فایل – طراحی سیستم نظارت چهره راننده جهت تشخیص خستگی و عدم تمرکز حواس- …

 
a
c
d
b
S
شکل ‏۳‑۴: محاسبه مجموع پیکسل‏های بخشی از تصویر با استفاده از تصویر انتگرالی
به این ترتیب برای محاسبه ویژگی‏های شبه هار می‏توان از تصویر انتگرالی استفاده نمود. به عنوان مثال اگر مقدار ویژگی متناظر ماسک نشان داده شده در شکل ‏۳‑۵ با x نمایش داده شود، مقدار x بر حسب تصویر انتگرالی از رابطه ‏(۱۰) قابل محاسبه است.
 
مقدار سایر ویژگی‏های شبه هار نیز مشابه روش فوق بر اساس تصویر انتگرالی قابل محاسبه می‏باشد. بنابراین می‏توان فقط با استفاده از تصویر انتگرالی، تمام ویژگی‏های شبه هار را با سرعت بسیار زیاد از تصویر استخراج نمود.
a
e
f
b
c
d
g
h
S1
S2
S3
شکل ‏۳‑۵: محاسبه یک نمونه ویژگی شبه هار بر اساس تصویر انتگرالی
انتخاب و تعیین اهمیت ویژگی‏ها برای تشکیل یک طبقه‏بندی‏کننده قوی
مهمترین مشکل بعد از استخراج ویژگی‏های شبه هار، تعداد بسیار زیاد این ویژگی‏هاست. همانطور که قبلا اشاره شد، اندازه ماسک‏ها بسیار متنوع است، بنابراین تعداد ویژگی‏های استخراج شده از تصویر با اعمال اندازه‏های مختلف این ماسک‏ها، معمولا از تعداد پیکسل‏های تصویر بیشتر می‏شود. به دلیل تعداد زیاد ویژگی‏ها و همچنین اهمیت ناچیز بسیاری از آنها، بهتر است فقط تعدادی از ویژگی‏های موثر انتخاب و مورد استفاده قرار گیرد. به این ترتیب برای تعیین اهمیت هر ویژگی، ابتدا یک طبقه‏بندی کننده ساده با استفاده از تک ویژگی مورد نظر ساخته و FPR[112] و FNR[113] آن را بر روی تصاویر آموزش داده محاسبه می‏کنیم. این طبقه‏بندی‏کننده ساده، اعمال یک حد آستانه بر روی مقدار ویژگی است. به این ترتیب FPR و FNR هر ویژگی مشخص خواهد شد. هرچه مقدار FPR و FNR یک ویژگی کمتر باشد، از اهمیت بیشتری برخوردار است. پس از تعیین مقدار FPR و FNR تمام ویژگی‏ها، با استفاده از الگوریتم تقویت AdaBoosting، تعداد محدودی از ویژگی‏ها برای تشکیل یک طبقه‏بندی‏کننده قوی[۱۱۴] انتخاب می‏گردد. شکل ‏۳‑۶ الگوریتم نحوه انتخاب چند ویژگی ساده برای تشکیل یک طبقه‏بندی‏کننده قوی را نشان می‏دهد. ویژگی‏های انتخاب شده به صورت خودکار استخراج می‏شوند و کاربر در انتخاب آنها دخالتی ندارد.
۱- نمونه تصاویر x1, x2, …, xn مفروض‏اند. yi متناظر با هر xi به این گونه تعریف می‏شود که اگر xi جزو تصاویر مثبت (چهره) باشد، yi یک و در غیر این صورت صفر است. تعداد تصاویر مثبت (چهره) l و تعداد تصاویر منفی m است.
۲- وزن‏های w1,i از رابطه زیر مقداردهی اولیه می‏گردد.
 
۳- برای t =1,2,…,T دستورات زیر انجام شود: (T تعداد ویژگی‏های استفاده شده برای طبقه‏بندی‏کننده قوی است)
۳-۱- نرمالیزه کردن مقادیر wt,i:
 
۳-۲- انتخاب بهترین طبقه‏بندی‏کننده ساده بر اساس مجموع وزنی خطا و نامگذاری آن به عنوان ht(x).
 
۳-۳- به روز رسانی مقادیر وزن‏ها:
 
که:
و:
۴- طبقه‏بندی‏کننده قوی با نام C نامگذاری شده و چنین بدست می‏آید:

این مطلب را هم بخوانید :  به دام اندازی یون در دام پاول۹۳- قسمت ۹

برای دانلود متن کامل این پایان نامه به سایت  fumi.ir  مراجعه نمایید.