این الگوریتمها باشد.
پس از استخراج ویژگیهای مناسب از تصویر، الگوریتمهای تشخیص و تصمیمگیری بر اساس این ویژگیها میزان خستگی و عدم تمرکز حواس راننده را تعیین و تصمیم مناسب را برای خروجی سیستم اتخاذ میکنند. الگوریتمهای تشخیص و تصمیمگیری از این لحاظ اهمیت دارند که باید قادر به تشخیص به موقع خستگی و عدم تمرکز حواس راننده باشند و تصمیمگیری مناسب را برای تولید خروجی سیستم انجام دهند. هر چه الگوریتم تشخیص بتواند در مدت زمان کوتاهتری وقوع خوابآلودگی یا عدم تمرکز حواس راننده را تشخیص دهد، سیستم کارایی بیشتری خواهد داشت. ضمن این که پس از تشخیص، تصمیمگیری در مورد نحوه عملکرد سیستم برای تولید خروجی از اهمیت زیادی برخوردار است. بخشی از رابط انسان و ماشین (HMI) به شکل نرمافزاری و در قالب الگوریتم تصمیمگیری برای تولید خروجی است.
شکل ۲‑۱ یک فلوچارت کلی از سیستمهای نظارت چهره راننده را نشان میدهد. هرچند در سیستمهای مختلف این فلوچارت تا حدودی متغیر است، اما روند کلی انجام فرایند مطابق فلوچارت رسم شده در شکل ۲‑۱ است.
بلی
خیر
آیا sw=0 است؟
sw=0
آشکارسازی چهره
(آیا چهره آشکارسازی شد؟)
آشکارسازی چشم
(آیا چشم آشکارسازی شد؟)
ردیابی چهره
(آیا ردیابی چهره موفق بود؟)
دریافت یک فریم از تصویر
استخراج ویژگی
تشخیص خستگی و عدم تمرکز حواس
sw=1
خیر
بلی
بلی
خیر
شکل ۲‑۱: فلوچارت کلی برای سیستمهای نظارت چهره راننده
آشکارسازی چهره
معمولا اولین بخش از نرمافزار هوشمند در سیستمهای نظارت چهره راننده، مربوط به آشکارسازی چهره است. در سیستمهایی که خستگی و عدم تمرکز حواس را از پردازش ناحیه چهره مشخص میکنند، آشکارسازی چهره بخش اصلی سیستم محسوب میشود. همچنین در اکثر روشهای مبتنی بر پردازش ناحیه چشم، به دلیل مشکل بودن آشکارسازی مستقیم چشم، ابتدا چهره آشکارسازی شده و سپس ناحیه چشم از چهره مشخص میشود.
روشهای بسیار زیادی برای آشکارسازی چهره ارائه شده است، اما مهمترین روشهای مورد استفاده در سیستمهای نظارت چهره راننده را میتوان چنین تقسیمبندی کرد:
روشهای مبتنی بر مدل رنگ
روشهای مبتنی بر ویژگیهای شبه هار
روشهای مبتنی بر شبکه عصبی
روشهای مبتنی بر مدل رنگ
مدل رنگ پوست چهره، یکی از روشهای آشکارسازی چهره است. این ویژگی برای آشکارسازی چهره در تصاویری که پس زمینه ساده دارند مناسب است، ام
برای دانلود متن کامل پایان نامه به سایت azarim.ir مراجعه نمایید. |
ا در شرایطی که پسزمینه چهره پیچیده و شلوغ باشد، خطای زیادی خواهد داشت. ضمن این که روشهای مبتنی بر مدل رنگ، برای آشکارسازی چهره در طیف مرئی مناسب است و در طیف مادون قرمز کاربردی ندارد. ضمن اینکه نور محیط باید به اندازه کافی باشد تا تفکیک رنگها به خوبی انجام گیرد.
معمولا مدل رنگی چهره بر اساس توزیع احتمال در یک فضای رنگ بیان میشود. سپس با اعمال یک یا چند حد آستانه بر روی توزیع بدست آمده، ناحیه چهره در تصویر آشکارسازی خواهد شد. برای تشکیل مدل رنگ چهره میتوان از فضای رنگی RGB [24, 27]، فضای رنگی YCbCr [28] یا فضای رنگی HSI [29-31] استفاده کرد.