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 استفاده 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] (دسته‏بندی) 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، تصمیم‏گیری 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 ^{برای دانلود متن کامل این پایان نامه به سایت  fumi.ir  مراجعه نمایید.}

.altervista.org/wp-admin/post-new.php#footnote-102″>[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 استفاده از روش‏های آماری و احتمالی مانند شبکه بیز یا شبکه عصبی، میزان کاهش هوشیاری راننده مشخص می‏شود.
شبکه بیز
تشخیص خستگی و عدم تمرکز حواس راننده از روی ویژگی‏های استخراج شده، مسئله مشکلی است. در واقع ویژگی‏های استخراج شده از چهره راننده حاوی دانش غیرقطعی^[۱۰۳] می‏باشد که باید از آن برای تعیین میزان هوشیاری راننده استفاده کرد. شبکه بیز^[۱۰۴] به عنوان ابزاری مناسب برای مدل کردن دانش غیر‏قطعی در قالب یک گراف جهت‏دار بدون‏سیکل^[۱۰۵]، از روش‏های احتمالی استفاده می‏کند. در واقع علت استفاده از شبکه بیز برای سیستم نظارت چهره راننده این است که شبکه بیز امکان پیش‏بینی و استنتاج وقایع آینده را بر اساس وقایع گذشته و داده‏های حال حاضر امکان‏پذیر می‏سازد. در [۶, ۴۴, ۶۳] برای تشخیص خستگی راننده از شبکه بیز استفاده شده است.
شبکه عصبی
شبکه عصبی نوعی روش آماری برای یادگیری مسائل طبقه‏بندی و تخمین توابع است. اسکندریان و همکارش [۶۴, ۶۵] با استفاده از شبکه عصبی دو دسته ویژگی استخراج شده از روش مبتنی بر نحوه رانندگی و روش نظارت چهره راننده را ترکیب کرده و تشخیص خواب‏آلودگی را بر اساس آن انجام داده‏اند. در این سیستم میزان خواب‏آلودگی توسط یک شبکه عصبی ترکیبی^[۱۰۶] تعیین می‏گردد.
سیستم‏های نظارت چهره راننده در خودروهای تجاری
با توجه به زیان‏های جانی و مالی فراوان خواب‏آلودگی و عدم تمرکز راننده در تصادفات، هم‏اکنون برخی از شرکت‏های معتبر و بزرگ خودروسازی جهان، تجهیزات نظارت چهره راننده به شکل نمونه‏های اولیه^[۱۰۷] طراحی کرده‏اند، اما هنوز نمونه تجاری آن به مرحله تولید انبوه نرسیده است. در آینده‏ای نه چندان دور، سیستم‏های نظارت چهره راننده همانند سایر سیستم‏های ایمنی مثل کمربند ایمنی و کیسه هوا، در اتومبیل‏ها رایج خواهد شد. برای مطالعه بیشتر در مورد سیستم‏های نظارت چهره راننده در خودروهای تجاری به [۱۸, ۶۶] مراجعه نمایید.
سیستم پیشنهادی
پیکربندی کلی سیستم پیشنهادی
سیستم پیشنهادی مانند سایر سیستم‏های نظارت چهره راننده از سه بخش اصلی تشکیل شده است:
نورپردازی و تصویربرداری
سخت‏افزار و پردازنده
نرم‏افزار هوشمند
هرچند تمامی بخش‏های یک سیستم نظارت چهره راننده نقش مهم و موثری در عملکرد و کارایی سیستم دارند، اما تمرکز اصلی این پایان‏نامه بر روی قسمت نرم‏افزار هوشمند است. چرا که مهمترین بخش سیستم نظارت چهره راننده، نرم‏افزار هوشمند آن است که شامل الگوریتم‏های پردازش تصویر (برای استخراج ویژگی) و تصمیم‏گیری می‏باشد. در مورد سایر بخش‏ها، سعی شده پیکربندی سیستم به گونه‏ای طراحی و انتخاب شود تا سیستم به یک سیستم واقعی شباهت بیشتری داشته باشد.
نورپردازی و تصویربرداری
اولین بخش یک سیستم نظارت چهره راننده، سیستم نورپردازی و تصویربرداری است. در این سیستم از نورپردازی طیف مرئی در شرایط مختلف نوری استفاده شده است. شرایط نوری برای تهیه فیلم در دو محیط آزمایشگاهی و محیط واقعی می‏باشد که میزان نور محیط متغیر است.
تصویربرداری از طریق دوربین دیجیتال با حسگر CCD رنگی انجام شده است. ابعاد تصاویر دریافتی ۲۴۰×۳۲۰ و نرخ تصویربرداری ۲۵ فریم در ثانیه می‏باشد. برای انطباق بیشتر سیستم با شرایط واقعی، تصاویر رنگی به تصاویر سطح خاکستری ۲۵۶ سطحی تبدیل می‏شوند. چرا که یک سیستم واقعی باید در تمام شرایط نور، به ویژه شرایط نوری شب، عملکرد مناسبی داشته باشد. استفاده از تصاویر رنگی نیاز به نورپردازی مناسب در طیف مرئی دارد، اما به به دلیل این‏که نورپردازی چهره با استفاده از طیف مرئی در شب باعث ایجاد مزاحمت برای دید راننده می‏شود، استفاده از تصاویر رنگی مطلوب نیست. ضمن اینکه شباهت زیادی بین تصاویر سطح خاکستری و تصاویر طیف مادون قرمز نزدیک وجود دارد. این شباهت باعث می‏شود تا بتوان با تغییرات اندکی، الگوریتم‏های بینایی ماشین در تصاویر سطح خاکستری طیف مرئی را برای تصاویر طیف مادون قرمز نزدیک نیز به کار برد.
محل قرارگیری دوربین در خودرو نسبت به چهره راننده مطابق شکل ‏۳‑۱ است. در اغلب سیستم‏های نظارت چهره راننده، مکانی مشابه این محل برای نصب دوربین پیشنهاد شده است.