ویژگیهای سر .altervista.org/wp-admin/post-new.php#footnote-102″>[۱۰۲]
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.
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.
